YOLOX ve YOLO11#
Bilgisayarlı görü alanındaki gelişim, yüksek doğruluk ile çıkarım hızını dengeleyen gerçek zamanlı nesne algılama çerçeveleri arayışıyla büyük ölçüde şekillendi. Bu yolculuğun en dikkat çekici kilometre taşları arasında YOLOX ve Ultralytics YOLO11 yer alıyor. Her iki model de alana önemli katkılar sağlamış olsa da temel mimarileri, tasarım felsefeleri ve geliştirici ekosistemleri önemli ölçüde farklılık gösteriyor.
Bu kapsamlı teknik karşılaştırma; bir sonraki yapay zekâ projen için bilinçli bir karar vermene yardımcı olmak üzere modellerin mimarilerini, performans ölçütlerini, eğitim yöntemlerini ve ideal dağıtım senaryolarını inceliyor.
YOLOX'e Genel Bakış#
Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından Megvii bünyesinde 18 Temmuz 2021'de tanıtılan YOLOX, YOLO serisinde önemli bir değişimi temsil etti. Çapasız bir tasarım sunarak akademik araştırma ile endüstriyel uygulama arasındaki boşluğu başarıyla kapattı.
Daha fazla teknik bilgi için özgün YOLOX Arxiv makalesini inceleyebilirsin.
Temel Mimari Özellikler#
YOLOX, ayrık bir başlık ve çapasız bir mekanizma benimseyerek geleneksel çapa tabanlı algılamadan uzaklaştı. 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 stratejileri sundu.
YOLOX, dönemine göre mükemmel doğruluk sunsa da ağırlıklı olarak sınırlayıcı kutu nesne algılamaya odaklanır ve başka karmaşık görü görevleri için kullanıma hazır yerel destek sunmaz.
YOLOX hakkında daha fazla bilgi edin
Önceden tanımlanmış çapa kutularını ortadan kaldıran YOLOX, farklı veri kümeleri için gereken sezgisel ayarları büyük ölçüde azalttı ve çapasız yöntemlere yönelik araştırmalar için güçlü bir temel model oldu.
Ultralytics YOLO11'e Genel Bakış#
Glenn Jocher ve Jing Qiu tarafından Ultralytics bünyesinde 27 Eylül 2024'te yayımlanan YOLO11, bilgisayarlı görüde çok yönlülüğü ve kullanım kolaylığını yeniden tanımlayan, son teknoloji ürünü bir modeldir. Yıllar süren temel araştırmalar üzerine kurulan YOLO11, birçok görevde üstün başarı gösteren, geliştirilmiş ve üretime hazır bir çözüm sunar.
Ultralytics Avantajı#
YOLO11 yalnızca bir nesne algılayıcı değildir; örnek segmentasyonunu, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekleyen birleşik bir çerçevedir. Hız, parametre sayısı ve doğruluk arasında sorunsuz bir dengeye öncelik veren, son derece verimli bir mimariye sahiptir.
Ayrıca YOLO11, veri etiketleme, model eğitimi ve dağıtımı için kapsamlı ve akıcı bir ekosistem sağlayan Ultralytics Platform ile tam entegre çalışır.
Performans ve Metrik Karşılaştırması#
Bu modelleri karşılaştırdığımızda performans dengesi netleşiyor. YOLO11, çoğu boyut kategorisinde kendisine karşılık gelen YOLOX modellerine kıyasla daha az parametre ve FLOP ile daha yüksek ortalama Ortalama Hassasiyet (mAP) değerine ulaşıyor.
| 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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Görüldüğü gibi YOLO11 modelleri, daha düşük parametre sayısını korurken doğrulukta YOLOX'i tutarlı biçimde geride bırakıyor. Örneğin YOLO11m yalnızca 20.1M parametreyle 51.5 mAP değerine ulaşırken YOLOXx benzer bir 51.1 mAP değerine ancak tam 99.1M parametreyle erişiyor. Eğitim ve çıkarım sırasındaki bu bellek verimliliği, YOLO11'i uç yapay zekâ cihazlarında dağıtım için son derece uygun kılıyor ve RT-DETR gibi eski veya Transformer tabanlı modellerin tipik CUDA bellek gereksinimlerini ortadan kaldırıyor.
