Link to this sectionYOLOX ve YOLOv8#

Bilgisayarlı görü alanı, son birkaç yılda gerçek zamanlı nesne algılama konusunda kayda değer ilerlemelere tanık oldu. Araştırmacılar ve mühendisler doğruluk ve hız sınırlarını sürekli zorladıkça, mevcut modeller arasında yolunuzu bulmak zorlayıcı olabilir. Bu kapsamlı rehber, oldukça etkili iki mimari olan YOLOX ve Ultralytics YOLOv8 arasında derinlemesine teknik bir karşılaştırma sunmaktadır.

Geliştiriciler, bunların benzersiz mimarilerini, eğitim metodolojilerini ve dağıtım yeteneklerini analiz ederek yapay zeka projeleri için en uygun çerçeveyi seçerken bilinçli kararlar verebilirler.

Link to this sectionYOLOX: Araştırma ve Endüstriyi Birleştirmek#

YOLOX, akademik araştırmalar ile endüstriyel uygulamalar arasındaki boşluğu başarıyla kapatan kritik bir model olarak ortaya çıktı. Önceki çapa (anchor) tabanlı dedektörler için gereken tasarım parametrelerinin ve buluşsal ayarlamaların sayısını önemli ölçüde azaltan, çapasız bir tasarıma dönüşü başlattı.

Model Detayları:
Yazar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
Kuruluş: Megvii
Tarih: 2021-07-18
Arxiv: YOLOX: Exceeding YOLO Series in 2021
GitHub: Megvii-BaseDetection/YOLOX
Dokümantasyon: YOLOX Documentation

Link to this sectionMimari Öne Çıkanlar#

YOLOX, kendisinden önceki modellerden ayrılan çeşitli önemli modifikasyonları bünyesinde barındırır. Bunlardan en dikkat çekeni, sınıflandırma ve sınırlayıcı kutu (bounding box) regresyon görevlerini ayrı yollara ayıran ayrıştırılmış (decoupled) başlıktır. Bu mimari tercih, regresyon için gereken uzamsal uyum ile sınıflandırma için gereken çeviri değişmezliği arasındaki doğal çatışmayı çözerek eğitim sırasında daha hızlı bir yakınsama hızı sağlar.

Ayrıca YOLOX, SimOTA etiket atama stratejisini kullanır. Bu dinamik atama yöntemi, temel gerçek (ground truth) nesnelerin tahminlerle eşleştirilmesini bir optimal taşıma problemi olarak formüle eder ve ortalama hassasiyeti (mAP) artırırken eğitim süresini etkili bir şekilde azaltır. Model ayrıca MixUp ve Mosaic dahil olmak üzere güçlü veri artırma tekniklerini kullanır, ancak öğrenilen özellikleri stabilize etmek için son aşamalarda bunları kapatır.

YOLOX hakkında daha fazla bilgi edinin

Link to this sectionYOLOv8: Çok Yönlü Ekosistem Standardı#

Yıllarca süren kesintisiz araştırmaların üzerine inşa edilen Ultralytics YOLOv8, en gelişmiş bilgisayarlı görü modellerinde büyük bir evrimi temsil eder. Sadece bir nesne dedektörü değil, aynı zamanda inanılmaz derecede erişilebilir bir API ile çok çeşitli görsel tanıma zorluklarını ele alabilen kapsamlı, çok görevli bir çerçeve olarak sıfırdan tasarlanmıştır.

Model Detayları:
Yazar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2023-01-10
GitHub: ultralytics/ultralytics
Dokümantasyon: YOLOv8 Documentation

Link to this sectionMimari Gelişmeler#

YOLOv8, C3 modülünü daha verimli C2f modülü ile değiştiren, parametre sayısını aşırı artırmadan gradyan akışını ve özellik çıkarımını iyileştiren modern bir mimari sunar. YOLOX gibi, YOLOv8 de çapasız bir tasarım ve ayrıştırılmış bir başlık kullanır; ancak, Distribution Focal Loss (DFL) ve CIoU kaybını birleştirerek kayıp hesaplamasını rafine eder ve özellikle küçük veya örtüşen nesneler için çok daha hassas sınırlayıcı kutu tahminleri sağlar.

Standart nesne algılamanın ötesinde, YOLOv8 yerel olarak örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler. Bu çok görevli esneklik, birden fazla model türünün korunması gereken karmaşık üretim ortamları için onu son derece çekici bir seçenek haline getirir.

