YOLOX ve YOLOv6-3.0
Bilgisayarlı görü alanının gelişimini büyük ölçüde YOLO serisindeki hızlı ilerlemeler şekillendirdi. Dağıtım için doğru mimariyi seçmek çoğunlukla ham işlem hacmini, mimari sadeliği ve eğitim verimliliğini dengelemeye bağlıdır. Bu yolculuktaki iki önemli dönüm noktası YOLOX'in ankorsuz araştırma odağı ile YOLOv6-3.0'ın endüstriyel işlem hacmi odağıdır.
Bu teknik karşılaştırma, mimari farklılıklarını, performans metriklerini ve ideal kullanım alanlarını ayrıntılı biçimde incelerken verimli uç ve bulut dağıtımına ihtiyaç duyan geliştiriciler için Ultralytics YOLO26 modelini de tanıtıyor.
YOLOX: Araştırma ile Sektör Arasında Köprü Kuruyor#
Megvii araştırmacıları tarafından geliştirilen YOLOX, YOLO mimarisini tamamen ankorsuz hale getirerek basitleştirme yönünde önemli bir değişim olarak tanıtıldı.
- Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
- Kuruluş: Megvii
- Tarih: 2021-07-18
- arXiv: 2107.08430
- GitHub: Megvii-BaseDetection/YOLOX
Mimari Öne Çıkanlar#
YOLOX, YOLO ailesine ankorsuz bir tasarım kazandırdı. Önceden tanımlanmış ankor kutularını ortadan kaldırarak model, eğitim sırasında gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını önemli ölçüde azaltır. Böylece YOLOX, ankorları elle yeniden hesaplamadan çeşitli özel veri kümelerine uyum sağlayabilir.
Ayrıca YOLOX, ayrıştırılmış başlık mimarisini tanıttı. Sınıflandırma ve regresyon görevlerini farklı kollara ayırarak bir nesnenin ne olduğunu ve nerede bulunduğunu belirleme arasındaki çatışmayı azaltır. SimOTA etiket atama stratejisiyle birlikte YOLOX, daha hızlı yakınsama ve iyileştirilmiş ortalama hassasiyet ortalaması (mAP) elde eder.
YOLOX hakkında daha fazla bilgi edin
YOLOX gibi anchor-free algılayıcılar, yeni verilerle eşleşmeyebilecek sabit sınırlayıcı kutu öncüllerine dayanmadıkları için sıra dışı nesne en-boy oranları içeren özel veri kümelerinde genellikle daha iyi performans gösterir.
YOLOv6-3.0: Endüstrinin Ağır Sıkleti#
Meituan Görsel Yapay Zekâ Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle TensorRT gibi donanım hızlandırıcıları kullanan NVIDIA GPU'larda yüksek endüstriyel işlem hacmi için tasarlanmıştır.
- Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
- Kuruluş: Meituan
- Tarih: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
Dağıtım için Optimizasyon#
YOLOv6-3.0, GPU kullanımını en üst düzeye çıkarmaya odaklanır. Yüksek çıkarım hızlarını korurken özellik birleştirmeyi geliştirmek için boyun bölümünde Çift Yönlü Birleştirme (BiC) modülü sunar. Çıkarım aşaması tamamen ankorsuz olsa da YOLOv6-3.0, eğitim aşamasında ankor tabanlı kararlılıktan yararlanmak için Ankor Destekli Eğitim (AAT) stratejisini kullanır.
Daha küçük modeller, bellek erişim maliyetlerini en aza indirmek ve modern hızlandırıcılarda hesaplama yoğunluğunu en üst düzeye çıkarmak üzere tasarlanmış, donanım dostu EfficientRep omurgasını kullanır (daha büyük modeller CSPStackRep kullanır). Bu özellik, YOLOv6'yı sunucu taraflı video analitiği için güçlü bir aday haline getirir.
YOLOv6 hakkında daha fazla bilgi edin
Performans Karşılaştırması#
Bu modelleri karşılaştırırken geliştiriciler ham doğruluğu çıkarım hızı ve parametre sayısıyla birlikte değerlendirmelidir. Aşağıdaki tablo, her iki model ailesinin çeşitli boyutlardaki performansını özetliyor.
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0, karşılaştırılabilir her boyutta YOLOX'ten daha yüksek mAP değerine benzer veya daha hızlı TensorRT hızlarıyla ulaşırken YOLOX, sadeliği ve çok küçük Nano ile Tiny sürümleri sayesinde rekabetçi kalır.
Kullanım Alanları ve Öneriler#
YOLOX ve YOLOv6 arasında seçim yapmak, projene özgü gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
YOLOX Ne Zaman Seçilmeli#
YOLOX şu durumlarda iyi bir tercihtir:
- Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
- Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (0.91M parametre) kritik olduğu mikrodenetleyicilere veya eski mobil donanımlara dağıtım.
- SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini inceleyen araştırma projeleri.
