YOLOX ve YOLOv5#

Doğru nesne algılama modelini seçmek, herhangi bir bilgisayarlı görü projesinin başarısını belirleyen kritik bir karardır. Bu kılavuz, yapay zekâ alanındaki iki önemli model olan Megvii'nin YOLOX'i ile Ultralytics YOLOv5 arasında kapsamlı bir teknik karşılaştırma sunuyor. Mimarilerini, performans ölçütlerini 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 algılamanın hızla ilerlediği bir dönemde ortaya çıktı, ancak performanslarını elde etmek için farklı mimari yaklaşımlar benimsedi.

YOLOX: Bağlayıcısız Bir Yaklaşım#

Araştırmacılar Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından Megvii bünyesinde 18 Temmuz 2021'de yayımlanan YOLOX, geleneksel bağlayıcı kutulardan uzaklaşarak önemli bir değişim başlattı. Arxiv teknik raporlarında belgelendiği üzere YOLOX, bağlayıcısız tasarımı ayrık bir başlık ve SimOTA etiket atama stratejisiyle birleştirdi. 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 Ultralytics tarafından 26 Haziran 2020'de yayımlanan YOLOv5, hızla üretimde kullanılan bilgisayarlı görü sistemleri için sektör standardı hâline geldi. Yerel olarak PyTorch çatısı üzerine kurulan YOLOv5, benzersiz kullanım kolaylığı, son derece hızlı eğitim ve oldukça iyi düzenlenmiş bir kod deposu sunarak en gelişmiş yapay zekâyı herkes için erişilebilir kıldı. YOLOv5'in mimarisi hız, doğruluk ve dağıtım kolaylığı arasında ideal bir denge kurmaya odaklandı; bu da modeli uç cihazlardan devasa bulut dağıtımlarına kadar pek çok kullanım için tercih edilir hâle getirdi.

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 bağlayıcısız mekanizmasıdır. YOLOv5 gibi geleneksel modeller, sınırlayıcı kutuları tahmin etmek için önceden tanımlanmış bağlayıcı kutulara dayanır; bu da en uygun bağlayıcı boyutlarını belirlemek için eğitim veri kümesinde kümeleme analizi yapılmasını gerektirir. YOLOX bu gereksinimi ortadan kaldırarak sınırlayıcı kutu koordinatlarını doğrudan her uzamsal konumda tahmin eder. Bağlayıcısız yaklaşım tasarım parametrelerinin sayısını ve sezgisel ayar ihtiyacını azaltırken, YOLOv5'in iyileştirilmiş bağlayıcı tabanlı yaklaşımı otomatik bağlayıcı işlevinin de katkısıyla kutudan çıktığı hâliyle son derece kararlı ve öngörülebilir bir 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 nesneler ile tahminler arasındaki eşleştirmeyi Optimal Taşıma problemi olarak formüle eden SimOTA'yı etiket ataması için kullanır. Bu dinamik atama, kalabalık sahnelerin işlenmesini iyileştirir. YOLOv5 ise yüksek kaliteli pozitif örneklerin kayıp fonksiyonuna tutarlı biçimde aktarılmasını sağlayan sağlam, şekil kuralı tabanlı bir atama yöntemi kullanır; bu da efsanevi eğitim kararlılığına katkıda bulunur.

Performans ve Kıyaslamalar#

Hız ile doğruluk arasındaki ödünleşim, bu mimariler için nihai sınavdır. Aşağıdaki tablo, standart kıyaslamalarda çeşitli model boyutlarının performansını gösteriyor.

YOLOX, özellikle büyük varyantlarında rekabetçi mAP puanlarına ulaşsa da YOLOv5, genel olarak TensorRT çıkarım hızında kayda değer bir avantaja sahip. Örneğin YOLOv5s modeli, hız ile doğruluk arasında olağanüstü oranlar sunarak her milisaniyenin önemli olduğu gerçek zamanlı uygulamalar için son derece cazip bir seçenek oluyor.

