Link to this sectionYOLOX ve YOLO26: Anchor-Free'dan Uçtan Uca Nesne Algılamaya Evrim#

Bilgisayarlı görü alanı, geçtiğimiz on yılda inanılmaz değişimlere tanık oldu. Bu yolculuktaki iki önemli dönüm noktası; anchor-free mimarileri popülerleştiren YOLOX'un piyasaya sürülmesi ve tamamen uçtan uca, NMS içermeyen tasarımıyla gerçek zamanlı performansı yeniden tanımlayan Ultralytics YOLO26'nın yakın zamanda tanıtılmasıdır. Bu kapsamlı karşılaştırma, geliştiricilerin bir sonraki yapay zeka projeleri için bilinçli kararlar almalarına yardımcı olmak amacıyla mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını inceliyor.

Link to this sectionModel Genel Bakışları#

Her bir modelin kökenlerini ve temel tasarım hedeflerini anlamak, ilgili teknik başarıları için gerekli bağlamı sağlar.

Link to this sectionYOLOX#

Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
Kuruluş: Megvii
Tarih: 2021-07-18
Arxiv: 2107.08430
GitHub: Megvii-BaseDetection/YOLOX
Dokümanlar: YOLOX ReadTheDocs

2021 yılının ortalarında tanıtılan YOLOX, ayrıştırılmış bir baş (decoupled head) ve SimOTA olarak bilinen gelişmiş etiket atama stratejisi ile birlikte anchor-free bir tasarım benimseyerek büyük bir değişimi temsil etti. Önceki mimarilere hakim olan geleneksel anchor box mekanizmalarından uzaklaşan YOLOX, nesne algılama için zarif ancak oldukça etkili bir çerçeve sunarak akademik araştırma ile endüstriyel uygulama arasındaki boşluğu başarıyla doldurdu.

YOLOX hakkında daha fazla bilgi edinin

Link to this sectionYOLO26#

Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2026-01-14
GitHub: ultralytics/ultralytics
Platform: Ultralytics Platform

2026'nın başlarında piyasaya sürülen YOLO26, kenar (edge) dağıtımına ve basitleştirilmiş eğitim süreçlerine yoğun bir şekilde odaklanan yılların yinelemeli iyileştirmelerinin zirvesidir. Geleneksel Non-Maximum Suppression (NMS) son işleme adımını tamamen ortadan kaldıran uçtan uca NMS-free bir tasarım sunar. Bu buluş, model dağıtımını farklı donanımlarda büyük ölçüde basitleştirir. Ayrıca, Distribution Focal Loss (DFL) modülünü kaldırarak YOLO26, modern bilgisayarlı görü uygulamaları için en iyi tercih statüsünü sağlamlaştırarak önemli ölçüde daha düşük gecikme süresi elde eder.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionMimari Yenilikler#

Bu iki modelin mimarileri, özellikle kayıp fonksiyonları ve son işleme (post-processing) süreçleri açısından derin öğrenme metodolojilerinin hızlı ilerleyişini vurgulamaktadır.

Link to this sectionYOLOX Yaklaşımı#

YOLOX, sınıflandırma ve regresyon görevlerini tahmin başlığında ayrıştırarak eğitim sırasında yakınsamayı önemli ölçüde hızlandırdı. Anchor-free yapısı tasarım parametrelerinin sayısını azaltarak eğitim öncesinde karmaşık anchor ayarı yapma ihtiyacını hafifletti. SimOTA etiket atama algoritması ile birleştiğinde YOLOX, özellikle COCO dataset gibi standart kıyaslamalarda kendi dönemi için son teknoloji sonuçlara ulaştı.

Link to this sectionYOLO26 Avantajı#

YOLO26, mimari verimliliği bir üst seviyeye taşıyor. NMS'in kaldırılması yalnızca çıkarım (inference) gecikmesini azaltmakla kalmıyor, aynı zamanda otonom araçlar ve robotik için kritik bir faktör olan tutarlı ve deterministik çalışma süreleri sağlıyor.

Önemli YOLO26 yenilikleri şunlardır:

• MuSGD Optimizer: Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen bu SGD ve Muon melezi, son derece kararlı eğitim süreçleri ve daha hızlı yakınsama sağlar.
• %43'e kadar Daha Hızlı CPU Çıkarımı: DFL'i ortadan kaldırarak ve ağ mimarisini kolaylaştırarak YOLO26, basit IoT sensörlerinden Raspberry Pi kartlarına kadar kaynak kısıtlı uç cihazlar için büyük ölçüde optimize edilmiştir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri analizi ve üretim otomasyonunda hassas kalite kontrolü gerçekleştirmek için kritik olan küçük nesne tanıma konusunda kayda değer iyileştirmeler sağlar.

Link to this sectionPerformans ve Kıyaslamalar#

Üretim ortamları için modelleri değerlendirirken hassasiyet, hız ve hesaplama karmaşıklığı arasındaki dengeyi analiz etmek çok önemlidir. Aşağıda, 640 piksel (nano/tiny varyantları için 416) görüntü boyutunda değerlendirilen standart modellerin ayrıntılı bir karşılaştırması yer almaktadır.

