YOLOX - YOLO11 Karşılaştırması: Nesne Tespiti Evrimine Teknik ve Derin Bir Bakış

Optimum nesne algılama mimarisini seçmek, doğruluk, gecikme süresi ve hesaplama verimliliğini dengelemeyi amaçlayan geliştiriciler için çok önemlidir. Bu kapsamlı analiz, Megvii'den öncü bir anchor-free model olan YOLOX ve Ultralytics'ten en son teknoloji yinelemesi olan Ultralytics YOLO11'i karşılaştırır. YOLOX 2021'de önemli yenilikler sunarken, YOLO11, algılamadan örnek segmentasyonuna kadar çeşitli görevler için birleşik bir çerçeve sunarak 2024'te bilgisayar görüşünün en son noktasını temsil ediyor.

YOLOX: Araştırma ve Endüstriyi Birleştirme

2021'de yayınlanan YOLOX, ankrajsız bir mekanizma benimseyerek ve tahmin başlığını ayırarak YOLO ailesinde önemli bir değişime işaret etti. Akademik araştırma ve endüstriyel uygulama arasındaki boşluğu kapatmak için tasarlanmıştır.

Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
Kuruluş:Megvii
Tarih: 2021-07-18
Arxiv:YOLOX: 2021'de YOLO Serisini Aşmak
GitHub:Megvii-BaseDetection/YOLOX
Belgeler:YOLOX Dokümantasyonu

Mimari ve Yenilikler

YOLOX, tasarım karmaşıklığını ve sezgisel hiperparametrelerin sayısını azaltan anchor box'ları kaldırarak YOLOv5 gibi önceki yinelemelerden ayrıldı. Mimarisi, yakınsama hızını ve doğruluğunu artıran, sınıflandırma ve regresyon görevlerini farklı dallara ayıran bir ayrılmış head'e sahiptir. Ek olarak, performansı daha da artıran, pozitif örnekleri dinamik olarak atayan gelişmiş bir etiket atama stratejisi olan SimOTA'yı tanıttı.

Güçlü ve Zayıf Yönler

Güçlü Yönler:

Ankraj İçermeyen Tasarım: Manuel ankraj kutusu kümelemesi ihtiyacını ortadan kaldırarak eğitim hattını basitleştirir.
Ayrıştırılmış Kafa (Decoupled Head): Sınıflandırma ve regresyonu bağımsız olarak optimize ederek yerelleştirme doğruluğunu artırır.
Araştırma Temeli: Anchor-free detectörleri incelemek için güçlü bir referans noktası görevi görür.

Zayıflıklar:

Sınırlı Görev Desteği: Öncelikli olarak nesne algılamaya odaklanmıştır ve segmentasyon, poz tahmini veya yönlendirilmiş sınırlayıcı kutular (OBB) için yerel desteğe sahip değildir.
Parçalı Ekosistem: Modern frameworklere kıyasla dağıtım, izleme ve MLOps için birleşik, aktif olarak sürdürülen bir araç setinden yoksundur.
Daha Düşük Verimlilik: Genellikle YOLO11 gibi daha yeni modellere kıyasla karşılaştırılabilir doğruluğu elde etmek için daha fazla parametre ve FLOP gerektirir.

YOLOX hakkında daha fazla bilgi edinin

Ultralytics YOLO11: Görüntüleme Yapay Zekası için Yeni Standart

Ultralytics YOLO11, verimlilik, esneklik ve kullanım kolaylığına odaklanarak gerçek zamanlı nesne algılama mirasını iyileştirir. Hem hızlı prototipleme hem de büyük ölçekli üretim dağıtımları için başvurulacak çözüm olacak şekilde tasarlanmıştır.

Yazarlar: Glenn Jocher, Jing Qiu
Kuruluş:Ultralytics
Tarih: 2024-09-27
GitHub:Ultralytics Deposu
Belgeler:Ultralytics YOLO11 Dökümanları

Mimari ve Ekosistem Avantajları

YOLO11, hesaplama yükünü en aza indirirken özellik çıkarımını geliştiren, yüksek düzeyde optimize edilmiş, anchor-free bir mimari kullanır. YOLOX'un aksine, YOLO11 sadece bir model değil, kapsamlı bir ekosistemin parçasıdır. Tek, kullanıcı dostu bir API içinde sınıflandırma, segmentasyon, poz tahmini ve izleme dahil olmak üzere çok çeşitli bilgisayar görüşü görevlerini destekler.

Entegre MLOps

YOLO11, deneyleri görselleştirmenize ve veri kümelerini zahmetsizce yönetmenize olanak tanıyan Ultralytics HUB ve Weights & Biases ve Comet gibi üçüncü taraf araçlarla sorunsuz bir şekilde entegre olur.

Neden YOLO11'i Seçmelisiniz?

