YOLOX ve YOLO26: Nesne Algılama Mimarilerinin Karşılaştırmalı Analizi

Nesne algılamanın hızla gelişen ortamında, belirli uygulamanız için doğru modeli belirlemek kritik öneme sahiptir. Bu kapsamlı kılavuz, Megvii'den yüksek performanslı, anchor-free bir dedektör olan YOLOX'u ve uç cihaz verimliliği ile uçtan uca dağıtım için tasarlanmış en son teknoloji ürünü model olan Ultralytics YOLO26'yı karşılaştırmaktadır.

Mimarilerini, performans metriklerini ve eğitim metodolojilerini analiz ederek, geliştiricilerin ve araştırmacıların gerçek dünya bilgisayar görüşü projeleri için bilinçli kararlar almalarına yardımcı olmayı amaçlıyoruz.

Yönetici Özeti

Her iki model de YOLO soy ağacında önemli kilometre taşlarını temsil etmektedir. YOLOX (2021), anchor-free detection ve ayrık başlıkları popülerleştirmede, akademik araştırma ile endüstriyel uygulama arasındaki boşluğu doldurmada etkili olmuştur. YOLO26 (2026) ise, Non-Maximum Suppression (NMS)'ı ortadan kaldıran, yerel olarak uçtan uca bir tasarımla sınırları daha da zorlayarak daha hızlı CPU çıkarımı ve küçük nesnelerde üstün doğruluk elde etmektedir.

Çoğu modern uygulama için, özellikle uç cihazlara dağıtılan veya kolaylaştırılmış entegrasyon gerektirenler için, YOLO26 daha sağlam bir ekosistem, daha düşük gecikme süresi ve daha basit dağıtım iş akışları sunar.

YOLOX: Bağlantısız Öncü

YOLOX, YOLO serisini anchor-free bir mekanizmaya geçirdi ve ayrık bir başlık (decoupled head) ve SimOTA etiket ataması gibi diğer gelişmiş detect tekniklerini entegre etti.

YOLOX hakkında daha fazla bilgi edinin

Teknik Özellikler

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş:Megvii
• Tarih: 18 Temmuz 2021
• Bağlantılar:Arxiv, GitHub, Belgeler

Temel Mimari Özellikler

1. Anchor-Free Mekanizması: Önceden tanımlanmış anchor kutuları kullanan YOLOv4 veya YOLOv5 gibi öncüllerin aksine, YOLOX sınırlayıcı kutuları doğrudan tahmin eder. Bu, farklı veri kümeleri için gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını azaltır.
2. Ayrık Başlık (Decoupled Head): YOLOX, sınıflandırma ve konumlandırma görevlerini farklı "başlıklara" ayırır. Bu ayrım, sınıflandırma güveni ile regresyon doğruluğu arasındaki çelişkiyi çözerek daha hızlı yakınsama ve daha iyi performans sağlar.
3. SimOTA: Pozitif örnekleri ground truth'lara dinamik olarak atayan, eğitim kararlılığını ve doğruluğunu artıran basitleştirilmiş bir optimal taşıma atama stratejisidir.
4. Çoklu Pozitifler: Anchor-free detectörlerdeki pozitif/negatif örneklerin aşırı dengesizliğini azaltmak için YOLOX, merkezdeki 3x3 alanı pozitif olarak atar.

Ultralytics YOLO26: Uçtan Uca Uç Cihaz Uzmanı

YOLO26, verimlilik için sıfırdan tasarlanmıştır; çıkarım hattındaki darboğazları ortadan kaldırarak hem CPU'larda hem de GPU'larda maksimum hız sunar.

