Başla

YOLOX ve YOLO26

Bilgisayarlı görü alanı son on yılda önemli ölçüde değişti. Bu yolculuktaki iki dönüm noktası, ankorsuz mimarileri yaygınlaştıran YOLOX'in yayımlanması ve gerçek zamanlı tespite yerel, uçtan uca ve NMS içermeyen bir tasarım getiren Ultralytics YOLO26 modelinin tanıtılmasıdır. Bu karşılaştırma, geliştiricilerin bir sonraki yapay zekâ projeleri için bilinçli kararlar vermesine yardımcı olmak amacıyla bu modellerin mimarilerini, performans ölçütlerini ve ideal dağıtım senaryolarını inceliyor.

Modellere Genel Bakış#

Her modelin kökenini ve temel tasarım hedeflerini anlamak, ilgili teknik başarıları değerlendirmek için önemli bir bağlam sağlar.

YOLOX#

2021'in ortalarında tanıtılan YOLOX, ankorsuz bir tasarımı ayrıştırılmış bir başlık ve SimOTA etiket atama stratejisiyle birleştirerek büyük bir değişimi temsil etti. Önceki mimarilere hâkim olan geleneksel bağlantı kutusu mekanizmalarından uzaklaşan YOLOX, nesne tespiti için basit ve etkili bir çerçeve sunarak akademik araştırmayla endüstriyel uygulama arasındaki uçurumu kapatmaya yardımcı oldu.

YOLOX hakkında daha fazla bilgi edin

YOLO26#

Ocak 2026'da yayımlanan YOLO26, uç dağıtımına ve basitleştirilmiş eğitim işlem hatlarına odaklanarak yıllar süren yinelemeli iyileştirmeleri temel alır. Geleneksel Maksimum Olmayan Bastırma (NMS) son işlem adımını atlayan, isteğe bağlı uçtan uca ve NMS içermeyen bir bire bir başlık (nms=False) sunar; bu da modelin çeşitli donanımlara dağıtımını kolaylaştırır. Distribution Focal Loss (DFL) modülünün kaldırılması da başlığı basitleştirip gecikmeyi azaltarak YOLO26'yı modern bilgisayarlı görü uygulamaları için güçlü bir seçenek hâline getirir.

Mimari Yenilikler#

Bu iki modelin mimarileri, özellikle kayıp işlevleri ve işlem sonrası adımlar açısından derin öğrenme yöntemlerinin hızlı ilerleyişini gözler önüne seriyor.

YOLOX Yaklaşımı#

YOLOX, tahmin başlığında sınıflandırma ve regresyon görevlerini birbirinden ayırarak eğitim sırasındaki yakınsamayı önemli ölçüde hızlandırdı. Çapasız yapısı tasarım parametrelerinin sayısını azaltarak eğitim öncesinde karmaşık çapa ayarlarına duyulan ihtiyacı hafifletti. SimOTA etiket atama algoritmasıyla birlikte YOLOX, özellikle COCO veri kümesi gibi standart kıyaslamalarda, döneminin en iyi sonuçlarına ulaştı.

YOLO26'nın Avantajı#

YOLO26 mimari verimliliğe odaklanır. NMS'nin kaldırılması yalnızca çıkarım gecikmesini azaltmakla kalmaz, aynı zamanda otonom araçlar ve robotik için kritik bir etken olan tutarlı, öngörülebilir yürütme süreleri de sağlar.

YOLO26'nın temel yenilikleri:

  • MuSGD İyileştiricisi: Büyük Dil Modeli (LLM) eğitim tekniklerinden ilham alan bu SGD ve Muon hibriti, kararlı eğitim çalıştırmaları ve daha hızlı yakınsama sağlar.
  • CPU'da %43'e Varan Daha Hızlı Çıkarım: DFL'nin kaldırılması ve mimarinin sadeleştirilmesiyle YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu özellik basit IoT sensörlerinden Raspberry Pi kartlarına kadar kaynakları kısıtlı uç cihazlara uygundur.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması (STAL), hava görüntülerini analiz etmek ve üretim otomasyonunda hassas kalite kontrolü gerçekleştirmek açısından kritik olan küçük nesne tespitini iyileştirir.
Uç Cihazları Önceleyen Optimizasyon

Projen özel GPU'lar olmadan gömülü sistemleri veya mobil uygulamaları hedefliyorsa YOLO26'nın optimize edilmiş CPU performansı, önceki nesil modellere kıyasla daha düşük hesaplama yüküyle önemli bir avantaj sağlar.

Performans ve Kıyaslamalar#

Üretim ortamları için modelleri değerlendirirken doğruluk, hız ve hesaplama karmaşıklığı arasındaki dengeyi incelemek çok önemlidir. Aşağıda, 640 piksellik görüntü boyutunda (nano/tiny varyantları için 416 pikselde) değerlendirilen standart modellerin ayrıntılı karşılaştırması yer alıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Tabloda gösterildiği gibi YOLO26 serisi daha iyi bir performans dengesi sunar. Örneğin YOLO26x, YOLOXx modelinden yaklaşık %44 daha az parametreyle 57.5 mAP değerine ulaşır ve GPU'da daha hızlı çıkarım sağlar (11.8 ms'ye karşı 16.1 ms).

