YOLOX ve YOLOv5#

Doğru nesne algılama modelini seçmek, herhangi bir bilgisayarlı görü projesinin başarısını belirleyen kritik bir karardır. Bu kılavuz, yapay zekâ dünyasındaki iki önemli model olan Megvii'nin YOLOX'i ile Ultralytics YOLOv5 arasında kapsamlı bir teknik karşılaştırma sunar. Mimarilerini, performans ölçümlerini ve eğitim ekosistemlerini analiz ederek geliştiricilerin ve araştırmacıların kendi dağıtım ortamları için bilinçli bir seçim yapmasına yardımcı olmayı amaçlıyoruz.

Modellere Giriş#

Her iki model de gerçek zamanlı nesne algılamadaki hızlı ilerleme döneminde ortaya çıktı, ancak performanslarına ulaşmak için farklı mimari yaklaşımlar benimsedi.

YOLOX: Anchor-Free Yaklaşım#

18 Temmuz 2021'de Megvii bünyesindeki araştırmacılar Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından yayımlanan YOLOX, geleneksel anchor kutularından uzaklaşarak önemli bir değişim başlattı. Arxiv teknik raporlarında belgelenen YOLOX, ayrıştırılmış bir başlık ile SimOTA etiket atama stratejisini anchor-free tasarımla birleştirdi. Bu tasarım, standart veri kümelerinde güçlü performans sunarak akademik araştırma ile endüstriyel uygulama arasındaki boşluğu kapatmayı amaçladı.

YOLOX hakkında daha fazla bilgi edin

YOLOv5: Üretim Ortamında Görsel Yapay Zekâ Standardı#

Glenn Jocher tarafından geliştirilen ve 26 Haziran 2020'de Ultralytics tarafından yayımlanan YOLOv5, dağıtımlı bilgisayarlı görü için hızla sektör standardı hâline geldi. Yerel olarak PyTorch framework'ü üzerine kurulan model, benzersiz kullanım kolaylığı, son derece hızlı eğitimi ve büyük ölçüde özenle hazırlanmış deposu sayesinde son teknoloji yapay zekâyı herkes için erişilebilir kıldı. YOLOv5'in mimarisi hız, doğruluk ve dağıtım kolaylığı arasında kusursuz bir denge kurmaya odaklandı; bu da onu uç cihazlardan büyük bulut dağıtımlarına kadar her şey için tercih edilen bir model hâline getirdi.

Mimari Farklılıklar#

Bu ağlar arasındaki temel mekanik farkları anlamak, çeşitli görevlerde neden farklı performans gösterdiklerini açıklığa kavuşturur.

Anchor-Free ve Anchor-Based Yaklaşımlar#

En belirleyici fark, YOLOX'in anchor-free mekanizmasıdır. YOLOv5 gibi geleneksel modeller, sınırlayıcı kutuları tahmin etmek için önceden tanımlanmış anchor kutularına dayanır; bu da en uygun anchor boyutlarını belirlemek üzere eğitim veri kümesi üzerinde kümeleme analizi yapılmasını gerektirir. YOLOX bunu ortadan kaldırarak sınırlayıcı kutu koordinatlarını her uzamsal konumda doğrudan tahmin eder. Anchor-free yaklaşım tasarım parametrelerinin ve sezgisel ayarlamaların sayısını azaltırken, YOLOv5'in auto-anchor işleviyle desteklenen geliştirilmiş anchor-based yaklaşımı, kutudan çıktığı hâliyle son derece kararlı ve öngörülebilir eğitim yakınsaması sağlar.

Ayrıştırılmış Başlık ve Birleşik Başlık#

YOLOX, ayrıştırılmış bir başlık kullanır; yani sınıflandırma ve regresyon görevleri farklı sinir ağı dallarına ayrılır. Yazarlar bunun uzamsal ve anlamsal özellik öğrenimi arasındaki çatışmaları çözdüğünü savundu. Buna karşılık YOLOv5, gerçek zamanlı uç bilişim için kritik olan hesaplama verimliliğini en üst düzeye çıkaran ve çıkarım gecikmesini azaltan, yüksek düzeyde optimize edilmiş birleşik bir başlık kullandı (ilk sürümlerinde).

Etiket Atama Stratejisi#

YOLOX, etiket ataması için gerçek nesnelerin tahminlerle eşleştirilmesini Optimal Transport problemi olarak formüle eden SimOTA'yı kullanır. Bu dinamik atama, yoğun sahnelerin ele alınmasını iyileştirir. YOLOv5, sağlam ve şekil kuralı tabanlı bir atama yöntemi kullanarak yüksek kaliteli pozitif örneklerin kayıp işlevine tutarlı biçimde aktarılmasını sağlar; bu da efsanevi eğitim kararlılığına katkıda bulunur.

Performans ve Karşılaştırmalı Testler#

Hız ve doğruluk arasındaki denge, bu mimariler için nihai sınamadır. Aşağıdaki tablo, standart kıyaslamalarda çeşitli model boyutlarının performansını göstermektedir.

YOLOX, özellikle daha büyük varyantlarında rekabetçi mAP skorlarına ulaşsa da YOLOv5, genel olarak TensorRT çıkarım hızında dikkate değer bir üstünlüğü korur. Örneğin YOLOv5s modeli, hız-doğruluk oranları açısından olağanüstü sonuçlar sunarak her milisaniyenin önemli olduğu gerçek zamanlı uygulamalar için son derece cazip hâle gelir.