Tabloda görüldüğü gibi, YOLO26 serisi üstün bir performans dengesi sağlar. Örneğin, YOLO26x, YOLOXx modelinin parametrelerinin neredeyse yarısını kullanırken etkileyici bir 57.5 mAP elde eder; bu da doğrudan daha hızlı GPU çıkarım sürelerine (16.1 ms yerine 11.8 ms) ve çok daha üstün dağıtım esnekliğine dönüşür.

Link to this sectionEğitim ve Ekosistem Deneyimi#

Bu mimariler arasındaki en derin farklardan biri, kullanılabilirlikleri ve ekosistem desteklerinde yatmaktadır.

YOLOX, gradyan akışını ve anchor-free mekaniğini inceleyen araştırmacılar için temel bir depo olmaya devam etse de, kurulumu karmaşık olabilir ve genellikle bağımlılıkların ve operatörlerin manuel olarak yapılandırılmasını gerektirir. Buna karşılık, Ultralytics ekosistemi, kullanım kolaylığı konusunda endüstri standardını belirler.

Birleşik Python API'sini kullanarak, YOLO26 modellerini benzersiz bir basitlikle başlatabilir, eğitebilir ve dağıtabilirsin. Sistem, veri seti indirme, hiperparametre ayarlama ve ONNX, TensorRT ve OpenVINO gibi formatlara sorunsuz dışa aktarma işlemlerini doğal olarak yönetir.

from ultralytics import YOLO

# Initialize the cutting-edge, end-to-end YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model efficiently with built-in MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance on the validation set
metrics = model.val()

# Export the optimized model for edge deployment
model.export(format="onnx")

Ayrıca, Ultralytics YOLO modelleri, ağır transformer tabanlı alternatiflere kıyasla eğitim sırasında önemli ölçüde daha düşük bellek gereksinimlerine sahiptir ve bu sayede mühendislerin tüketici sınıfı donanımlarda bile daha büyük yığın (batch) boyutlarıyla eğitim yapmalarına olanak tanır.

Link to this sectionGerçek Dünya Uygulamaları#

YOLOX ve YOLO26 arasında seçim yapmak, sonuçta senin dağıtım kısıtlamalarına ve çok görevli ihtiyaçlarına bağlıdır.

Link to this sectionYOLOX'un Öne Çıktığı Yerler#

YOLOX, belirli akademik kıyaslamalar ve MegEngine çerçevesiyle derinlemesine entegre edilmiş eski sistemler için uygun bir aday olmaya devam ediyor. Tarihsel önemi, onu anchor-free dedektörleri ve özel atama stratejileri araştırmak için popüler bir temel (baseline) yapmaktadır.

Link to this sectionYOLO26'nın Öne Çıktığı Yerler#

YOLO26, temel olarak modern endüstriyel uygulamalar için tasarlanmıştır. Örnek segmentasyonu (instance segmentation), poz tahmini (pose estimation) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) desteğini doğal olarak barındırdığı için standart algılama motorlarından çok daha yönlüdür.

• Akıllı Perakende ve Envanter: NMS-free tasarımını kullanmak, otomatik ödeme sistemlerinin video akışlarını ultra düşük gecikmeyle işlemesini garanti eder ve son işleme döngülerinin darboğazı olmadan ürünleri tanır.
• Drone ve Hava Analitiği: OBB için özel açı kaybı ve ProgLoss + STAL entegrasyonu, YOLO26'yı geniş uydu görüntülerindeki döndürülmüş nesneleri ve küçük yapıları algılamada rakipsiz kılar.
• Uç Güvenlik Sistemleri: %43 daha hızlı CPU çıkarımı ile YOLO26, şirketlerin pahalı bulut hesaplama gücüne ihtiyaç duymadan, sağlam güvenlik analitiğini doğrudan ucuz yerel donanımlar üzerinde çalıştırmasına olanak tanır.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOX ve YOLO26 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLOX Seçilmeli#

YOLOX şunlar için güçlü bir tercihtir:

• Anchor-Free Algılama Araştırmaları: Yeni algılama başlıkları veya kayıp fonksiyonlarını denemek için YOLOX'un temiz, anchor-free mimarisini temel olarak kullanan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (0.91M parametre) kritik olduğu mikrodenetleyicilerde veya eski mobil donanımlarda dağıtım yapmak.
• SimOTA Etiket Atama Çalışmaları: Optimum taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini araştıran araştırma projeleri.

Link to this sectionNe Zaman YOLO26 Seçilmeli#

YOLO26 şunlar için önerilir:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionDiğer Ultralytics Modellerini Keşfetme#

Bilgisayarlı görünün evrimini keşfediyorsan, Ultralytics ailesinde araştırmaya değer başka yetenekli modeller de mevcuttur:

• YOLO11: Kararlı üretim ortamları için sağlam performans ve yaygın topluluk desteği sunan, YOLO26'nın doğrudan öncüsü.
• YOLOv8: Binlerce gerçek dünya uygulamasında kullanım kolaylığı ve esneklik konusunda standardı belirleyen, yoğun bir şekilde test edilmiş bir mimari.

Sonuç olarak, YOLOX nesne algılama dünyasına önemli kavramlar getirmiş olsa da, yeni YOLO26 hız, doğruluk ve dağıtım kolaylığında nesiller arası bir sıçrama sağlayarak onu ileri görüşlü geliştiriciler ve işletmeler için kesin tercih haline getiriyor.