YOLOX ve YOLOv5
Doğru nesne algılama modelini seçmek, her bilgisayarlı görü projesi için kritik bir karardır. Bu kılavuz, Megvii'nin YOLOX modeli ile Ultralytics YOLOv5 adlı iki etkili modeli teknik açıdan karşılaştırır. Mimarilerini, performans metriklerini ve eğitim ekosistemlerini analiz ederek geliştiricilerin ve araştırmacıların kendi dağıtım ortamları için bilinçli bir seçim yapmasına yardımcı olur.
Modellere Giriş#
Her iki model de gerçek zamanlı nesne algılamada hızlı ilerlemenin yaşandığı dönemde ortaya çıktı; ancak performans elde etmek için farklı mimari yaklaşımlar benimsedi.
YOLOX: Bağlayıcısız Bir Yaklaşım#
18 Temmuz 2021'de Megvii bünyesindeki araştırmacılar Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından yayımlanan YOLOX, geleneksel çapa kutularından uzaklaşarak önemli bir değişim getirdi. Araştırmacıların arXiv teknik raporunda belgelediği üzere YOLOX, çapasız bir tasarımı ayrıştırılmış bir başlık ve SimOTA etiket atama stratejisiyle bir araya getirdi. Bu tasarım, standart veri kümelerinde güçlü performans sunarak akademik araştırma ile endüstriyel uygulama arasındaki boşluğu kapatmayı amaçlıyordu.
YOLOX hakkında daha fazla bilgi edin
YOLOv5: Üretim Amaçlı Görsel Yapay Zekânın Standardı#
Glenn Jocher tarafından geliştirilen ve 26 Haziran 2020'de Ultralytics tarafından yayımlanan YOLOv5, hızla en yaygın dağıtılan bilgisayarlı görü modellerinden biri haline geldi. Doğrudan PyTorch çerçevesi üzerine kurulan model; kullanım kolaylığı, hızlı eğitimi ve özenle hazırlanmış deposu sayesinde son teknoloji yapay zekâyı daha erişilebilir kıldı. YOLOv5'in mimarisi hız, doğruluk ve kolay dağıtım arasında denge kurarak onu uç cihazlardan büyük bulut dağıtımlarına kadar pek çok uygulamada popüler hale getiriyor.
Mimari Farklılıklar#
Bu ağlar arasındaki temel mekanik farkları anlamak, çeşitli görevlerde neden farklı performans gösterdiklerini açıklar.
Bağlayıcısız ve Bağlayıcı Tabanlı Yaklaşımlar#
En belirgin fark, YOLOX'in ankorsuz mekanizmasıdır. YOLOv5 gibi geleneksel ankor tabanlı modeller, sınırlayıcı kutuları tahmin etmek için önceden tanımlanmış ankor kutularına dayanır; bu da en uygun ankor boyutlarını belirlemek amacıyla eğitim veri kümesinde kümeleme analizi gerektirir. YOLOX bunu ortadan kaldırıp sınırlayıcı kutu koordinatlarını doğrudan her uzamsal konumda tahmin eder. Ankorsuz yaklaşım tasarım parametrelerinin ve sezgisel ayarlamaların sayısını azaltırken, auto-anchor işleviyle desteklenen YOLOv5'in geliştirilmiş ankor tabanlı yaklaşımı, kutudan çıktığı gibi kararlı ve öngörülebilir eğitim yakınsaması sağlar.
Ayrık Başlık ve Birleşik Başlık#
YOLOX, sınıflandırma ve regresyon görevlerini ayrı sinir ağı dallarına ayıran ayrık bir başlık kullanır. Geliştiriciler bunun uzamsal ve anlamsal özellik öğrenimi arasındaki çatışmaları çözdüğünü savundu. Buna karşılık YOLOv5, hesaplama verimliliğini en üst düzeye çıkaran ve gerçek zamanlı uç bilişim için kritik olan çıkarım gecikmesini azaltan, yüksek ölçüde optimize edilmiş birleşik bir başlık (ilk sürümlerinde) kullandı.
Etiket Atama Stratejisi#
YOLOX, gerçek değer nesnelerinin tahminlerle eşleştirilmesini Optimal Taşıma problemi olarak formüle eden etiket ataması için SimOTA'yı kullanır. Bu dinamik atama, kalabalık sahnelerin işlenmesini iyileştirir. YOLOv5, sağlam, şekil kuralı tabanlı bir atama yöntemi kullanarak yüksek kaliteli pozitif örneklerin düzenli olarak kayıp fonksiyonuna aktarılmasını sağlar; bu da eğitim kararlılığına katkıda bulunur.
Performans ve Kıyaslamalar#
Hız ve doğruluk arasındaki denge, bu mimariler için temel sınamadır. Aşağıdaki tablo, standart kıyaslamalarda çeşitli model boyutlarının performansını gösterir.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
YOLOX, s ile x boyutları arasında daha doğru sonuç verirken YOLOv5, T4 TensorRT'de genel olarak daha hızlıdır. Örneğin YOLOv5s 1,92 ms'de çalışırken YOLOXs 2,56 ms sürer; her milisaniyenin önemli olduğu gerçek zamanlı uygulamalarda bu fark önemlidir.
Ultralytics'in Avantajı: Eğitim ve Kullanım Kolaylığı#
Araştırmadan üretime geçerken bir modeli çevreleyen ekosistem, çoğu zaman modelin kendisi kadar önemlidir. Ultralytics ekosisteminin avantajları burada açıkça görülür.
