YOLOX ve YOLOv6-3.0#

Bilgisayarlı görü alanının evrimi, büyük ölçüde YOLO serisindeki hızlı ilerlemelerle şekillenmiştir. Dağıtımın için doğru mimariyi seçmek çoğu zaman ham aktarım hızı, mimari basitlik ve eğitim verimliliği arasında denge kurmaya bağlıdır. Bu yolculuktaki iki önemli kilometre taşı, YOLOX'in anchorsız araştırma odağı ve YOLOv6-3.0'ın yüksek düzeyde optimize edilmiş endüstriyel aktarım hızıdır.

Bu teknik karşılaştırma, mimari farklılıklarını, performans metriklerini ve ideal kullanım alanlarını ayrıntılı olarak ele alırken, en üst düzey uç ve bulut dağıtımı çözümünü arayan geliştiriciler için yeni nesil Ultralytics YOLO26 yeteneklerini de tanıtıyor.

YOLOX: Araştırma ile Endüstri Arasında Köprü Kuruyor#

Megvii araştırmacıları tarafından geliştirilen YOLOX, tamamen anchorsız hâle getirilerek YOLO mimarisini 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

Mimari Öne Çıkanlar#

YOLOX, anchorsız tasarımı YOLO ailesine başarıyla entegre etti. Önceden tanımlanmış anchor kutularını ortadan kaldıran model, eğitim sırasında gereken tasarım parametrelerinin ve sezgisel ayarların sayısını önemli ölçüde azaltır. Bu sayede YOLOX, anchor'ların elle yeniden hesaplanmasına gerek kalmadan çeşitli özel veri kümelerine kolayca uyum sağlar.

Ayrıca YOLOX, ayrıştırılmış bir başlık mimarisi sundu. Sınıflandırma ve regresyon görevlerini farklı dallara ayıran model, bir nesnenin ne olduğunu belirleme ile nerede bulunduğunu belirleme arasındaki doğal çelişkiyi çözer. SimOTA etiket atama stratejisiyle birlikte YOLOX, daha hızlı yakınsama ve daha iyi ortalama kesinlik (mAP) elde eder.

YOLOX hakkında daha fazla bilgi edin

YOLOv6-3.0: Endüstriyel Ağır Siklet#

Meituan bünyesindeki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle TensorRT gibi donanım hızlandırıcılarını kullanan NVIDIA GPU'larda maksimum endüstriyel aktarım hızı için kararlı bir şekilde 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 füzyonunu geliştirmek için boyun kısmına çift yönlü birleştirme (BiC) modülü ekler. Çıkarım aşaması tamamen anchorsız olsa da YOLOv6-3.0, eğitim aşamasında anchor tabanlı kararlılıktan yararlanmak için yenilikçi Anchor Destekli Eğitim (AAT) stratejisini kullanır.

Omurga, bellek erişim maliyetlerini en aza indirmek ve modern hızlandırıcılarda hesaplama yoğunluğunu en üst düzeye çıkarmak üzere tasarlanmış, donanım dostu EfficientRep mimarisi kullanılarak oluşturulmuştur. Bu da 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 öne çıkarır.

YOLOv6-3.0 daha büyük varyantlarda daha yüksek mAP ve mükemmel TensorRT hızları gösterse de YOLOX, basitliği ve eski donanımlardaki güçlü performansı sayesinde rekabet gücünü korur.

Kullanım Alanları ve Öneriler#

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

YOLOX Ne Zaman Seçilmeli?#

YOLOX şu durumlar için güçlü bir seçenektir:

• Çapasız Algılama Araştırması: Yeni algılama başlıklarını veya kayıp işlevlerini denemek için YOLOX'in temiz, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (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 etkisini inceleyen araştırma projeleri.

