Link to this sectionYOLOX ve YOLOv6-3.0#

Bilgisayarlı görü alanındaki evrim, büyük ölçüde YOLO serisindeki hızlı ilerlemelerle tanımlanmıştır. Dağıtımın için doğru mimariyi seçmek genellikle ham verimlilik, mimari basitlik ve eğitim verimliliği arasında denge kurmaya dayanır. Bu yolculuktaki iki önemli kilometre taşı, YOLOX'un çapasız (anchor-free) araştırma odağı ve YOLOv6-3.0'ın yüksek düzeyde optimize edilmiş endüstriyel verimliliğidir.

Bu teknik karşılaştırma, mimari farklılıklarını, performans metriklerini ve ideal kullanım durumlarını incelerken, aynı zamanda en üst düzey uç ve bulut dağıtım çözümü arayan geliştiriciler için Ultralytics YOLO26 modelinin yeni nesil yeteneklerini tanıtmaktadır.

Link to this sectionYOLOX: Araştırma ve Endüstriyi Birleştirmek#

Megvii bünyesindeki araştırmacılar tarafından geliştirilen YOLOX, YOLO mimarisini tamamen çapasız hale getirerek basitleştirmeye yönelik büyük 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

Link to this sectionMimari Öne Çıkanlar#

YOLOX, çapasız bir tasarımı YOLO ailesine başarıyla entegre etti. Önceden tanımlanmış çapa kutularını ortadan kaldırarak, model eğitim sırasında gereken tasarım parametresi sayısını ve sezgisel ayarlamaları önemli ölçüde azaltır. Bu, YOLOX'u manuel çapa yeniden hesaplamasına gerek kalmadan çeşitli özel veri setlerine son derece uyumlu hale getirir.

Ayrıca YOLOX, ayrıştırılmış (decoupled) bir baş mimarisi tanıttı. Sınıflandırma ve regresyon görevlerini farklı dallara ayırarak, model bir nesnenin ne olduğu ve nerede bulunduğu arasındaki doğal çelişkiyi çözer. SimOTA etiket atama stratejisiyle birleştirilen YOLOX, daha hızlı yakınsama ve geliştirilmiş ortalama hassasiyet (mAP) elde eder.

YOLOX hakkında daha fazla bilgi edinin

Link to this sectionYOLOv6-3.0: Endüstriyel Ağır Siklet#

Meituan'daki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle TensorRT gibi donanım hızlandırıcıları kullanan NVIDIA GPU'larda maksimum endüstriyel verimlilik için tasarlanmıştır.

• Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
• Kuruluş: Meituan
• Tarih: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Link to this sectionDağıtım için Optimizasyon#

YOLOv6-3.0, GPU kullanımını en üst düzeye çıkarmaya odaklanır. Boyun kısmında, yüksek çıkarım hızlarını korurken özellik birleştirmeyi geliştirmek için iki yönlü bir birleştirme (BiC) modülü sunar. Çıkarım aşaması tamamen çapasız olsa da, YOLOv6-3.0 eğitim aşamasında çapa tabanlı kararlılıktan yararlanmak için yenilikçi bir Çapa Destekli Eğitim (AAT) stratejisi kullanır.

Omurga yapısı, bellek erişim maliyetlerini en aza indirmek ve modern hızlandırıcılar üzerinde hesaplama yoğunluğunu en üst düzeye çıkarmak için özel olarak tasarlanmış, donanım dostu EfficientRep mimarisi kullanılarak oluşturulmuştur. Bu, YOLOv6'yı sunucu tarafı video analitiği için son derece güçlü bir aday yapar.

YOLOv6 hakkında daha fazla bilgi edin

Link to this sectionPerformans Karşılaştırması#

Bu modelleri karşılaştırırken geliştiriciler, ham doğruluk ile çıkarım hızı ve parametre sayısını tartmalıdır. Aşağıdaki tablo, her iki model ailesinin çeşitli boyutlardaki performansını vurgulamaktadır.

YOLOv6-3.0 daha büyük varyantlar için üstün mAP ve mükemmel TensorRT hızları gösterse de, YOLOX basitliği ve eski donanımlardaki sağlam performansı sayesinde oldukça rekabetçi kalmaya devam etmektedir.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOX ve YOLOv6 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLOX Seçilmeli#

YOLOX şunlar için güçlü bir tercihtir:

• Anchor-Free Algılama Araştırmaları: Yeni algılama başlıkları veya kayıp fonksiyonlarını denemek için YOLOX'un temiz, anchor-free mimarisini temel olarak kullanan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (0.91M parametre) kritik olduğu mikrodenetleyicilerde veya eski mobil donanımlarda dağıtım yapmak.
• SimOTA Etiket Atama Çalışmaları: Optimum taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini araştıran araştırma projeleri.