YOLOv8 hakkında daha fazla bilgi edinin

Link to this sectionPerformans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken, geliştiriciler hassasiyet, çıkarım gecikmesi ve hesaplama yükü arasındaki dengeyi dikkate almalıdır. Aşağıdaki tablo, her iki model ailesi için kıyaslamaları göstermektedir.

YOLOv8, mükemmel GPU hızlarını korurken karşılaştırılabilir parametre boyutlarında tutarlı bir şekilde üstün mAP gösterir. Ayrıca, Ultralytics modelleri eğitim sırasında daha düşük bellek gereksinimleri ile bilinir. Bu, RT-DETR gibi çok daha fazla CUDA belleği tüketen, kaynak yoğun Transformer mimarileriyle karşılaştırıldığında, tüketici donanımında toplu iş boyutlarını ölçeklendirirken çok önemli bir avantajdır.

Link to this sectionGeliştirme ve Dağıtım Deneyimi#

Eski araştırma kod tabanlarıyla çalışmak genellikle karmaşık ortamların yapılandırılmasını ve çıkarım için özel boilerplate kodlarının yazılmasını gerektirir. Buna karşılık, Ultralytics API bunu sadece birkaç satır Python koduna indirger.

from ultralytics import YOLO

# Initialize the YOLOv8 small model
model = YOLO("yolov8s.pt")

# Train the model effortlessly on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's accuracy
metrics = model.val()

# Execute inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Bu birleşik arayüz, iyi korunan Ultralytics ekosisteminin bir özelliğidir ve geliştiricilerin ortam sorunlarını ayıklamakla daha az, bilgisayarlı görü çözümleri üzerinde yineleme yapmakla daha çok zaman harcamalarını sağlar.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOX ve YOLOv8 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 sectionYOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için önerilir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kanıtlanmış bir modele ihtiyaç duyan projeler.
• Yerleşik Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, istikrarlı ve iyi test edilmiş dağıtım hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.

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 sectionGeleceğe Bakış: YOLO26 Mimarisi#

YOLOv8 olağanüstü denge ve kullanılabilirlik sunsa da, yapay zeka sınırları hızla ilerlemeye devam ediyor. Ocak 2026'da yayınlanan YOLO26, önceki nesillerin temel kavramlarını alıp onları durmaksızın optimize ederek modern uç ve bulut dağıtımı için kesin standardı temsil ediyor.

YOLO26, buluşsal non-maximum suppression (NMS) sonrası işleme adımını tamamen ortadan kaldıran, uçtan uca NMS içermeyen bir tasarım sunuyor. Bu atılım, çeşitli dağıtım hedeflerinde kararlı ve belirleyici bir gecikme sağlar. Ayrıca, Distribution Focal Loss (DFL) modülünü kasıtlı olarak kaldırarak, YOLO26 %43'e kadar daha hızlı CPU çıkarımı sağlar ve bu da onu gömülü sistemler ve mobil uygulamalar için kesinlikle en iyi seçenek haline getirir.

YOLO26'da eğitim kararlılığı, yakınsamayı hızlandıran SGD ve Muon'un bir hibriti olan yeni MuSGD optimize edicisinin entegrasyonu ile de devrim yaratıyor. Yeni ProgLoss + STAL kayıp fonksiyonlarıyla birleştirilen YOLO26, drone haritalama ve güvenlik alarm sistemleri için son derece kritik olan küçük nesne tanımada kayda değer iyileştirmeler sunuyor.

Link to this sectionSonuç ve Öneriler#

Eski çerçeveleri modern çözümlerle değerlendirirken izlenecek yol açıktır. YOLOX, çapasız metodolojilere geçişte etkili bir basamak olsa da, entegre ve çok görevli bir ekosistemden yoksun olması, hızlı tempolu üretim ortamlarındaki kullanımını sınırlamaktadır.

Kusursuz bir deneyime, çok yönlü görev desteğine ve güçlü topluluk desteğine öncelik veren geliştiriciler için YOLOv8 oldukça sağlam bir seçenek olmaya devam ediyor. Ancak, uç bilişim performansını en üst düzeye çıkarmak, NMS darboğazlarını ortadan kaldırmak ve en son eğitim yenilikleriyle mümkün olan en yüksek doğruluğu elde etmek isteyenler için, YOLO26 her yeni bilgisayarlı görü projesi için şiddetle tavsiye edilen modeldir.

Ultralytics paketindeki diğer modelleri keşfetmek istersen, YOLO11 performans özelliklerini inceleyebilir veya YOLOv10 içinde ilk kez test edilen öncü NMS içermeyen kavramlar hakkında bilgi edinebilirsin.