YOLO26 hakkında daha fazla bilgi edinin

Teknik Özellikler

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş:Ultralytics
• Tarih: 14 Ocak 2026
• Bağlantılar:GitHub, Belgeler

Temel Mimari Yenilikler

1. Uçtan Uca NMS-Free Tasarım: YOLO26, doğal olarak uçtan ucadır. Non-Maximum Suppression (NMS) son işlem gerektirmeyen tahminler üreterek, dağıtım sırasında gecikmeyi ve karmaşıklığı önemli ölçüde azaltır. Bu çığır açan gelişme, YOLOv10'dan ilham alınarak üretim kararlılığı için iyileştirilmiştir.
2. DFL Kaldırılması: Model dışa aktarımını basitleştirmek için Distribution Focal Loss (DFL) modülü kaldırılmıştır. Bu, modeli uç/düşük güçlü cihazlar ve TensorRT ve CoreML gibi hızlandırıcı araç zincirleriyle daha uyumlu hale getirir.
3. MuSGD Optimize Edici: SGD ve Muon'u birleştiren yeni bir hibrit optimize edicidir. LLM eğitiminden (özellikle Moonshot AI'nin Kimi K2'sinden) esinlenilen bu optimize edici, eğitim kararlılığını artırır ve görme görevleri için yakınsamayı hızlandırır.
4. ProgLoss + STAL: Aşamalı Kayıp Dengeleme (Progressive Loss Balancing) ve Küçük Hedef Farkındalıklı Etiket Ataması (Small-Target-Aware Label Assignment - STAL) kombinasyonu, drone görüntüleri ve IoT sensörleri için kritik olan küçük nesnelerin detect edilmesini önemli ölçüde iyileştirir.
5. Görev Çok Yönlülüğü: Öncelikli olarak bir detectör olan YOLOX'un aksine, YOLO26 kutudan çıkar çıkmaz Instance Segmentation, Pose Estimation, Classification ve Oriented Bounding Box (OBB) görevlerini destekler.

Performans Karşılaştırması

Aşağıdaki tablo, modeller arasındaki performans farklılıklarını vurgulamaktadır. YOLOX 2021'de rekabetçi olsa da, YOLO26 beş yıllık mimari evrim boyunca kaydedilen ilerlemeleri, özellikle çıkarım hızı ve parametre verimliliği açısından göstermektedir.

Analiz:

• Doğruluk: YOLO26, tüm ölçeklerde YOLOX'u sürekli olarak geride bırakmaktadır. Örneğin, YOLO26s elde eder %48,6 mAP, önemli ölçüde daha yüksek olan YOLOX-s %40,5'lik, ve çok daha büyük olanla rekabet eden YOLOX-l (%49,7) oranında, hesaplama gücünün çok daha azını kullanarak.
• Hız: YOLO26, uçtan uca mimarisini kullanarak son derece düşük gecikme süresi elde eder. YOLO26 için TensorRT hızları, NMS yükünün kaldırılması sayesinde eşdeğer YOLOX modellerinden genellikle 2 kat daha hızlıdır.
• Verimlilik: YOLO26'da FLOPs-Doğruluk oranı çok daha üstündür. YOLO26n ile karşılaştırılabilir doğruluk elde eder YOLOX-s (%40,9'a karşılık %40,5) ancak yaklaşık 5 kat daha az FLOPs ile (5,4B'ye karşılık 26,8B).

Eğitim ve Ekosistem

Geliştirici deneyimi, bu iki çerçeve arasındaki temel farklılaştırıcılardan biridir.

Kullanım Kolaylığı ve Ekosistem

Ultralytics, kolaylaştırılmış bir kullanıcı deneyimine öncelik verir. YOLO26 ile veri doğrulama, eğitim ve dağıtımı sorunsuz bir şekilde yöneten birleşik bir Python paketine erişim sağlarsınız.

• Basit API: Bir modeli 3 satır Python koduyla eğitin.
• Entegre Araçlar: Deney takibi, veri kümesi yönetimi ve ONNX, TFLite ve OpenVINO gibi formatlara model dışa aktarımı için yerel destek.
• Dokümantasyon: Kapsamlı ve sürekli güncellenen Ultralytics Dokümanları, asla takılıp kalmamanızı sağlar.

Buna karşılık, YOLOX daha geleneksel bir araştırma kod tabanı yapısına dayanır ve bu da veri kümesi yolları, artırmalar ve dağıtım betikleri için daha fazla manuel yapılandırma gerektirebilir.

