YOLOX ve YOLO11#
Bilgisayarlı görü alanındaki gelişmeler, yüksek doğruluğu çıkarım hızıyla dengeleyen gerçek zamanlı nesne algılama çerçevelerinin geliştirilmesi hedefiyle büyük ölçüde şekillenmiştir. Bu yolculuktaki en önemli dönüm noktaları arasında YOLOX ve Ultralytics YOLO11 yer alır. Her iki model de alana önemli katkılar sağlamış olsa da temel mimarileri, tasarım felsefeleri ve geliştirici ekosistemleri önemli ölçüde farklılık gösterir.
Bu kapsamlı teknik karşılaştırma, bir sonraki yapay zekâ projen için bilinçli bir karar vermene yardımcı olmak amacıyla mimarilerini, performans metriklerini, eğitim yöntemlerini ve ideal dağıtım senaryolarını inceler.
YOLOX'e Genel Bakış#
18 Temmuz 2021'de Megvii bünyesindeki araştırmacılar Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından tanıtılan YOLOX, YOLO serisinde önemli bir değişimi temsil etti. Anchor-free bir tasarım sunarak akademik araştırma ile endüstriyel uygulama arasındaki boşluğu başarıyla kapattı.
Daha fazla teknik arka plan için özgün YOLOX Arxiv makalesini inceleyebilirsin.
Temel Mimari Özellikler#
YOLOX, anchor tabanlı geleneksel algılamadan uzaklaşarak ayrıştırılmış bir başlık ve anchor-free bir mekanizma benimsedi. Bu tasarım, tasarım parametrelerinin sayısını azalttı ve modelin çeşitli kıyaslamalardaki performansını iyileştirdi. Ayrıca, eğitim sürecini hızlandırmak ve yakınsamayı iyileştirmek için SimOTA gibi gelişmiş etiket atama stratejilerini kullanıma sundu.
YOLOX, dönemine göre mükemmel doğruluk sunsa da öncelikle sınırlayıcı kutu nesne algılamaya odaklanır ve diğer karmaşık görü görevleri için kullanıma hazır yerel desteğe sahip değildir.
YOLOX hakkında daha fazla bilgi edin
Önceden tanımlanmış anchor kutularını ortadan kaldıran YOLOX, farklı veri kümeleri için gereken sezgisel ayarları büyük ölçüde azaltarak anchor-free yöntemleri üzerine araştırmalar için güçlü bir temel model hâline geldi.
Ultralytics YOLO11'e Genel Bakış#
27 Eylül 2024'te Ultralytics bünyesindeki Glenn Jocher ve Jing Qiu tarafından yayımlanan YOLO11, bilgisayarlı görüde çok yönlülüğü ve kullanım kolaylığını yeniden tanımlayan son teknoloji bir modeldir. Yıllarca süren temel araştırmalar üzerine inşa edilen model, çok çeşitli görevlerde üstün performans gösteren, büyük ölçüde geliştirilmiş ve üretime hazır bir çözüm sunar.
Ultralytics Avantajı#
YOLO11 yalnızca bir nesne algılayıcı değildir; örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekleyen birleşik bir çerçevedir. Hız, parametre sayısı ve doğruluk arasında kusursuz bir dengeyi önceliklendiren son derece verimli bir mimariye sahiptir.
Ayrıca YOLO11, veri açıklama, model eğitimi ve dağıtımı için kolaylaştırılmış bir ekosistem sunan Ultralytics Platformu ile tamamen entegredir.
Performans ve Metrik Karşılaştırması#
Bu modeller karşılaştırıldığında performans dengesi netleşir. YOLO11, YOLOX'in karşılık gelen modellerine kıyasla çoğu boyut kategorisinde daha az parametre ve FLOPs ile daha yüksek Ortalama Kesinlik (mAP) elde eder.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Gösterildiği üzere YOLO11 modelleri, daha yalın bir parametre yapısını korurken doğruluk açısından sürekli olarak YOLOX'in önüne geçer. Örneğin YOLO11m, yalnızca 20.1M parametre ile 51.5 mAP elde ederken YOLOXx benzer bir 51.1 mAP değerine ulaşmak için çok yüksek 99.1M parametre gerektirir. Eğitim ve çıkarım sırasındaki bu bellek verimliliği, YOLO11'i uç yapay zekâ cihazlarında dağıtım için son derece uygun hâle getirir ve RT-DETR gibi eski veya Transformer tabanlı modellerde tipik olan yüksek CUDA bellek gereksinimlerini ortadan kaldırır.
