YOLOX ve YOLOv10#

Gerçek zamanlı bilgisayarlı görü modellerinin evrimi, önemli mimari sıçramalarla şekillendi. Bu yolculuktaki iki dönüm noktası YOLOX ve YOLOv10'dur. 2021'de yayımlanan YOLOX, son derece etkili anchor-free tasarımıyla akademik araştırma ile endüstriyel uygulama arasındaki boşluğu başarıyla kapattı. Üç yıl sonra YOLOv10, son işleme sırasında Non-Maximum Suppression (NMS) gereksinimini ortadan kaldırarak ve verimlilik ile hız sınırlarını zorlayarak alanı yeniden şekillendirdi.

Bu kapsamlı teknik karşılaştırma, her iki modelin mimarilerini, performans metriklerini ve ideal kullanım alanlarını inceler ve bir sonraki nesne algılama projen için doğru aracı seçmene yardımcı olacak içgörüler sunar.

Model Kökenleri ve Meta Verileri#

Bu modellerin kökenlerini anlamak, mimari seçimleri ve hedeflenen dağıtım ortamları hakkında bağlam sağlar.

YOLOX Detayları

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Belgeler: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs

YOLOX hakkında daha fazla bilgi edin

YOLOv10 Detayları

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu, Kai Chen, Zijia Lin, Jungong Han ve Guiguang Ding
• Kuruluş: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: https://github.com/THU-MIG/yolov10
• Dokümanlar: https://docs.ultralytics.com/models/yolov10

YOLOv10 hakkında daha fazla bilgi edin

Mimari Yenilikler#

YOLOX ile YOLOv10 arasındaki temel farklar, sınırlayıcı kutu tahminlerini ve son işlemeyi nasıl ele aldıklarında yatar.

YOLOX: Öncü Anchor-Free Tasarım#

YOLOX, YOLO ailesini anchor-free bir mimariye taşıyarak büyük ses getirdi. Önceden tanımlanmış anchor kutularına güvenmek yerine bir nesnenin merkezini tahmin eden YOLOX, özel veri kümeleri için gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını büyük ölçüde azalttı. Ayrıca sınıflandırma ve regresyon görevlerini ayrı yollara ayıran ayrıştırılmış bir başlık sundu. Bu yaklaşım, bir nesnenin ne olduğunu belirleme ile nerede olduğunu belirleme arasındaki çakışmayı çözdü ve yakınsama hızında ve kesinlikte fark edilir bir artış sağladı.

YOLOv10: NMS'siz Devrim#

YOLOX algılama başlığını sadeleştirmiş olsa da gereksiz sınırlayıcı kutu tahminlerini filtrelemek için hâlâ NMS'ye dayanıyordu. YOLOv10 bu temel darboğazı ele aldı. Eğitim sırasında tutarlı ikili atamalardan yararlanan YOLOv10, yerel uçtan uca algılama sunar. Zengin denetim sinyalleri sağlamak için eğitim sırasında çoktan-bire başlık, çıkarım sırasında ise nihai tahminleri doğrudan üretmek için birden-bire başlık kullanır. Bu bütünsel verimlilik-doğruluk odaklı tasarım, NMS'yi tamamen ortadan kaldırarak gömülü çiplerde çıkarım gecikmesini önemli ölçüde azaltır.

Performans Metrikleri ve Karşılaştırma#

Üretim için modelleri değerlendirirken doğruluğu hesaplama yüküyle dengelemek kritik önem taşır. Aşağıdaki tablo, YOLOX ve YOLOv10'un çeşitli ölçekleri arasındaki ödünleşimleri gösterir.

Verileri Analiz Etme#

Metrikler, YOLOv10'un nesil atlama niteliğindeki ilerlemesini açıkça ortaya koyuyor. Örneğin YOLOv10-S, YOLOX-m'nin %46,9'luk değerine kıyasla ortalama Ortalama Kesinlik değerinde %46,7 elde ediyor; ancak bunu parametrelerin üçte birinden azını (7,2M ve 25,3M) ve önemli ölçüde daha az FLOP kullanarak yapıyor. Ayrıca üst seviye YOLOv10-X modeli mAP değerini %54,4'e çıkararak eski YOLOX-x mimarisinden daha hızlı kalırken zorlu doğruluk görevleri için son derece rekabetçi hale geliyor.

Ultralytics Ekosisteminin Avantajı#

YOLOX, akademik ortamlarda güçlü bir açık kaynaklı araştırma uygulaması olmayı sürdürse de YOLOv10'u benimsemek, Ultralytics tarafından sağlanan ve bakımı iyi yapılan ekosisteme anında erişim sunar. Ultralytics destekli bir model seçmek, basit bir API ve kapsamlı belgelerle nitelendirilen akıcı bir kullanıcı deneyimi sağlar.