Link to this sectionNe Zaman YOLOv6 Seçilmeli#

YOLOv6 şunlar için önerilir:

• Endüstriyel Donanım Odaklı Dağıtım: Modelin donanım odaklı tasarımı ve verimli yeniden parametrelendirilmesinin, belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerindeki ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistem Entegrasyonu: Halihazırda Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionUltralytics Avantajı#

Hem Megvii hem de Meituan güçlü araştırma depoları sunsa da, bu modelleri üretim ortamında dağıtmak genellikle önemli bir mühendislik yükü gerektirir. Entegre Ultralytics ekosistemi, birleşik ve kapsamlı bir şekilde belgelenmiş bir API sunarak bu engelleri ortadan kaldırır.

Ultralytics paketinden yararlanarak geliştiriciler, benzersiz bir kullanıcı deneyimine erişim kazanırlar. Bu, yerleşik otomatik artırma, eğitim sırasında son derece verimli bellek yönetimi (RTDETR gibi Transformer modellerine kıyasla VRAM gereksinimlerini önemli ölçüde düşürür) ve ONNX ve OpenVINO gibi formatlara sorunsuz dışa aktarma hatları içerir.

Özel modellerin aksine, Ultralytics mimarileri doğası gereği çok yönlüdür ve Nesne Algılama, Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) kutudan çıktığı gibi destekler.

Link to this sectionYOLO26 ile Tanışın: En Üst Düzey Uç (Edge) Çözümü#

Yeni bilgisayarlı görü projelerine başlayan ekipler için, yeni çıkan Ultralytics YOLO26 modeline yükseltme yapmanızı şiddetle tavsiye ederiz. YOLO11 ve YOLOv8 başarılarının üzerine inşa edilen YOLO26, paradigma değiştiren yenilikler sunar:

• Uçtan Uca NMS-Free Tasarım: İlk olarak YOLOv10'da keşfedilen YOLO26, Maksimum Olmayan Baskılama (NMS) sonrası işleme ihtiyacını yerel olarak ortadan kaldırır. Bu, gerçek zamanlı robotik için kritik olan deterministik, ultra düşük gecikmeli çıkarımı garanti eder.
• MuSGD Optimize Edici: Moonshot AI'nın Kimi K2'si gibi LLM eğitim tekniklerinden esinlenen YOLO26, inanılmaz derecede istikrarlı eğitim dinamikleri ve daha hızlı yakınsama elde etmek için MuSGD optimize edicisini (SGD ve Muon'un bir melezi) kullanır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılım Odaklı Kayıp (DFL) fonksiyonunu kaldırarak ve ağ başını düzenleyerek, YOLO26 CPU yürütmesine dayanan uç cihazlar için ağır bir şekilde optimize edilmiş olup, uç senaryolarında YOLOv6'dan önemli ölçüde daha iyi performans gösterir.
• ProgLoss + STAL: Bu gelişmiş kayıp formülasyonları, küçük nesne algılamada kayda değer iyileştirmeler sağlar ve YOLO26'yı hava görüntüleri ve mikroskobik kusur denetimi için ideal hale getirir.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionBirleşik Eğitim Örneği#

Ultralytics Python API'sini kullanarak son teknoloji modelleri eğitmek sadece birkaç satır kod gerektirir. Aynı temiz arayüz, ister eski bir YOLO modelini test ediyor olun, ister en yeni YOLO26 çerçevesini dağıtıyor olun 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 downloading, caching, and auto-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")

Link to this sectionKullanım Durumu Önerileri#

Bu mimariler arasında karar verirken, donanım kısıtlamalarını ve proje gereksinimlerini göz önünde bulundur:

• YOLOX'u seç: Etiket atama stratejileri üzerine akademik araştırmalar yapıyorsan veya özel mimari değişiklikler için saf, anlaşılması kolay, çapasız bir temel model gerekiyorsa.
• YOLOv6-3.0'ı seç: Yüzlerce video akışını aynı anda işlemek için büyük yığın boyutlarından ve TensorRT optimizasyonlarından yararlanabileceğin, üst düzey NVIDIA GPU'larla (A100 veya T4 gibi) donatılmış bir endüstriyel sunucu rafına dağıtım yapıyorsan.
• YOLO26'yı seç: Modern uygulamaların büyük çoğunluğu için. Eğer IoT cihazları, dronlar veya cep telefonları için Uç Yapay Zeka (Edge AI) uygulamaları geliştiriyorsan, YOLO26'nın yerel NMS-free tasarımı, CPU optimizasyonları ve kapsamlı ekosistem desteği, onu eğitim ve üretim arasındaki boşluğu kapatmak için tartışmasız en iyi seçim yapar.