Çeşitlilik: Nesne tespiti, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırması için tek bir çerçeve.
Kullanım Kolaylığı: Kolaylaştırılmış Python API ve CLI, geliştiricilerin yalnızca birkaç satır kodla modelleri eğitmesini ve dağıtmasını sağlar.
Performans Dengesi: Hem CPU'larda hem de GPU'larda önceki modellere ve rakiplere kıyasla daha hızlı çıkarım hızlarıyla üstün mAP elde eder.
Bellek Verimliliği: Eğitim ve çıkarım sırasında daha düşük bellek gereksinimleriyle tasarlanmıştır, bu da onu RT-DETR gibi transformatör tabanlı modellere göre daha erişilebilir kılar.
Dağıtıma Hazır: ONNX, TensorRT, CoreML ve TFLite gibi formatlara yerel dışa aktarma desteği, NVIDIA Jetson'dan mobil cihazlara kadar çeşitli donanımlarla uyumluluk sağlar.

YOLO11 hakkında daha fazla bilgi edinin

Performans Analizi

Aşağıdaki tablo, YOLOX ve YOLO11 arasındaki performans farklılıklarını göstermektedir. YOLO11, daha az parametre ve FLOP ile sürekli olarak daha yüksek doğruluk (mAP) göstererek daha hızlı çıkarım hızlarına dönüşür.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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

Temel Çıkarımlar

Verimlilik Üstünlüğü: YOLO11 modelleri, hız ve doğruluk arasında önemli ölçüde daha iyi bir denge sağlar. Örneğin, YOLO11m, yalnızca 20.1M parametre ile 51.5 mAP elde ederek, yaklaşık 5 kat daha küçük olmasına rağmen devasa YOLOX-x'i (51.1 mAP, 99.1M parametre) geride bırakır.
Çıkarım Hızı: TensorRT kullanan bir T4 GPU'da YOLO11n, 1,5 ms hızında çalışarak, gecikmenin kritik olduğu gerçek zamanlı çıkarım uygulamaları için olağanüstü bir seçimdir.
CPU Performansı: Ultralytics, özel hızlandırıcılara sahip olmayan cihazlarda dağıtım için YOLO11'in uygulanabilirliğini gösteren şeffaf CPU kıyaslamaları sağlar.
Eğitim Verimliliği: YOLO11'in mimarisi, eğitim sırasında daha hızlı yakınsamaya olanak tanıyarak değerli işlem süresinden ve kaynaklardan tasarruf sağlar.

Gerçek Dünya Uygulamaları

YOLO11'in Üstün Olduğu Alanlar

Akıllı Şehirler: Yüksek hızı ve doğruluğu sayesinde YOLO11, trafik yönetim sistemleri ve yaya güvenliği izlemesi için idealdir.
Üretim: segmentasyon ve OBB detect işlemlerini gerçekleştirebilme özelliği, kalite kontrolü ve montaj hatlarındaki yönlendirilmiş parçalardaki kusurları tespit etmek için mükemmeldir.
Healthcare: Verimli kaynak kullanımıyla yüksek doğruluk, klinik ortamlarda uç cihazlarda tıbbi görüntü analizini mümkün kılar.

YOLOX'un Kullanıldığı Yerler

Eski Sistemler: Henüz daha yeni mimarilere geçmemiş olan 2021-2022 civarında kurulmuş projeler.
Akademik Araştırma: Özellikle ayrıştırılmış başlıkların veya ankraj içermeyen mekanizmaların etkilerini yalıtılmış olarak araştıran çalışmalar.

Kullanıcı Deneyimi ve Kod Karşılaştırması

Ultralytics, kolaylaştırılmış bir kullanıcı deneyimine öncelik verir. YOLOX genellikle karmaşık yapılandırma dosyaları ve manuel kurulum gerektirirken, YOLO11 minimum kodla kullanılabilir.

Ultralytics YOLO11i Kullanma

Geliştiriciler, birkaç satır Python koduyla önceden eğitilmiş bir modeli yükleyebilir, çıkarım çalıştırabilir ve hatta özel veriler üzerinde eğitim yapabilir:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display results
results[0].show()

Eğitim Kolaylığı

Özel bir veri kümesinde bir YOLO11 modelini eğitmek de aynı derecede basittir. Kitaplık, veri artırmayı, hiperparametre ayarlamayı ve günlüğe kaydetmeyi otomatik olarak işler.

# Train the model on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)

Sonuç

YOLOX ankrajsız nesne algılamayı popülerleştirmede çok önemli bir rol oynarken, Ultralytics YOLO11 modern yapay zeka geliştirme için üstün bir seçimi temsil ediyor.

YOLO11, sağlam, iyi yönetilen bir ekosistem sunarken doğruluk, hız ve verimlilik açısından YOLOX'u geride bırakır. Birden çok görsel görevdeki çok yönlülüğü—detect, segmentasyon ve poz tahmini için farklı kitaplıklar kullanma ihtiyacını ortadan kaldırır—geliştirme karmaşıklığını önemli ölçüde azaltır. Aktif topluluk desteği ve kapsamlı belgeleme ile desteklenen, geleceğe dönük, yüksek performanslı bir çözüm arayan geliştiriciler için YOLO11, izlenmesi önerilen yoldur.

Daha Fazla Model Keşfedin

Belirli ihtiyaçlarınıza en uygun olanı bulmak için YOLO11'in diğer önde gelen mimarilerle nasıl karşılaştırıldığını inceleyin: