YOLOX ve YOLO26#

Bilgisayarlı görü alanı, geçtiğimiz on yılda olağanüstü dönüşümlere tanık oldu. Bu yolculuktaki iki önemli kilometre taşı, çapasız mimarileri yaygınlaştıran YOLOX'in yayımlanması ve yerel uçtan uca, NMS'siz tasarımıyla gerçek zamanlı performansı baştan tanımlayan Ultralytics YOLO26'nın yakın zamanda kullanıma sunulmasıdır. Bu kapsamlı karşılaştırma, geliştiricilerin bir sonraki yapay zekâ projeleri için bilinçli kararlar vermesine yardımcı olmak amacıyla 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#

• 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
• Belgeler: YOLOX GitHub Belgeleri

2021'in ortalarında tanıtılan YOLOX, çapasız bir tasarımı ayrık bir başlık ve SimOTA olarak bilinen gelişmiş etiket atama stratejisiyle birleştirerek önemli bir değişimi temsil etti. Önceki mimarilere hâkim olan geleneksel çapa kutusu mekanizmalarından uzaklaşan YOLOX, akademik araştırma ile endüstriyel uygulama arasındaki boşluğu başarıyla kapatarak nesne algılama için zarif ve son derece etkili bir çerçeve sundu.

YOLOX hakkında daha fazla bilgi edin

YOLO26#

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

2026'nın başlarında yayımlanan YOLO26, uç dağıtım ve basitleştirilmiş eğitim hatlarına güçlü biçimde odaklanan, yıllar süren yinelemeli iyileştirmelerin sonucudur. Geleneksel Aşımsız Bastırma işlem sonrası adımını atlayan, isteğe bağlı uçtan uca NMS'siz bire bir başlık (nms=False) sunar. Bu atılım, model dağıtımını farklı donanımlarda büyük ölçüde basitleştirir. Ayrıca Dağılım Odaklı Kayıp (DFL) modülünü kaldıran YOLO26, gecikmeyi önemli ölçüde düşürerek modern bilgisayarlı görü uygulamaları için önde gelen tercih olma konumunu pekiştirir.

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 verimliliği bir üst seviyeye taşıyor. NMS'nin kaldırılması yalnızca çıkarım gecikmesini düşürmekle kalmıyor, aynı zamanda otonom araçlar ve robotik için kritik önem taşıyan tutarlı ve deterministik yürütme süreleri sağlıyor.

YOLO26'nın temel yenilikleri:

• MuSGD Optimize Edici: Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen bu SGD ve Muon birleşimi, eğitim sürecinin olağanüstü kararlı olmasını ve daha hızlı yakınsamayı sağlar.
• CPU'da %43'e Kadar Daha Hızlı Çıkarım: DFL'yi ortadan kaldırıp ağ mimarisini yalınlaştıran YOLO26, basit IoT sensörlerinden Raspberry Pi kartlarına kadar kaynakları kısıtlı uç cihazlar için kapsamlı biçimde optimize edilmiştir.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, hava görüntülerini analiz etmek ve üretim otomasyonunda hassas kalite kontrolü yapmak açısından kritik olan küçük nesnelerin tanınmasında kayda değer iyileşmeler sağlar.

Performans ve Kıyaslamalar#

Üretim ortamları için modelleri değerlendirirken hassasiyet, hız ve hesaplama karmaşıklığı arasındaki dengeyi incelemek son derece önemlidir. Aşağıda, 640 piksellik görüntü boyutunda (nano/küçük varyantlar için 416 pikselde) değerlendirilen standart modellerin ayrıntılı bir karşılaştırması yer alıyor.

Tablonun gösterdiği gibi YOLO26 serisi üstün bir performans dengesi sunuyor. Örneğin YOLO26x, YOLOXx modelinin parametrelerinin neredeyse yarısını kullanırken etkileyici bir 57.5 mAP değerine ulaşıyor; bu da doğrudan daha hızlı GPU çıkarım süreleri (11.8 ms'ye karşı 16.1 ms) ve çok daha yüksek dağıtım esnekliği sağlıyor.

Eğitim ve Ekosistem Deneyimi#

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

YOLOX, çapasız mekanizmaları ve etiket atamasını inceleyen araştırmacılar için temel bir depo olmayı sürdürüyor; ancak kurulumu karmaşık olabilir ve çoğu zaman bağımlılıkların ve işleçlerin elle yapılandırılmasını gerektirir. Buna karşılık Ultralytics ekosistemi, kullanım kolaylığında sektör standardını belirler.

Birleşik Python API'sinden yararlanan geliştiriciler, YOLO26 modellerini benzersiz bir kolaylıkla başlatabilir, eğitebilir ve dağıtabilir. Sistem; veri kümesinin indirilmesini, hiperparametre ayarını ve ONNX, TensorRT ve OpenVINO gibi biçimlere sorunsuz dışa aktarımı kendiliğinden yönetir.

from ultralytics import YOLO

# Son teknoloji, uçtan uca YOLO26 small 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")

Ayrıca Ultralytics YOLO modelleri, ağır Transformer tabanlı alternatiflere kıyasla eğitim sırasında çok daha az bellek gerektirir; böylece mühendisler tüketici sınıfı donanımlarda bile daha büyük yığın boyutlarında 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 kurulu eski sistemler için hâlâ geçerli bir adaydır. Tarihsel önemi, onu çapasız algılayıcılar ve özel atama stratejileri üzerine yapılan araştırmalarda popüler bir temel model haline getiriyor.

YOLO26'nın Öne Çıktığı Alanlar#

YOLO26, modern endüstriyel uygulamalar için temelden tasarlanmıştır. Örnek segmentasyonunu, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) yerel olarak desteklediğinden standart algılama motorlarından çok daha çok yönlüdür.

• Akıllı Perakende ve Envanter: NMS'siz tasarım, otomatik ödeme sistemlerinin video akışlarını son derece düşük gecikmeyle işlemesini ve işlem sonrası döngülerin darboğazı olmadan ürünleri tanımasını sağlar.
• Drone ve Hava Analitiği: OBB'ye özel açı kaybı ve ProgLoss + STAL bileşenlerinin entegrasyonu, YOLO26'yı geniş uydu görüntülerindeki döndürülmüş nesneleri ve küçük ayrıntıları algılamada eşsiz kılar.
• Uç Güvenlik Sistemleri: CPU'da %43 daha hızlı çıkarımı sayesinde YOLO26, şirketlerin pahalı bulut işlem kaynakları gerektirmeden güçlü güvenlik analitiğini doğrudan uygun fiyatlı yerel donanımlarda çalıştırmasını sağlar.

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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Diğer Ultralytics Modellerini Keşfet#

Bilgisayarlı görü alanının gelişimini inceliyorsan Ultralytics ailesindeki diğer yetenekli modelleri de araştırmaya değer:

• 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 belirlemiş, kapsamlı biçimde test edilmiş bir mimari.

Sonuç olarak YOLOX, nesne algılama alanına önemli kavramlar kazandırmış olsa da yeni YOLO26 hız, doğruluk ve dağıtım kolaylığında nesil atlatan bir sıçrama sunarak ileri görüşlü geliştiriciler ve işletmeler için kesin tercih haline geliyor.