YOLOv6'yı Ne Zaman Seçmeli?#
YOLOv6 şu durumlarda önerilir:
- Endüstriyel Donanımı Dikkate Alan Dağıtım: Modelin donanımı dikkate alan tasarımının ve verimli yeniden parametreleştirmesinin belirli hedef donanımlarda performans optimizasyonu sağladığı senaryolar.
- Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU'da ham çıkarım hızına öncelik veren uygulamalar.
- Meituan Ekosistemi Entegrasyonu: Teknoloji yığını ve dağıtım altyapısı olarak hâlihazırda Meituan'ın sistemlerini kullanan ekipler.
Ultralytics'i (YOLO26) Ne Zaman Seçmeli#
Yeni projelerin çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini sunar:
- Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.
Ultralytics Avantajı#
Megvii ve Meituan'ın ikisi de yetkin araştırma depoları sunsa da bu modelleri üretimde dağıtmak genellikle önemli bir mühendislik yükü gerektirir. Entegre Ultralytics ekosistemi, birleşik ve kapsamlı biçimde belgelenmiş bir API sunarak bu engelleri azaltır.
Ultralytics paketiyle geliştiriciler tutarlı bir kullanıcı deneyimi elde eder. Buna yerleşik veri artırma, eğitim sırasında verimli bellek yönetimi (RT-DETR gibi Transformer modellerine kıyasla çok daha düşük VRAM gereksinimleriyle) ve ONNX ile OpenVINO gibi biçimlere yönelik dışa aktarma işlem hatları dahildir.
Özel amaçlı modellerin aksine Ultralytics mimarileri çok yönlüdür; Nesne Algılama, Örnek Segmentasyonu, Görüntü Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) kutudan çıktığı gibi destekler.
YOLO26 ile tanış#
Yeni bilgisayarlı görü projelerine başlayan ekipler için Ultralytics, Ocak 2026'da yayımlanan Ultralytics YOLO26 modelini öneriyor. YOLO11 ve YOLOv8 modellerini temel alan YOLO26, birçok yeni özellik sunuyor:
- Uçtan Uca, NMS İçermeyen Tasarım: İlk kez YOLOv10'da incelenen YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), NMS son işleme gereksinimini ortadan kaldırır. Bu özellik, gerçek zamanlı robotik uygulamalarda öngörülebilir ve düşük gecikmeli çıkarım sağlar. - MuSGD Optimizasyonu: Moonshot AI'nin Kimi K2 modeli gibi Büyük Dil Modeli eğitim tekniklerinden ilham alan YOLO26, kararlı eğitim ve daha hızlı yakınsama için MuSGD iyileştiricisini (SGD ile Muon'un hibriti) kullanır.
- CPU'da %43'e Varan Daha Hızlı Çıkarım: Dağılım Odaklı Kayıp (DFL) kaldırıldığı ve ağ başlığı sadeleştirildiği için YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da CPU yürütmesine dayanan uç cihazlar için uygundur.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama (STAL), küçük nesne algılamayı iyileştirerek YOLO26'yı hava görüntüleri ve mikroskobik kusur denetimi için çok uygun hale getirir.
Birleşik Eğitim Örneği#
Ultralytics Python API'sini kullanarak son teknoloji modelleri eğitmek yalnızca birkaç satır kod gerektirir. Eski bir YOLO modelini test ediyor veya en yeni YOLO26 modelini dağıtıyor ol, aynı yalın arayüz geçerlidir.
from ultralytics import YOLO
# Load the next-generation YOLO26 model (NMS-free, optimized for edge)
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset
# The ecosystem handles dataset downloading, caching, and batching natively
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model and print mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")
# Export the model for edge deployment
model.export(format="onnx")Daha da sorunsuz bir deneyim için kod gerektirmeyen Ultralytics Platform üzerinden veri kümelerini yönet, deneyleri takip et ve modelleri bulutta eğit.
Kullanım Durumu Önerileri#
Bu mimariler arasında karar verirken donanım kısıtlamalarını ve projene özgü gereksinimleri göz önünde bulundur:
- Etiket atama stratejileri üzerine akademik araştırma yapıyorsan veya mimaride özel değişiklikler yapmak için saf ve anlaşılması kolay bir anchor-free temel modele ihtiyaç duyuyorsan YOLOX'i seç.
- Büyük toplu iş boyutlarından ve TensorRT optimizasyonlarından yararlanarak yüzlerce video akışını aynı anda işleyebileceğin, A100 veya T4 gibi üst düzey NVIDIA GPU'larla donatılmış bir endüstriyel sunucu rafına dağıtım yapıyorsan YOLOv6-3.0'ı seç.
- Modern uygulamaların büyük çoğunluğu için YOLO26'yı seç. IoT cihazları, dronlar veya cep telefonları için Uç Yapay Zekâ uygulamaları geliştiriyorsan YOLO26'nın yerel NMS'siz tasarımı, CPU optimizasyonları ve kapsamlı ekosistem desteği, eğitim ile üretim arasındaki boşluğu kapatmak için onu önerilen seçenek haline getirir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.