Ultralytics modelleri, YOLOX ve Transformer tabanlı mimarilere kıyasla eğitim sırasında çok daha az GPU belleği gerektirerek araştırmacıların standart tüketici donanımlarında güçlü modeller eğitmesine olanak tanır.
Ekosistem ve Kullanım Kolaylığı#
İki çerçeve arasındaki en çarpıcı farklardan biri geliştirici deneyimidir.
YOLOX ile model eğitmek ve ONNX veya TensorRT gibi biçimlere aktarmak için genellikle depoları klonlamak, karmaşık ortamlar kurmak ve ayrıntılı komut satırı bağımsız değişkenleri çalıştırmak gerekir.
Bunun tam aksine Ultralytics YOLO11, son derece basit bir Python API ve CLI sunar. Ultralytics kitaplığı veri artırma, hiperparametre ayarı ve dışa aktarma işlemlerini otomatik olarak yönetir.
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLO11 modeli yükle
model = YOLO("yolo11n.pt")
# Modeli kendi verilerinle zahmetsizce eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Eğitilmiş modeli optimize edilmiş dağıtım için TensorRT'ye aktar
model.export(format="engine")Bakımı düzenli yapılan bu ekosistem, kapsamlı belgelerle ve deney takibi için Weights & Biases gibi araçlarla sorunsuz entegrasyonla desteklenir.
İdeal Kullanım Alanları#
Bu modeller arasındaki seçim genellikle dağıtım ortamının özelliklerine bağlıdır.
YOLOX ne zaman kullanılmalı#
- Eski Sistemler: Özellikle özgün YOLOX kod tabanı veya 2021'in başlarındaki nesne algılama yöntemleri temel alınarak oluşturulmuş, çalışır durumdaki bir hattın varsa.
- Akademik Temel Modeller: 2021 döneminin temel çapasız mimarileriyle doğrudan kıyaslama gerektiren araştırmalar yürütürken.
YOLO11 ne zaman kullanılmalı#
- Üretim Dağıtımları: Sağlam, bakımı düzenli yapılan kodun ve yüksek doğruluğun vazgeçilmez olduğu akıllı perakende veya güvenlik alarm sistemleri gibi ticari uygulamalarda.
- Çok Görevli Hatlar: Bir projenin tek ve birleşik bir çerçeve kullanarak nesneleri izlemesi, insan pozlarını tahmin etmesi ve örnekleri segmente etmesi gerektiğinde.
- Kaynakları Kısıtlı Uç Cihazlar: Düşük parametre sayısı ve yüksek iş hacmi sayesinde YOLO11, Raspberry Pi üzerinde veya CoreML ve NCNN aracılığıyla mobil uç düğümlerde dağıtım için idealdir.
İleriye Bakış: YOLO26'nın Avantajı#
YOLO11, YOLOX karşısında 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 başarısını temel alıyor ve çığır açan birçok özellik sunuyor:
- Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), daha hızlı ve basit dağıtım işlem hatları için maksimum olmayan bastırma (NMS) son işlem adımını ortadan kaldırır (bu fikir ilk olarak YOLOv10 ile araştırılmıştır). - %43'e Varan Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kaybı'nın (DFL) kaldırılması sayesinde YOLO26, CPU'larda ve düşük güçlü uç cihazlarda çok daha verimlidir.
- MuSGD Optimizasyonu: Moonshot AI'ın büyük dil modeli eğitim yeniliklerinden ilham alan MuSGD optimizasyonu, son derece kararlı eğitim süreçleri ve hızlı yakınsama sağlar.
- Gelişmiş Kayıp Fonksiyonları: ProgLoss + STAL kullanan YOLO26, küçük nesneleri tanıma konusunda kayda değer iyileştirmeler sunar; bu, drone görüntüleri ve otonom robotik için kritik önem taşır.
Modern bilgisayarlı görü görevlerinin büyük çoğunluğunda, işlem hattını YOLO26 kullanacak şekilde yükseltmek hız, doğruluk ve dağıtım kolaylığı arasında mümkün olan en iyi dengeyi sağlar.