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 ortaya çıkıyor.

Kolaylaştırılmış Kullanıcı Deneyimi#

YOLOv5, geliştiricilere sunduğu "sıfırdan kahramana" deneyimiyle her yerde övgü topluyor. Ultralytics Python API ve CLI, modelleri tek satır kodla yüklemene, eğitmene ve dağıtmana olanak tanır. Buna karşılık YOLOX'i Megvii GitHub deposundan çalıştırmak; ortam değişkenlerini daha çok elle yapılandırmayı, karmaşık Python yol ayarlarını yapmayı 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 tasarlanır. YOLOv5, RT-DETR gibi yüksek sayıda parametreye sahip Transformer modellerine veya optimize edilmemiş araştırma modellerine kıyasla çok daha az CUDA belleği gerektirir. Böylece geliştiriciler tüketici sınıfı donanımlarda daha büyük yığın boyutlarıyla eğitim yapabilir ve yinelemeli geliştirme döngüsünü hızlandırabilir.

Görevler Arasında Çok Yönlülük#

YOLOX yalnızca nesne algılama çatısıyken Ultralytics ekosistemi, YOLOv5'i birden fazla görsel görevi destekleyecek şekilde geliştirdi. Kutudan çıktığı hâliyle, aynı API söz dizimini kullanarak Görüntü Sınıflandırma, Örnek Segmentasyonu ve nesne algılama yapabilirsin.

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 -o

Ultralytics yaklaşımı, yapılandırma dosyalarında hata ayıklamak yerine veri kümen ve uygulama mantığına odaklanabilmen için engelleri ortadan kaldırır. Ayrıca yerleşik Weights & Biases ve Comet ML entegrasyonlarıyla deneylerini kolayca takip edebilirsin.

Uygun Kullanım Alanları ve Gerçek Dünya Uygulamaları#

Bu modeller arasında seçim yapmak, projenin çalışma ortamına bağlıdır.

YOLOX'in Öne Çıktığı Alanlar#

YOLOX; araştırmacıların bağlayıcısız yaklaşımları veya etiket atama stratejilerini özellikle incelediği akademik ortamlarda güçlü bir seçenek olmaya devam ediyor. Kalabalık sahneleri algılamanın en önemli ölçüt olduğu ve uç dağıtım hızlarının ikinci planda 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 düşük çıkarım gecikmesi, bandı yavaşlatmadan ürünlerin incelenmesini sağlar.
• 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 efsanevi bir model olsa da yapay zekâ alanı hızla ilerliyor. Bugün yeni bir projeye başlıyorsan en yeni nesil Ultralytics modellerini incelemeni önemle tavsiye ederiz.

2026'da yayımlanan Ultralytics YOLO26, ileriye doğru büyük bir sıçramayı temsil ediyor. İsteğe bağlı Uçtan Uca NMS'siz Tasarım (nms=False) özelliği, Maksimum Olmayan Bastırma son işleme adımını ortadan kaldırarak dağıtım mantığını büyük ölçüde basitleştiriyor. Distribution Focal Loss (DFL) yöntemini kaldırıp son teknoloji MuSGD Optimizer'ı kullanan YOLO26, önceki nesillere kıyasla CPU çıkarımını %43'e kadar hızlandırırken daha yüksek doğruluğu koruyor. Yeni ProgLoss + STAL (İlerlemeli Kayıp ve Küçük Hedef Duyarlı Etiket Ataması) sayesinde özellikle küçük nesnelerde daha yüksek doğruluk sağlıyor.

İster YOLOv5'in sahada kendini kanıtlamış güvenilirliğini ister YOLO26'nın en yeni performansını seç, Ultralytics Platform bilgisayarlı görü çözümlerini fikir aşamasından üretime sorunsuzca taşıman için en iyi araçlara sahip olmanı sağlar. Yapay zekâ işlem hattının tüm potansiyelini ortaya çıkarmak için kapsamlı Ultralytics belgelerini incelemeyi unutma.