YOLOX ve YOLOv5#
Doğru nesne tespiti modelini seçmek, herhangi bir bilgisayarlı görü projesinin başarısını belirleyen kritik bir karardır. Bu kılavuz, AI manzarasındaki iki temel model arasında kapsamlı bir teknik karşılaştırma sunar: Megvii'nin YOLOX modeli ve Ultralytics YOLOv5. Mimarilerini, performans metriklerini ve eğitim ekosistemlerini analiz ederek, geliştiricilerin ve araştırmacıların kendi özel dağıtım ortamları için bilinçli bir seçim yapmasına yardımcı olmayı amaçlıyoruz.
Modellere Giriş#
Her iki model de gerçek zamanlı nesne algılamada hızlı ilerlemenin olduğu bir dönemde ortaya çıkmış olsa da, performanslarına ulaşmak için farklı mimari felsefeler benimsemişlerdir.
YOLOX: Çapasız (Anchor-Free) Bir Yaklaşım#
18 Temmuz 2021'de Megvii şirketinden araştırmacılar Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından yayınlanan YOLOX, geleneksel çıpa kutularından (anchor boxes) uzaklaşarak önemli bir değişim tanıttı. Arxiv teknik raporlarında belgelendiği üzere YOLOX, ayrıştırılmış bir başlık (decoupled head) ve SimOTA etiket atama stratejisi ile çıpasız (anchor-free) bir tasarımı entegre etti. Bu tasarım, akademik araştırma ile endüstriyel uygulama arasındaki boşluğu doldurmayı ve standart veri setlerinde güçlü bir performans sunmayı amaçlıyordu.
YOLOX hakkında daha fazla bilgi edin
YOLOv5: Üretim Odaklı Vision AI için Standart#
Glenn Jocher tarafından yazılan ve 26 Haziran 2020'de Ultralytics tarafından yayınlanan YOLOv5, dağıtık bilgisayarlı görü için hızla endüstri standardı haline geldi. Yerel olarak PyTorch framework üzerine inşa edilen bu model, eşsiz kullanım kolaylığı, olağanüstü hızlı eğitim ve son derece cilalı bir depo sunarak son teknoloji AI'ı herkes için erişilebilir kıldı. YOLOv5'in mimarisi, hız, doğruluk ve dağıtım kolaylığı arasında mükemmel bir denge kurmaya odaklanarak, uç cihazlardan devasa bulut dağıtımlarına kadar her şey için favori olmasını sağladı.
YOLOv5 hakkında daha fazla bilgi edin
Mimari Farklılıklar#
Bu ağlar arasındaki temel mekanik farkları anlamak, neden farklı görevlerde farklı performans gösterdiklerini açıklar.
Çapasız (Anchor-Free) vs. Çapa Tabanlı (Anchor-Based)#
En belirgin karşıtlık, YOLOX'un çapasız mekanizmasıdır. YOLOv5 gibi geleneksel modeller, sınırlayıcı kutuları tahmin etmek için önceden tanımlanmış çapa kutularına dayanır; bu da ideal çapa boyutlarını belirlemek için eğitim veri setinde kümeleme analizi yapılmasını gerektirir. YOLOX bunu ortadan kaldırarak sınırlayıcı kutu koordinatlarını doğrudan her uzamsal konumda tahmin eder. Çapasız yaklaşım tasarım parametrelerinin ve buluşsal ayarların sayısını azaltırken, YOLOv5'in otomatik çapa işlevi (auto-anchor) ile desteklenen rafine çapa tabanlı yaklaşımı, kurulumdan itibaren son derece kararlı ve öngörülebilir bir eğitim yakınsaması sağlar.
Ayrıştırılmış Başlık (Decoupled Head) vs. Bütünleşik Başlık (Coupled Head)#
YOLOX, sınıflandırma ve regresyon görevlerinin ayrı sinir ağı dallarına ayrıldığı ayrıştırılmış bir başlık kullanır. Yazarlar, bunun uzamsal ve anlamsal özellik öğrenimi arasındaki çatışmaları çözdüğünü savunmuşlardır. Buna karşılık YOLOv5, hesaplama verimliliğini en üst düzeye çıkaran ve gerçek zamanlı uç bilişim için kritik olan çıkarım gecikmesini azaltan, oldukça optimize edilmiş bütünleşik bir başlık (ilk sürümlerinde) kullanmıştır.
Etiket Atama Stratejisi#
YOLOX, etiket ataması için gerçek dünyadaki nesnelerin tahminlerle eşleştirilmesini bir Optimal Taşıma (Optimal Transport) problemi olarak formüle eden SimOTA'yı kullanır. Bu dinamik atama, kalabalık sahnelerin işlenmesini iyileştirir. YOLOv5 ise, yüksek kaliteli pozitif örneklerin kayıp fonksiyonuna tutarlı bir şekilde beslenmesini sağlayan sağlam bir şekil kuralı tabanlı atama kullanır; bu da efsanevi eğitim kararlılığına katkıda bulunur.
Performans ve Kıyaslamalar#
Hız ve doğruluk arasındaki ödünleşim, bu mimariler için en büyük sınavdır. Aşağıdaki tablo, çeşitli model boyutlarının standart kriterlerdeki performansını göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
YOLOX özellikle daha büyük varyantlarında rekabetçi mAP skorları elde etse de, YOLOv5 genelinde TensorRT çıkarım hızında kayda değer bir avantajı korumaktadır. Örneğin YOLOv5s modeli, her milisaniyenin önemli olduğu gerçek zamanlı uygulamalar için onu oldukça cazip kılan olağanüstü hız-doğruluk oranları sağlar.