Geliştiriciler, çerçevenin bellek gereksinimlerinden büyük ölçüde yararlanır; Ultralytics modellerini eğitmek, RT-DETR gibi ağır Transformer tabanlı alternatiflere kıyasla genellikle çok daha az CUDA belleği tüketir. Bu verimli eğitim ayak izi, tüketici sınıfı donanımlarda daha büyük toplu iş boyutlarına olanak tanıyarak veri toplama ile model dağıtımı arasındaki süreyi kısaltır. Ayrıca çerçeve, minimum kod değişikliğiyle nesne algılama, örnek bölütleme ve poz tahmini arasında sorunsuzca geçiş yapmana olanak tanıyan eşsiz bir çok yönlülük sunar.

Eğitim ve Çıkarım Örneği#

Birleşik API, fikirleri doğrulamayı inanılmaz derecede hızlı hale getirir. Aşağıdaki kod parçacığı, PyTorch arka ucunu kullanarak bir YOLOv10 modelini ne kadar kolay eğitip dağıtabileceğini gösterir:

from ultralytics import YOLO

# Load a pre-trained YOLOv10 nano model
model = YOLO("yolov10n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export the model for edge deployment
model.export(format="engine", quantize=16)

Yerleşik dışa aktarma rutinlerinden yararlanıldığında, modelleri TensorRT veya ONNX gibi biçimlere dönüştürmek yalnızca tek satır kod gerektirir ve karmaşık derleme engellerini tamamen ortadan kaldırır.

İdeal Kullanım Alanları ve Dağıtım Senaryoları#

Bu mimariler arasındaki seçim büyük ölçüde donanım kısıtlarına ve belirli alan gereksinimlerine bağlıdır.

Gerçek Zamanlı Video Analitiği#

Otonom sürüş veya gerçek zamanlı trafik izleme gibi ultra düşük gecikme gerektiren uygulamalar için YOLOv10 üstün bir seçimdir. Uçtan uca NMS'siz tasarımı, değişken son işlem gecikmesinin tolere edilemediği güvenlik sistemleri için kritik olan deterministik yürütme süreleri sağlar. Modeller, NVIDIA Jetson serisi gibi cihazlarda yüksek kare hızlarına kolayca ulaşır.

Akademik Taban Çizgileri ve Uç Mikrodenetleyiciler#

YOLOX, araştırmacıların etiket atama stratejileriyle denemeler yapmak için temiz ve ayrıştırılmış başlıklı bir taban çizgisi istediği akademik ortamlarda hâlâ değerlidir. Ayrıca son derece küçük YOLOX-Nano (1 milyon parametrenin altında), donanım standart evrişim işlemlerini destekleyebildiği sürece belleğin kilobaytlarla ölçüldüğü, kaynakları son derece kısıtlı uç mikrodenetleyicilere sığdırılabilir.

Nihai Standart: Ultralytics YOLO26#

YOLOv10, NMS'yi kaldırarak büyük bir sıçramaya işaret etmiş olsa da bilgisayarlı görü alanı hızla ilerliyor. Günümüzde sınıfının mutlak en iyi performansını uygulamayı hedefleyen geliştiricilere YOLO26'yı incelemelerini önemle tavsiye ediyoruz.

Görü yapay zekâsındaki en yeni standart olarak yayımlanan YOLO26, kendinden önceki modellerin temel fikirlerini alıp güçlendirir. Algılama, bölütleme, poz ve yönlendirilmiş sınırlayıcı kutuları yerel olarak destekleyerek nihai performans dengesini sunar.

YOLO26'nın modern bilgisayarlı görü işlem hatları için önerilen seçim olmasının nedeni şu:

• Uçtan Uca NMS'siz Tasarım: YOLOv10'un çığır açan yeniliklerini temel alan YOLO26, yerel olarak uçtan uca çalışır ve son işlem darboğazları olmadan daha hızlı, deterministik çıkarım sürelerini garanti eder.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özellikle uç bilişim için optimize edilmiştir; mobil işlemcilerde ve ayrık GPU'su olmayan cihazlarda olağanüstü performans sağlar.
• MuSGD Optimizer: Büyük Dil Modeli eğitiminden (özellikle Moonshot AI'nın Kimi K2'sinden) ilham alan YOLO26, son derece kararlı eğitim ve hızlı yakınsama için SGD ile Muon'un bir birleşimini kullanır.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, hava görüntüleri ve drone navigasyonu gibi zorlu alanlar için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
• DFL'nin Kaldırılması: YOLO26, Distribution Focal Loss'u kaldırarak model grafiğini sadeleştirir ve uç cihazlara ve düşük güç tüketimli cihazlara sorunsuz dışa aktarmayı mümkün kılar.
• Göreve Özel İyileştirmeler: Poz tahmini için Artık Log-Olasılık Tahmini (RLE) veya OBB için özel açı kaybı kullanıyor ol, YOLO26 her büyük görü görevi için ince ayarlanmıştır.

İşlem hatlarını mevcut en verimli eğitim ve dağıtım araçlarıyla yükseltmeye hazır geliştiriciler için Ultralytics Platform'a geçmek ve YOLO26'dan yararlanmak, yapay zekânın ön saflarında kalmanı garanti eder. Daha eski ancak kararlı mimarilerle ilgilenen kullanıcılar, kapsamlı topluluk desteği ve kanıtlanmış sağlamlık için YOLO11 veya YOLOv8'i de inceleyebilir.