Eğitim ve Ekosistem Deneyimi#

Bu mimariler arasındaki en büyük farklardan biri kullanılabilirlikleri ve ekosistem desteğidir.

YOLOX, ankorsuz mekanizmaları ve etiket atamasını inceleyen araştırmacılar için temel bir depo olmayı sürdürse de kurulumu karmaşık olabilir ve çoğu zaman bağımlılıklarla operatörlerin elle yapılandırılmasını gerektirir. Buna karşılık Ultralytics ekosistemi kullanım kolaylığı için tasarlanmıştır.

Birleşik Python API'siyle geliştiriciler YOLO26 modellerini birkaç satır kodla başlatabilir, eğitebilir ve dağıtabilir. Bu API, veri kümelerinin indirilmesini yönetir, hiperparametre ayarını destekler ve modelleri ONNX, TensorRT ve OpenVINO gibi biçimlere aktarır.

from ultralytics import YOLO

# Uçtan uca YOLO26 küçük modelini başlat
model = YOLO("yolo26s.pt")

# Modeli eğit; optimizer="auto", uzun çalıştırmalarda (>10k iterasyon) MuSGD'yi seçer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Modelin doğrulama kümesindeki performansını doğrula
metrics = model.val()

# Uçta dağıtım için optimize edilmiş modeli dışa aktar
model.export(format="onnx")

Ultralytics YOLO modelleri, eğitim sırasında ağır Transformer tabanlı alternatiflere kıyasla genellikle daha az bellek gerektirir; böylece mühendisler tüketici sınıfı donanımlarda bile daha büyük toplu iş boyutlarıyla eğitim yapabilir.

Gerçek Dünya Uygulamaları#

YOLOX ile YOLO26 arasındaki seçim, sonuç olarak dağıtım kısıtlarına ve çoklu görev gereksinimlerine bağlıdır.

YOLOX'in Öne Çıktığı Alanlar#

YOLOX, belirli akademik kıyaslamalar ve özgün YOLOX kod tabanı üzerine kurulmuş eski sistemler için geçerli bir seçenek olmaya devam ediyor. Tarihsel önemi, onu ankorsuz algılayıcıları ve özel atama stratejilerini araştırmak için popüler bir temel hâline getiriyor.

YOLO26'nın Öne Çıktığı Alanlar#

YOLO26, modern endüstriyel uygulamalar için tasarlanmıştır. Örnek bölümlemeyi, anlamsal bölümlemeyi, derinlik kestirimini, görüntü sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) yerel olarak desteklediği için yalnızca tespit yapan modellerden daha çok yönlüdür.

  • Akıllı Perakende ve Envanter: NMS içermeyen tasarım, otomatik ödeme sistemlerinin video akışlarını düşük gecikmeyle işlemesine ve ürünleri son işlem darboğazı olmadan tanımasına yardımcı olur.
  • Drone ve Hava Analitiği: OBB için özel açı kaybı ile ProgLoss + STAL, YOLO26'yı büyük uydu görüntülerindeki döndürülmüş nesneleri ve küçük ayrıntıları tespit etmek için son derece uygun kılar.
  • Uç Güvenlik Sistemleri: YOLO26, CPU'da %43'e kadar daha hızlı çıkarım (YOLO26n ile YOLO11n karşılaştırıldığında) sayesinde şirketlerin pahalı bulut hesaplama kaynakları gerektirmeden güçlü güvenlik analizlerini doğrudan uygun maliyetli yerel donanımlara dağıtmasına olanak tanır.

Kullanım Alanları ve Öneriler#

YOLOX ile YOLO26 arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOX Ne Zaman Seçilmeli#

YOLOX şu durumlarda iyi bir tercihtir:

  • Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
  • Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (0.91M parametre) kritik olduğu mikrodenetleyicilere veya eski mobil donanımlara dağıtım.
  • SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini inceleyen araştırma projeleri.

YOLO26'yı Ne Zaman Seçmeli?#

YOLO26 şu durumlar için önerilir:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
  • Küçük Nesne Tespiti: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu artırdığı hava drone görüntüleri veya IoT sensörü analizleri gibi zorlu senaryolar.

Diğer Ultralytics Modellerini Keşfet#

Bilgisayarlı görünün gelişimini inceliyorsan Ultralytics ailesinde araştırmaya değer başka yetenekli modeller de var:

  • YOLO11: YOLO26'nın hemen önceki modeli; kararlı üretim ortamları için güçlü performans ve geniş topluluk desteği sunar.
  • YOLOv8: Binlerce gerçek dünya dağıtımında kullanım kolaylığı ve esneklik standardını belirleyen, sahada kendini kanıtlamış bir mimari.

Sonuç olarak YOLOX, nesne tespitine önemli kavramlar kazandırdı; YOLO26 ise hız, doğruluk ve dağıtım kolaylığında nesiller arası bir iyileşme sunarak yeni projeler için önerilen seçenek hâline geliyor.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.