Ultralytics Avantajı: Eğitim ve Kullanılabilirlik#
Araştırmadan üretime geçerken, bir modeli çevreleyen ekosistem genellikle modelin kendisi kadar önemlidir. İşte burada, Ultralytics ekosisteminin avantajları bariz bir şekilde ortaya çıkmaktadır.
Kolaylaştırılmış Kullanıcı Deneyimi#
YOLOv5, "sıfırdan kahramanlığa" geliştirici deneyimiyle evrensel olarak övülmektedir. Ultralytics Python API ve CLI, modelleri tek satırlık kodlarla yüklemenize, eğitmenize ve dağıtmanıza olanak tanır. Buna karşılık, YOLOX'u Megvii GitHub repository üzerinden çalıştırmak, çevre değişkenlerinin daha fazla manuel olarak yapılandırılmasını, karmaşık Python yol kurulumlarını 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 için titizlikle tasarlanmıştır. YOLOv5, RT-DETR gibi yoğun parametrelendirilmiş transformer modellerine veya optimize edilmemiş araştırma modellerine kıyasla önemli ölçüde daha az CUDA belleği gerektirir. Bu, geliştiricilerin tüketici sınıfı donanımlar üzerinde daha büyük veri kümesi gruplarıyla (batch sizes) eğitim yapmasını sağlayarak yinelemeli geliştirme döngüsünü hızlandırır.
Görevler Arasında Çok Yönlülük#
YOLOX kesinlikle bir nesne tespiti çatısı (framework) iken, Ultralytics ekosistemi YOLOv5'i birden fazla görü görevini destekleyecek şekilde geliştirmiştir. Tamamen aynı API sözdizimini kullanarak kutudan çıkar çıkmaz Image Classification, Instance Segmentation ve nesne tespiti gerçekleştirebilirsiniz.
Pose Estimation veya Oriented Bounding Box (OBB) tespiti gibi daha da gelişmiş görevlere ihtiyacınız varsa, tüm bunları son teknoloji doğrulukla yerel olarak destekleyen en son Ultralytics YOLO26 mimarisine yükseltmenizi şiddetle tavsiye ederiz.
Kod Karşılaştırması#
Kullanılabilirlik farkı en iyi kod ile 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: (Manuel depo kopyalama, setup.py kurulumu ve karmaşık CLI argümanları gerektirir)
# Example YOLOX training command
python tools/train.py -f exps/default/yolox_s.py -d 1 -b 64 --fp16 -oUltralytics yaklaşımı sürtünmeyi ortadan kaldırarak yapılandırma dosyalarında hata ayıklamak yerine veri setinize ve uygulama mantığınıza odaklanmanızı sağlar. Dahası, Weights & Biases ve Comet ML için yerleşik entegrasyonlarla deneylerinizi takip etmek sorunsuzdur.
İdeal Kullanım Durumları ve Gerçek Dünya Uygulamaları#
Bu modeller arasında seçim yapmak, projenin operasyonel ortamına bağlıdır.
YOLOX'un Öne Çıktığı Yerler#
YOLOX, araştırmacıların çapasız paradigmaları veya etiket atama stratejilerini açıkça incelediği akademik ortamlarda güçlü bir aday olmaya devam etmektedir. Ayrıca, kalabalık sahne algılamanın mutlak birincil metrik olduğu ve uç dağıtım hızlarının ikincil olduğu senaryolarda da kullanışlıdır.
YOLOv5'in Öne Çıktığı Alanlar#
YOLOv5, pratik dağıtımın tartışmasız şampiyonudur.
- Yüksek Hızlı Üretim: Montaj hattı defect detection için YOLOv5'in uç GPU'lar üzerindeki minimum çıkarım gecikmesi, bant yavaşlatılmadan ürünlerin denetlenmesini sağlar.
- İHA ve Hava Görüntüleme: Verimli bellek ayak izi, agriculture monitoring ve yaban hayatı takibi gibi görevler için dronlardaki hafif yardımcı bilgisayarlarda çalışmasına olanak tanır.
- Akıllı Perakende: Otomatik ödemeden envanter yönetimine kadar YOLOv5, binlerce mağaza kamerasında toplu dağıtım için TensorRT ve ONNX formatlarına kolayca aktarılır.
İleriye Bakış: YOLO26 Avantajı#
YOLOv5 efsanevi bir model olsa da yapay zeka alanı hızla ilerlemektedir. Bugün yeni bir projeye başlıyorsan, en yeni nesil Ultralytics modellerine bakmanı şiddetle tavsiye ederiz.
2026 yılında yayınlanan Ultralytics YOLO26, ileriye doğru devasa bir sıçramayı temsil eder. Dağıtım mantığını büyük ölçüde basitleştiren Non-Maximum Suppression (NMS) sonrası işleme ihtiyacını tamamen ortadan kaldıran End-to-End NMS-Free Design özelliğine sahiptir. Distribution Focal Loss (DFL) kaldırılarak ve son teknoloji MuSGD Optimizer kullanılarak YOLO26, yeni ProgLoss + STAL kayıp fonksiyonları sayesinde özellikle küçük nesnelerde daha yüksek doğruluğu korurken önceki nesillere göre %43'e kadar daha hızlı CPU çıkarımı elde eder.
İster YOLOv5'in savaşta test edilmiş güvenilirliğini ister YOLO26'nın son teknoloji performansını seçin, Ultralytics Platform, bilgisayarlı görü çözümlerinizi konseptten üretime sorunsuz bir şekilde taşımak için elinizin altında en iyi araçların olmasını sağlar. AI boru hattınızın tüm potansiyelini ortaya çıkarmak için kapsamlı Ultralytics documentation incelediğinizden emin olun.