YOLOX ve YOLO26 karşılaştırması#

Bilgisayarlı görü alanı, son on yılda inanılmaz dönüşümlere tanık oldu. Bu yolculuktaki iki önemli kilometre taşı, çıpasız mimarileri popülerleştiren YOLOX'un piyasaya sürülmesi ve yerel olarak uçtan uca, NMS'siz bir tasarımla gerçek zamanlı performansı tamamen yeniden tanımlayan Ultralytics YOLO26'nın yakın zamanda sunulmasıdır. Bu kapsamlı karşılaştırma, geliştiricilerin bir sonraki yapay zeka projeleri için bilinçli kararlar almasına yardımcı olmak amacıyla mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını inceler.

Model Genel Bakışları#

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

YOLOX#

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 GitHub Docs

2021'in ortalarında tanıtılan YOLOX; çıpasız bir tasarımı, ayrıştırılmış bir başlık ve SimOTA olarak bilinen gelişmiş etiket atama stratejisiyle birleştirerek büyük bir değişimi temsil etti. Önceki mimarilere hakim olan geleneksel çapa kutusu mekanizmalarından uzaklaşarak, akademik araştırma ile endüstriyel uygulama arasındaki boşluğu başarıyla kapattı ve nesne tespiti için zarif ama son derece etkili bir çerçeve sundu.

YOLOX hakkında daha fazla bilgi edinin

YOLO26#

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

2026'nın başlarında yayınlanan YOLO26, uç dağıtıma ve basitleştirilmiş eğitim boru hatlarına yoğun bir şekilde odaklanan, yıllar süren yinelemeli iyileştirmelerin zirvesidir. Geleneksel NMS (Non-Maximum Suppression) son işlem adımını tamamen ortadan kaldıran uçtan uca NMS'siz bir tasarım sunar. Bu çığır açan gelişme, farklı donanımlar genelinde model dağıtımını büyük ölçüde basitleştirir. Dahası, Dağılımsal Odak Kaybı (DFL) modülünü kaldıran YOLO26, çok daha düşük gecikme süresi elde ederek modern bilgisayarlı görü uygulamaları için bir numaralı tercih statüsünü pekiştirir.

YOLO26 hakkında daha fazla bilgi edin

Mimari Yenilikler#

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

YOLOX Yaklaşımı#

YOLOX, tahmin başlığındaki sınıflandırma ve regresyon görevlerini ayrıştırarak eğitim sırasındaki yakınsamayı önemli ölçüde hızlandırdı. Çıpasız yapısı tasarım parametrelerinin sayısını azaltarak, eğitim öncesinde karmaşık çapa ayarlaması ihtiyacını hafifletti. SimOTA etiket atama algoritmasıyla birleştirilen YOLOX, özellikle COCO veri kümesi gibi standart kıyaslamalarda dönemi için son teknoloji sonuçlar elde etti.

YOLO26 Avantajı#

YOLO26 mimari verimliliği bir sonraki seviyeye taşıyor. NMS'nin kaldırılması yalnızca çıkarım gecikmesini azaltmakla kalmaz, aynı zamanda tutarlı, belirleyici yürütme süreleri sağlar; bu da otonom araçlar ve robotik için kritik bir faktördür.

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 Varan Daha Hızlı CPU Çıkarımı: DFL'yi ortadan kaldırarak ve ağ mimarisini kolaylaştırarak YOLO26, basit IoT sensörlerinden Raspberry Pi kartlarına kadar kaynak kısıtlı uç cihazlar için yoğun bir şekilde optimize edilmiştir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntülerini analiz etmek ve üretim otomasyonunda hassas kalite kontrolü gerçekleştirmek için kritik önem taşıyan küçük nesne tanımada belirgin iyileştirmeler sağlar.

Performans 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.

Tablonun da gösterdiği gibi, YOLO26 serisi üstün bir performans dengesi sunar. Örneğin, YOLO26x modeli, YOLOXx modelinin parametrelerinin neredeyse yarısını kullanırken etkileyici bir 57.5 mAP elde eder; bu da doğrudan daha hızlı GPU çıkarım sürelerine (16.1 ms'ye karşı 11.8 ms) ve çok daha üstün dağıtım esnekliğine dönüşür.

Eğitim ve Ekosistem Deneyimi#

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

YOLOX, gradyan akışını ve çıpasız mekanikleri inceleyen araştırmacılar için temel bir depo olmaya devam ederken, 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 kullanan geliştiriciler, eşsiz bir basitlikle YOLO26 modellerini başlatabilir, eğitebilir ve dağıtabilir. Sistem, veri kümesi indirmeyi, hiperparametre ayarlamayı ve ONNX, TensorRT ve OpenVINO gibi formatlara sorunsuz dış aktarımı doğası gereği 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.

Gerçek Dünya Uygulamaları#

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

YOLOX'un Öne Çıktığı Yerler#

YOLOX, belirli akademik kıyaslamalar ve MegEngine çerçevesiyle derinlemesine entegre edilmiş eski sistemler için uygun bir aday olmaya devam etmektedir. Tarihsel önemi, onu çıpasız dedektörleri ve özel atama stratejilerini araştırmak için popüler bir temel çizgi haline getirmektedir.

YOLO26'nın Öne Çıktığı Yerler#

YOLO26 temel olarak modern endüstriyel uygulamalar için tasarlanmıştır. Örnek bölütleme, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) desteğini yerel olarak sunduğu için standart algılama motorlarından çok daha çok 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.

Kullanım Durumları ve Öneriler#

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

Ne 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.

Ne 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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Diğer Ultralytics Modellerini Keşfetme#

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

• YOLO11: İstikrarlı üretim ortamları için güçlü performans ve yaygın topluluk desteği sunan YOLO26'nın doğrudan öncesindeki sürümü.
• YOLOv8: Binlerce gerçek dünya dağıtımında kullanım kolaylığı ve esneklik açısından standardı belirlemiş, sahada 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.