YOLOX ve YOLOv6-3.0#

Bilgisayarlı görü alanındaki gelişmeler büyük ölçüde YOLO serisinin hızlı ilerlemesiyle şekillendi. Dağıtım için doğru mimariyi seçmek çoğu zaman ham aktarım hızını, mimari sadeliği ve eğitim verimliliğini dengelemeye bağlıdır. Bu yolculuktaki iki önemli kilometre taşı, YOLOX'in anchor-free araştırma odağı ve YOLOv6-3.0'ın yüksek düzeyde optimize edilmiş endüstriyel aktarım hızıdır.

Bu teknik karşılaştırma, mimari farklılıkları, performans ölçütlerini ve ideal kullanım alanlarını incelerken uç ve bulut dağıtımı için en iyi çözümü arayan geliştiricilere yeni nesil Ultralytics YOLO26 yeteneklerini de tanıtıyor.

YOLOX: Araştırma ile Sektör Arasında Köprü Kuruyor#

Megvii araştırmacıları tarafından geliştirilen YOLOX, YOLO mimarisini tamamen anchor-free hâle getirerek sadeleştirmeye 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

Mimari Öne Çıkanlar#

YOLOX, anchor-free tasarımı YOLO ailesine başarıyla entegre etti. Önceden tanımlanmış anchor kutularını ortadan kaldırarak eğitim sırasında gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını önemli ölçüde azalttı. Böylece YOLOX, anchor'ların elle yeniden hesaplanmasına gerek kalmadan çeşitli özel veri kümelerine kolayca uyarlanabilir.

YOLOX ayrıca ayrık bir başlık mimarisi sundu. Sınıflandırma ve regresyon görevlerini farklı dallara ayıran model, bir nesnenin ne olduğunu belirlemekle nerede bulunduğunu saptamak arasındaki doğal çatışmayı çözer. SimOTA etiket atama stratejisiyle birlikte YOLOX, daha hızlı yakınsama ve gelişmiş ortalama ortalama kesinlik (mAP) sağlar.

YOLOX hakkında daha fazla bilgi edin

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 endüstriyel aktarım hızını en üst düzeye çıkarmak üzere 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. Çıkarım hızını yüksek tutarken özellik birleştirmeyi iyileştirmek için boyun kısmına Çift Yönlü Birleştirme (BiC) modülü ekler. Çıkarım aşaması tamamen anchor-free olsa da YOLOv6-3.0, eğitim aşamasında anchor tabanlı kararlılıktan yararlanmak için yenilikçi bir Anchor Destekli Eğitim (AAT) stratejisi kullanır.

Omurga, bellek erişim maliyetlerini en aza indirip modern hızlandırıcılarda hesaplama yoğunluğunu en üst düzeye çıkarmak üzere tasarlanmış, donanım dostu EfficientRep mimarisiyle oluşturulmuştur. Bu özellik, YOLOv6'yı sunucu taraflı video analitiği için son derece güçlü bir aday hâline 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.

YOLOv6-3.0 daha büyük varyantlarda üstün mAP ve yüksek TensorRT hızları sunarken YOLOX, sadeliği ve eski donanımlardaki sağlam performansı sayesinde rekabet gücünü korur.

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 çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı#

Megvii ve Meituan güçlü araştırma depoları sunsa da bu modelleri üretimde dağıtmak çoğu zaman önemli ölçüde mühendislik yükü getirir. Entegre Ultralytics ekosistemi, birleşik ve kapsamlı biçimde belgelenmiş bir API sunarak bu engelleri ortadan kaldırır.

Geliştiriciler Ultralytics paketinden yararlanarak benzersiz bir kullanıcı deneyimine erişir. Bu deneyim; yerleşik otomatik veri artırmayı, eğitim sırasında verimli bellek yönetimini ( RT-DETR gibi Transformer modellerine kıyasla VRAM gereksinimlerini büyük ölçüde azaltır) ve ONNX ile OpenVINO gibi biçimlere sorunsuz aktarım iş akışlarını kapsar.

Uzmanlaşmış modellerin aksine Ultralytics mimarileri doğaları gereği çok yönlüdür ve kutudan çıktığı gibi Nesne Algılamayı, Örnek Segmentasyonunu, Poz Tahminini, Görüntü Sınıflandırmasını ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler.

YOLO26 ile Tanış: Uçta En İyi Çözüm#

Yeni bilgisayarlı görü projelerine başlayan ekiplerin yeni yayımlanan Ultralytics YOLO26 modeline geçmesini önemle öneriyoruz. YOLO11 ve YOLOv8'in başarıları üzerine kurulan YOLO26, paradigma değiştiren yenilikler sunuyor:

• Uçtan Uca NMS İçermeyen Tasarım: İlk olarak YOLOv10'da incelenen YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini gereksiz kılar. Böylece gerçek zamanlı robotik için kritik olan belirlenimci ve son derece düşük gecikmeli çıkarım sağlanır.
• MuSGD Optimize Edicisi: Moonshot AI'ın Kimi K2'si gibi LLM eğitim tekniklerinden esinlenen YOLO26, son derece kararlı eğitim dinamikleri ve daha hızlı yakınsama elde etmek için MuSGD optimize edicisini (SGD ve Muon hibriti) kullanır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) modülünü kaldırıp ağ başlığını sadeleştiren YOLO26, CPU'da çalışmaya dayanan uç cihazlar için kapsamlı biçimde optimize edilmiştir ve uç senaryolarda YOLOv6'dan çok daha iyi performans gösterir.
• ProgLoss + STAL: Bu gelişmiş kayıp formülasyonları, küçük nesne algılamada kayda değer iyileştirmeler sağlayarak YOLO26'yı hava görüntüleri ve mikroskobik kusur incelemesi için ideal hâle getirir.

Birleşik Eğitim Örneği#

Ultralytics Python API'sini kullanarak son teknoloji modelleri yalnızca birkaç satır kodla eğitebilirsin. Eski bir YOLO modelini test ediyor veya son teknoloji YOLO26 çerçevesini dağıtıyor olman fark etmeksizin aynı temiz arayüzü kullanırsın.

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")

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 içermeyen tasarımı, CPU optimizasyonları ve kapsamlı ekosistem desteği, eğitim ile üretim arasındaki boşluğu kapatmak için onu tartışmasız en iyi seçenek hâline getirir.