YOLOX ve YOLO26#

Bilgisayarlı görü alanı, son on yılda inanılmaz dönüşümlere tanık oldu. Bu yolculuktaki iki önemli dönüm noktası, anchor-free mimarileri popülerleştiren YOLOX'in piyasaya sürülmesi ve natively uçtan uca, NMS'siz tasarımıyla gerçek zamanlı performansı tamamen yeniden tanımlayan yeni Ultralytics YOLO26 modelinin kısa süre önce tanıtılmasıdır. Bu kapsamlı karşılaştırma, bir sonraki AI projen için bilinçli kararlar vermene yardımcı olmak amacıyla mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını inceler.

Model Genel Bakışları#

Her modelin kökenini 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
• Belgeler: YOLOX GitHub Belgeleri

2021'in ortalarında tanıtılan YOLOX, anchor-free tasarımı, ayrıştırılmış başlık ve SimOTA olarak bilinen gelişmiş etiket atama stratejisiyle önemli bir değişimi temsil etti. Önceki mimarilere hakim olan geleneksel anchor box mekanizmalarından uzaklaşan YOLOX, akademik araştırma ile endüstriyel uygulama arasındaki boşluğu başarıyla kapatarak nesne tespiti için zarif ancak 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 cihaz dağıtımına ve basitleştirilmiş eğitim işlem hatlarına güçlü biçimde odaklanan, yıllar süren yinelemeli iyileştirmelerin sonucudur. Geleneksel Maksimum Olmayan Bastırma son işleme adımını tamamen ortadan kaldıran uçtan uca NMS'siz bir tasarım sunar. Bu atılım, modelin çeşitli donanımlarda dağıtımını büyük ölçüde basitleştirir. Ayrıca Distribution Focal Loss (DFL) modülünü kaldırarak YOLO26, çok daha düşük gecikme elde eder ve modern bilgisayarlı görü uygulamaları için önde gelen seçenek konumunu pekiştirir.

Mimari Yenilikler#

Bu iki modelin mimarileri, özellikle kayıp fonksiyonları ve son işleme açısından derin öğrenme metodolojilerindeki hızlı ilerlemeyi öne çıkarır.

YOLOX Yaklaşımı#

YOLOX, tahmin başlığındaki sınıflandırma ve regresyon görevlerini ayrıştırarak eğitim sırasında yakınsamayı önemli ölçüde hızlandırdı. Anchor-free yapısı, tasarım parametrelerinin sayısını azaltarak eğitim öncesinde karmaşık anchor ayarlama gereksinimini hafifletti. SimOTA etiket atama algoritmasıyla birlikte YOLOX, özellikle COCO veri kümesi gibi standart kıyaslamalarda, dönemi için son teknoloji sonuçlar elde etti.

YOLO26'nın Avantajı#

YOLO26, mimari verimliliği bir üst seviyeye taşır. NMS'nin kaldırılması yalnızca çıkarım gecikmesini azaltmakla kalmaz, aynı zamanda otonom araçlar ve robotik için kritik bir faktör olan tutarlı, deterministik yürütme süreleri sağlar.

YOLO26'in başlıca yenilikleri şunlardır:

• MuSGD Optimizer: Large Language Model (LLM) eğitim tekniklerinden esinlenen bu SGD ve Muon birleşimi, son derece kararlı eğitim süreçleri ve daha hızlı yakınsama sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: DFL'yi ortadan kaldırıp ağ mimarisini yalınlaştıran YOLO26, basit IoT sensörlerinden Raspberry Pi kartlarına kadar kaynakları kısıtlı uç cihazlar için yoğun biçimde optimize edilmiştir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntülerini analiz etmek ve üretim otomasyonunda hassas kalite kontrolü gerçekleştirmek için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.

Performans ve Karşılaştırmalı Testler#

Modelleri üretim ortamları için değerlendirirken hassasiyet, hız ve hesaplama karmaşıklığı arasındaki dengeyi analiz etmek son derece önemlidir. Aşağıda, 640 piksel görüntü boyutunda (nano/tiny varyantları için 416) değerlendirilen standart modellerin ayrıntılı bir karşılaştırması yer alır.