YOLOv6 Ne Zaman Seçilmeli#

YOLOv6 şu durumlarda önerilir:

• Endüstriyel Donanım Farkındalıklı Dağıtım: Modelin donanım farkındalıklı tasarımının ve verimli yeniden parametrelendirmesinin belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerinde ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Zaten Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

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

Ultralytics Avantajı#

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

Ultralytics paketinden yararlanarak benzersiz bir kullanıcı deneyimi elde edersin. Buna yerleşik otomatik artırma, eğitim sırasında son derece verimli bellek yönetimi (RT-DETR gibi transformatör modellerine kıyasla VRAM gereksinimlerini büyük ölçüde düşürür) ve ONNX ile OpenVINO gibi formatlara kesintisiz dışa aktarma hatları dahildir.

Uzmanlaşmış modellerin aksine Ultralytics mimarileri doğaları gereği çok yönlüdür; kutudan çıktığı hâliyle Nesne Algılama, Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) görevlerini destekler.

YOLO26 ile tanışın: En üstün uç çözüm#

Yeni bilgisayarlı görü projelerine başlayan ekipler için yeni yayımlanan Ultralytics YOLO26 sürümüne geçmeni önemle öneriyoruz. YOLO11 ve YOLOv8 başarılarının üzerine inşa edilen YOLO26, paradigma değiştiren yenilikler sunar:

• Uçtan Uca NMS'siz Tasarım: İlk olarak YOLOv10'da araştırılan YOLO26, son işleme aşamasında Maksimum Olmayan Bastırma (NMS) ihtiyacını yerel olarak ortadan kaldırır. Bu, gerçek zamanlı robotik için kritik olan deterministik ve ultra düşük gecikmeli çıkarımı garanti eder.
• MuSGD Optimize Edicisi: Moonshot AI'ın Kimi K2'si gibi LLM eğitim tekniklerinden ilham alan YOLO26, son derece kararlı eğitim dinamikleri ve daha hızlı yakınsama elde etmek için MuSGD optimize edicisini (SGD ve Muon'un hibriti) kullanır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLO26, Distribution Focal Loss (DFL) bileşenini kaldırıp ağ başlığını sadeleştirerek CPU çalıştırmasına dayanan uç cihazlar için yoğun biçimde optimize edilmiştir ve uç senaryolarda YOLOv6'dan çok daha iyi performans gösterir.
• ProgLoss + STAL: Bu gelişmiş kayıp formülasyonları küçük nesne algılamada dikkat çekici iyileştirmeler sağlayarak YOLO26'yı hava görüntüleri ve mikroskobik kusur denetimi için ideal hâle getirir.

Birleşik eğitim örneği#

Ultralytics Python API'sini kullanarak son teknoloji modelleri eğitmek yalnızca birkaç satır kod gerektirir. Bu aynı temiz arayüz, ister eski bir YOLO modelini test ediyor ister en yeni YOLO26 çerçevesini dağıtıyor ol, 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")

Kullanım alanı önerileri#

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

• YOLOX'i seç: Etiket atama stratejileri üzerine akademik araştırma yürütüyorsan veya özel mimari değişiklikler için saf ve kolay anlaşılır bir anchorsız temel modele ihtiyaç duyuyorsan.
• YOLOv6-3.0'ı seç: Yüzlerce video akışını aynı anda işlemek için büyük batch boyutlarından ve TensorRT optimizasyonlarından yararlanabileceğin, üst düzey NVIDIA GPU'larla (A100 veya T4 gibi) donatılmış endüstriyel bir sunucu rafına dağıtım yapıyorsan.
• YOLO26'yı seç: Modern uygulamaların büyük çoğunluğu için. IoT cihazları, drone'lar veya cep telefonları için Edge AI uygulamaları geliştiriyorsan YOLO26'nın yerel NMS'siz tasarımı, CPU optimizasyonları ve kapsamlı ekosistem desteği, eğitim ile üretim arasındaki boşluğu kapatmak için onu tartışmasız en iyi seçenek hâline getirir.