Eğitim Metodolojileri

• YOLO26: Kararlılık için MuSGD optimize edicisini kullanır ve otomatik toplu işlem ile otomatik sabitleme özelliklerinden faydalanır (çapa içermeyen yapılar için daha az ilgili olsa da, dahili ölçeklendirme hala geçerlidir). Ayrıca hızlı yakınsama için optimize edilmiş Mosaic ve Mixup artırmalarını da destekler.
• YOLOX: Yüksek performansında önemli bir faktör olan Mosaic ve Mixup dahil güçlü bir artırma hattı sunmuştur. Genellikle en yüksek doğruluğa ulaşmak için daha uzun eğitim programları (300 dönem) gerektirir.

Bellek Gereksinimleri

YOLO26 bellek verimliliği için optimize edilmiştir. Basitleştirilmiş kayıp fonksiyonları (DFL kaldırma) ve optimize edilmiş mimarisi, eski çapa içermeyen mimarilere kıyasla eğitim sırasında daha düşük VRAM kullanımına neden olur. Bu, tüketici GPU'larında daha büyük toplu işlem boyutlarına olanak tanıyarak deneyleri hızlandırır.

Kullanım Alanları ve Uygulamalar

YOLO26'nın Üstün Olduğu Alanlar

• Uç Bilişim: %43'e kadar daha hızlı CPU çıkarımı ve DFL kaldırma ile YOLO26, Raspberry Pi ve mobil dağıtımlar için ideal bir seçimdir.
• Gerçek Zamanlı Video Analizi: NMS içermeyen tasarım, otonom sürüş veya güvenlik alarm sistemleri gibi güvenliğin kritik olduğu uygulamalar için hayati önem taşıyan deterministik gecikme süresi sağlar.
• Karmaşık Görevler: Projeniz segmentation veya pose estimation gerektiriyorsa, YOLO26 bu yetenekleri aynı çerçeve içinde sunarken, YOLOX öncelikli olarak bir nesne dedektörüdür.

YOLOX'un Kullanıldığı Yerler

• Araştırma Temelleri: YOLOX, temiz çapa içermeyen uygulaması nedeniyle akademik makalelerde sıklıkla karşılaştırmalı bir temel olarak kullanılır.
• Eski Sistemler: 2021-2022 yıllarında başlatılan ve YOLOX kod tabanını yoğun bir şekilde özelleştiren projeler, geçişin kaynak yoğun olduğunu düşünebilir, ancak YOLO26'nın performans kazanımları genellikle bu çabayı haklı çıkarır.

Kod Örneği: YOLO26 ile Başlarken

YOLO26'ya geçiş basittir. Aşağıda, önceden eğitilmiş bir modelin nasıl yükleneceğine ve çıkarım yapılacağına dair eksiksiz bir örnek bulunmaktadır.

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (automatically downloads weights)
model = YOLO("yolo26n.pt")

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

# Display results
for result in results:
    result.show()  # Show image with bounding boxes

# Export to ONNX for deployment
model.export(format="onnx")

Bu basit kod parçacığı, eski araştırma depolarının sıklıkla gerektirdiği yüzlerce satırlık standart kodu değiştirir.

Sonuç

While YOLOX, çapa içermeyen tasarımları doğrulayarak nesne tespit tarihinde önemli bir rol oynamış olsa da, Ultralytics YOLO26 verimli, dağıtılabilir yapay zekanın geleceğini temsil etmektedir.

NMS içermeyen uçtan uca mimarisi, üstün doğruluk-hesaplama oranı ve Ultralytics ekosisteminin sağlam desteğiyle YOLO26, hem yeni geliştirmeler hem de mevcut görüntü işleme hatlarını yükseltmek için önerilen seçimdir.

Daha Fazla Okuma

• Karşılaştırma için YOLO11 ve YOLOv8 gibi diğer modelleri keşfedin.
• Maksimum hız için modelleri dışa aktarma hakkında bilgi edinin.
• En son eğitimler ve kullanım senaryoları için Ultralytics Blogu'na göz atın.

Yorumlar