Ultralytics Avantajı: Eğitim ve Kullanılabilirlik#

Araştırmadan üretime geçerken bir modelin çevresindeki ekosistem çoğu zaman modelin kendisi kadar önemlidir. Ultralytics ekosisteminin avantajları burada açıkça ortaya çıkar.

Kolaylaştırılmış Kullanıcı Deneyimi#

YOLOv5, "sıfırdan kahramana" geliştirici deneyimiyle evrensel olarak övgü toplar. Ultralytics Python API'si ve CLI, modelleri tek satır kodla yüklemene, eğitmene ve dağıtmana olanak tanır. Buna karşılık YOLOX'i Megvii GitHub deposundan çalıştırmak, ortam değişkenlerinin daha fazla elle yapılandırılmasını, karmaşık Python yol 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 indirmek üzere titizlikle tasarlanmıştır. YOLOv5, RT-DETR gibi çok sayıda parametre içeren Transformer modellerine veya optimize edilmemiş araştırma modellerine kıyasla önemli ölçüde daha az CUDA belleği gerektirir. Bu sayede geliştiriciler tüketici sınıfı donanımlarda daha büyük batch boyutlarıyla eğitim yapabilir ve yinelemeli geliştirme döngüsünü hızlandırabilir.

Görevler Arasında Çok Yönlülük#

YOLOX yalnızca bir nesne algılama framework'üyken Ultralytics ekosistemi, YOLOv5'i birden fazla görsel görevi destekleyecek şekilde geliştirmiştir. Kutudan çıktığı hâliyle aynı API söz dizimini kullanarak Görüntü Sınıflandırma, Örnek Segmentasyonu ve nesne algılama gerçekleştirebilirsin.

Kod Karşılaştırması#

Kullanılabilirlik farkı en iyi kod üzerinden gösterilir.

YOLOv5 ile eğitim:

from ultralytics import YOLO

# Load a pretrained YOLOv5s model
model = YOLO("yolov5su.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/zidane.jpg")

# Display results
results[0].show()

YOLOX ile eğitim: (Deponun elle klonlanmasını, setup.py kurulumunu ve karmaşık CLI bağımsız değişkenlerini gerektirir)

# Example YOLOX training command
python tools/train.py -f exps/default/yolox_s.py -d 1 -b 64 --fp16 -o

Ultralytics yaklaşımı, sürtünmeyi ortadan kaldırarak yapılandırma dosyalarında hata ayıklamak yerine veri kümen ve uygulama mantığına odaklanmanı sağlar. Ayrıca denemelerini Weights & Biases ve Comet ML için yerleşik entegrasyonlarla sorunsuz biçimde takip edebilirsin.

İdeal Kullanım Alanları ve Gerçek Dünya Uygulamaları#

Bu modeller arasındaki seçim, projenin operasyonel ortamına bağlıdır.

YOLOX'in Öne Çıktığı Alanlar#

YOLOX, araştırmacıların anchor-free paradigmalarını veya etiket atama stratejilerini açıkça incelediği akademik ortamlarda güçlü bir aday olmaya devam eder. Ayrıca yoğun sahne algılamasının kesinlikle birincil metrik olduğu ve uç dağıtım hızlarının ikincil kaldığı senaryolarda da kullanışlıdır.

YOLOv5'in Öne Çıktığı Alanlar#

YOLOv5, pratik dağıtımın tartışmasız şampiyonudur.

• Yüksek Hızlı Üretim: Montaj hattında kusur algılama için YOLOv5'in uç GPU'lardaki minimum çıkarım gecikmesi, bandı yavaşlatmadan ürünlerin denetlenmesini sağlar.
• Drone ve Hava Görüntüleri: Verimli bellek ayak izi, tarım izleme ve yaban hayatı takibi gibi görevler için drone'ların hafif yardımcı bilgisayarlarında çalışmasına olanak tanır.
• Akıllı Perakende: Otomatik ödeme işleminden envanter yönetimine kadar YOLOv5, binlerce mağaza kamerasında geniş çaplı dağıtım için kolayca TensorRT ve ONNX formatlarına aktarılabilir.

Geleceğe Bakış: YOLO26'nın Avantajı#

YOLOv5 efsanevi bir model olsa da yapay zekâ alanı hızla ilerliyor. Bugün yeni bir projeye başlıyorsan en yeni nesil Ultralytics modellerine göz atmanı önemle tavsiye ederiz.

2026'da yayımlanan Ultralytics YOLO26, ileriye doğru büyük bir sıçramayı temsil eder. Model, Maksimum Olmayan Bastırma sonrası işleme ihtiyacını tamamen ortadan kaldıran ve dağıtım mantığını büyük ölçüde basitleştiren Uçtan Uca NMS İçermeyen Tasarım özelliğine sahiptir. YOLO26, Distribution Focal Loss (DFL) bileşenini kaldırıp son teknoloji MuSGD Optimizer kullanarak önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı elde ederken daha yüksek doğruluğu korur; özellikle yeni ProgLoss + STAL kayıp işlevleri sayesinde küçük nesnelerde de bunu başarır.

İster savaş testinden geçmiş YOLOv5 güvenilirliğini ister en yeni YOLO26 performansını seç, Ultralytics Platformu bilgisayarlı görü çözümlerini kavramdan üretime sorunsuzca taşıman için mevcut en iyi araçlara sahip olmanı sağlar. Yapay zekâ işlem hattının tüm potansiyelini ortaya çıkarmak için kapsamlı Ultralytics belgelerini incelemeyi unutma.