Kolaylaştırılmış Kullanıcı Deneyimi#
YOLOv5, geliştirici deneyiminin yalınlığıyla tanınır. Ultralytics Python API ve CLI, modelleri birkaç satır kodla yüklemene, eğitmene ve dağıtmana olanak tanır. Buna karşılık, YOLOX'i Megvii GitHub deposundan çalıştırmak; ortam değişkenlerini daha fazla elle yapılandırmayı, karmaşık Python yolu ayarlarını ve akademik araştırma kod tabanlarına özgü daha dik bir öğrenme eğrisini gerektirir.
Eğitim Verimliliği ve Bellek Gereksinimleri#
Ultralytics modelleri, eğitim sırasında bellek kullanımını en aza indirecek şekilde tasarlanmıştır. YOLOv5, RT-DETR gibi yoğun parametreli Transformer modellerine veya optimize edilmemiş araştırma modellerine kıyasla çok daha az CUDA belleği gerektirir. Böylece geliştiriciler tüketici sınıfı donanımlarda daha büyük toplu iş boyutlarıyla eğitim yapabilir ve yinelemeli geliştirme döngüsünü hızlandırabilir.
Görevler Arasında Çok Yönlülük#
YOLOX yalnızca nesne tespiti için tasarlanmış bir çerçeve olsa da Ultralytics ekosistemi, YOLOv5'i birden fazla görü görevini destekleyecek şekilde geliştirdi. Aynı API söz dizimini kullanarak kutudan çıktığı gibi nesne tespiti, örnek segmentasyonu ve görüntü sınıflandırması yapabilirsin.
Poz tahmini veya yönlendirilmiş sınırlayıcı kutu (OBB) tespiti gibi daha gelişmiş görevlere ihtiyacın varsa, bu görevleri yerel olarak ve yüksek doğrulukla destekleyen Ultralytics YOLO26'ya geçmeyi düşünebilirsin.
Kod Karşılaştırması#
Kullanım kolaylığı arasındaki farkı en iyi kodla görebilirsin.
YOLOv5 ile Eğitim:
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLOv5s modeli yükle
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları
# Modeli COCO8 örnek veri kümesi üzerinde eğit
model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/zidane.jpg")
# Sonuçları göster
results[0].show()YOLOX ile Eğitim: (Depoyu elle klonlamak, setup.py yüklemesi yapmak ve karmaşık CLI bağımsız değişkenleri kullanmak gerekir)
# Example YOLOX training command
python tools/train.py -f exps/default/yolox_s.py -d 1 -b 64 --fp16 -oUltralytics yaklaşımı, yapılandırma dosyalarında hata ayıklamak yerine veri kümen ve uygulama mantığına odaklanmanı sağlayarak engelleri ortadan kaldırır. Deney takibi, Weights & Biases ve Comet ML entegrasyonlarıyla yerleşik olarak sunulur.
Uygun Kullanım Alanları ve Gerçek Dünya Uygulamaları#
Bu modeller arasında seçim yapmak, projenin çalışma ortamına bağlıdır.
YOLOX'in Öne Çıktığı Alanlar#
YOLOX, araştırmacıların özellikle çapasız yaklaşımları veya etiket atama stratejilerini incelediği akademik ortamlarda güçlü bir aday olmaya devam eder. Kalabalık sahnelerin algılanmasının birincil ölçüt, uç cihazlara dağıtım hızlarının ise ikincil olduğu senaryolarda da kullanışlıdır.
YOLOv5'in Öne Çıktığı Alanlar#
YOLOv5, pratik dağıtım için kendini kanıtlamış bir seçenektir.
- Yüksek Hızlı Üretim: Montaj hattında kusur algılama için YOLOv5'in uç GPU'larda sağladığı düşük çıkarım gecikmesi, ürünlerin bandı yavaşlatmadan incelenmesine yardımcı olur.
- Drone ve Hava Görüntüleri: Verimli bellek kullanımı sayesinde, tarım izleme ve yaban hayatı takibi gibi görevlerde drone'ların hafif yardımcı bilgisayarlarında çalışabilir.
- Akıllı Perakende: Otomatik kasadan envanter yönetimine kadar YOLOv5, binlerce mağaza kamerasında geniş çaplı dağıtım için TensorRT ve ONNX biçimlerine kolayca aktarılabilir.
İleriye Bakış: YOLO26'nın Avantajı#
YOLOv5 yaygın olarak kullanılmaya devam etse de yapay zekâ alanı hızla ilerliyor. Bugün yeni bir projeye başlıyorsan Ultralytics, en yeni nesil Ultralytics modellerini öneriyor.
Ocak 2026'da yayımlanan Ultralytics YOLO26, isteğe bağlı Uçtan Uca NMS'siz Tasarım (nms=False) sunarak Maksimum Olmayan Bastırma (NMS) son işlemesine duyulan ihtiyacı ortadan kaldırır ve dağıtım mantığını basitleştirir. Distribution Focal Loss (DFL) kaldırıldığı için YOLO26n, YOLO11n'den %43'e kadar daha hızlı CPU çıkarımı sağlar; MuSGD Optimizer eğitim kararlılığını artırırken ProgLoss + STAL (Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması) küçük nesnelerde doğruluğu iyileştirir.
İster YOLOv5'i ister YOLO26'yı seç, Ultralytics Platform bilgisayarlı görü çözümlerini fikir aşamasından üretime taşıman için araçlar sunar; Ultralytics belgeleri ise işlem hattının her adımını kapsar.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.