Ultralytics modelleri, YOLOX ve Transformer tabanlı mimarilere kıyasla eğitim sırasında önemli ölçüde daha az GPU belleği gerektirir; bu da araştırmacıların güçlü modelleri standart tüketici donanımlarında eğitmesine olanak tanır.
Ekosistem ve Kullanım Kolaylığı#
İki çerçeve arasındaki en çarpıcı farklardan biri geliştirici deneyimidir.
YOLOX, modelleri eğitmek ve ONNX veya TensorRT gibi biçimlere dışa aktarmak için çoğu zaman depoların klonlanmasını, karmaşık ortamların kurulmasını ve ayrıntılı komut satırı bağımsız değişkenlerinin çalıştırılmasını gerektirir.
Buna keskin bir tezat olarak Ultralytics YOLO11, son derece basit bir Python API'si ve CLI sunar. Ultralytics kütüphanesi veri artırma, hiperparametre ayarlama ve dışa aktarma işlemlerini otomatik olarak yönetir.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")
# Train the model effortlessly on custom data
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export the trained model to TensorRT for optimized deployment
model.export(format="engine")İyi bakımı yapılan bu ekosistem, kapsamlı belgeler ve deney takibi için Weights & Biases gibi araçlarla sorunsuz entegrasyonla desteklenir.
İdeal Kullanım Alanları#
Bu modeller arasındaki seçim çoğu zaman dağıtım ortamının özelliklerine bağlıdır.
YOLOX ne zaman kullanılmalı#
- Eski Sistemler: MegEngine çerçevesi veya 2021'in başlarındaki nesne algılama paradigmaları etrafında açıkça oluşturulmuş mevcut bir işlem hattın varsa.
- Akademik Temel Modeller: 2021 döneminin temel anchor-free mimarileriyle doğrudan kıyaslama gerektiren araştırmalar yürütürken.
YOLO11 ne zaman kullanılmalı#
- Üretim Dağıtımları: Sağlam, bakımı yapılan kodun ve yüksek doğruluğun vazgeçilemez olduğu akıllı perakende veya güvenlik alarm sistemleri gibi ticari uygulamalarda.
- Çok Görevli İşlem Hatları: Bir projenin tek ve birleşik bir çerçeve kullanarak nesneleri takip etmesi, insan pozlarını tahmin etmesi ve örnekleri segmentlere ayırması gerektiğinde.
- Kaynakları Kısıtlı Uç Cihazlar: Düşük parametre sayısı ve yüksek işlem hacmi sayesinde YOLO11, Raspberry Pi üzerinde veya CoreML ve NCNN aracılığıyla mobil uç düğümlerde dağıtım için idealdir.
Geleceğe Bakış: YOLO26'nın Avantajı#
YOLO11, YOLOX'e kıyasla büyük bir sıçramayı temsil etse de bilgisayarlı görü alanı hızla ilerliyor. Bugün yeni projelere başlayan geliştiriciler için Ultralytics YOLO26 kesin öneridir.
Ocak 2026'da yayımlanan YOLO26, YOLO11'in mimari dehasını temel alır ve çığır açan çeşitli özellikler sunar:
- Uçtan Uca NMS İçermeyen Tasarım: YOLO26, daha hızlı ve daha basit dağıtım işlem hatları için Maksimum Olmayan Bastırma (NMS) son işlemini ortadan kaldırır (bu kavram ilk olarak YOLOv10'da incelenmiştir).
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılım Odaklı Kayıp (DFL) işleminin kaldırılması sayesinde YOLO26, CPU'larda ve düşük güç tüketimli uç cihazlarda çok daha verimlidir.
- MuSGD Optimize Edicisi: Moonshot AI'ın LLM eğitimi alanındaki yeniliklerinden ilham alan MuSGD optimize edicisi, son derece kararlı eğitim süreçleri ve hızlı yakınsama sağlar.
- Gelişmiş Kayıp İşlevleri: ProgLoss + STAL kullanan YOLO26, drone görüntüleri ve otonom robotik için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler elde eder.
Modern bilgisayarlı görü görevlerinin büyük çoğunluğu için işlem hattını YOLO26 kullanacak şekilde yükseltmek; hız, doğruluk ve dağıtım kolaylığı arasında mümkün olan en iyi dengeyi sağlar.