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

Eğitim ve Ekosistem Deneyimi#

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

YOLOX, gradient akışını ve anchor-free mekaniklerini inceleyen araştırmacılar için temel bir depo olmayı sürdürürken kurulumu karmaşık olabilir ve çoğu zaman bağımlılıkların ve operatörlerin manuel olarak yapılandırılmasını gerektirir. Buna karşılık Ultralytics ekosistemi kullanım kolaylığı açısından endüstri standardını belirler.

Birleşik Python API'yi kullanan geliştiriciler, YOLO26 modellerini benzersiz bir kolaylıkla başlatabilir, eğitebilir ve dağıtabilir. Sistem; veri kümesi indirme, hiperparametre ayarlama ve ONNX, TensorRT ve OpenVINO gibi formatlara sorunsuz dışa aktarma işlemlerini kendiliğinden 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 çok daha düşük bellek gereksinimlerine sahiptir; bu da mühendislerin tüketici sınıfı donanımlarda bile daha büyük batch boyutlarıyla eğitim yapmasına olanak tanır.

Gerçek Dünya Uygulamaları#

YOLOX ve YOLO26 arasında seçim yapmak, nihayetinde dağıtım kısıtlarına ve çoklu görev gereksinimlerine bağlıdır.

YOLOX'in Öne Çıktığı Alanlar#

YOLOX, belirli akademik kıyaslamalar ve MegEngine çerçevesiyle derin biçimde bütünleşmiş eski sistemler için geçerli bir aday olmayı sürdürür. Tarihsel önemi, onu anchor-free dedektörleri ve özel atama stratejilerini araştırmak için popüler bir temel model haline getirir.

YOLO26'nın Öne Çıktığı Alanlar#

YOLO26, temelde modern endüstriyel uygulamalar için tasarlanmıştır. instance segmentation, pose estimation ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) desteğini yerel olarak sunduğu için standart tespit motorlarından çok daha esnektir.

• Akıllı Perakende ve Envanter: NMS'siz tasarım, otomatik ödeme sistemlerinin video akışlarını ultra düşük gecikmeyle işlemesini ve son işleme döngülerinin oluşturduğu darboğaz olmadan ürünleri tanımasını garanti eder.
• Drone ve Hava Analitiği: OBB için özel açı kaybı ile ProgLoss + STAL entegrasyonu, YOLO26'yı geniş uydu görüntülerindeki döndürülmüş nesneleri ve küçük kusurları tespit etmede rakipsiz kılar.
• Uç Cihaz Güvenlik Sistemleri: %43 daha hızlı CPU çıkarımı sayesinde YOLO26, şirketlerin pahalı bulut bilişimine ihtiyaç duymadan güçlü güvenlik analitiğini doğrudan düşük maliyetli yerel donanımlarda dağıtmasına olanak tanır.

Kullanım Alanları ve Öneriler#

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

YOLOX Ne Zaman Seçilmeli?#

YOLOX şu durumlar için güçlü bir seçenektir:

• Çapasız Algılama Araştırması: Yeni algılama başlıklarını veya kayıp işlevlerini denemek için YOLOX'in temiz, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (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 etkisini inceleyen araştırma projeleri.

YOLO26 Ne Zaman Seçilmeli?#

YOLO26 şu durumlar için önerilir:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Diğer Ultralytics Modellerini Keşfetme#

Bilgisayarlı görünün gelişimini inceliyorsan Ultralytics ailesinde araştırmaya değer, yüksek yetenekli başka modeller de bulunur:

• 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 sahada test edilmiş bir mimaridir.

Sonuç olarak YOLOX, nesne tespiti alanına kritik kavramlar kazandırmış olsa da yeni YOLO26, hız, doğruluk ve dağıtım kolaylığında nesilsel bir sıçrama sunarak onu ileri görüşlü geliştiriciler ve işletmeler için kesin tercih haline getirir.