YOLOX ve YOLOv8
Bilgisayarlı görü alanı, son birkaç yılda gerçek zamanlı nesne algılamada hızla ilerledi. Araştırmacılar ve mühendisler doğruluk ile hızı geliştirmeye devam ederken mevcut modeller arasından seçim yapmak zor olabilir. Bu kılavuz, etkili iki mimarinin teknik karşılaştırmasını sunuyor: YOLOX ve Ultralytics YOLOv8.
Geliştiriciler mimarilerini, eğitim yöntemlerini ve dağıtım olanaklarını analiz ederek yapay zekâ projeleri için doğru çerçeveyi seçerken bilinçli kararlar verebilir.
YOLOX: Araştırma ile Sektör Arasında Köprü Kuruyor#
YOLOX, akademik araştırma ile endüstriyel uygulama arasındaki boşluğu kapatmaya yardımcı olan önemli bir model olarak ortaya çıktı. Ankorsuz tasarıma geri dönerek önceki ankor tabanlı algılayıcılar için gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını önemli ölçüde azalttı.
Model Ayrıntıları:
- Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
- Kuruluş: Megvii
- Tarih: 2021-07-18
- arXiv: YOLOX: 2021'de YOLO Serisini Aşmak
- GitHub: Megvii-BaseDetection/YOLOX
- Belgeler: YOLOX Belgeleri
Mimari Öne Çıkanlar#
YOLOX, kendisini önceki modellerinden ayıran birkaç önemli değişikliği bir araya getirir. Bunların en dikkat çekeni, sınıflandırma ve sınırlayıcı kutu regresyonu görevlerini ayrı yollara ayıran ayrıştırılmış başlıktır. Bu mimari tercih, regresyon için gereken uzamsal hizalama ile sınıflandırmanın gerektirdiği öteleme değişmezliği arasındaki çatışmayı azaltarak eğitim sırasında daha hızlı yakınsama sağlar.
Ayrıca YOLOX, SimOTA etiket atama stratejisini kullanır. Bu dinamik atama yöntemi, gerçek değer nesnelerinin tahminlerle eşleştirilmesini optimal taşıma problemi olarak formüle ederek eğitim süresini etkili biçimde azaltır ve ortalama hassasiyeti (mAP) artırır. Model ayrıca MixUp ve Mosaic gibi güçlü veri artırma tekniklerinden yararlanır; ancak öğrenilen özellikleri kararlı hale getirmek için son dönemlerde bu teknikleri kapatır.
YOLOX hakkında daha fazla bilgi edin
YOLOv8: Çok Yönlü Ekosistemin Standardı#
Süregelen yıllarca süren araştırmaları temel alan Ultralytics YOLOv8, Ultralytics modelleri için önemli bir ilerlemedir. Yalnızca bir nesne algılayıcı değil, erişilebilir bir API ile çok çeşitli görsel tanıma zorluklarını ele alabilen kapsamlı ve çok görevli bir çerçeve olacak şekilde en baştan tasarlandı.
Model Ayrıntıları:
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2023-01-10
- GitHub: ultralytics/ultralytics
- Belgeler: YOLOv8 Belgeleri
Mimari Gelişmeler#
YOLOv8, C3 modülünü daha verimli C2f modülüyle değiştirerek parametre sayısını fazla artırmadan gradyan akışını ve özellik çıkarımını geliştiren, sadeleştirilmiş bir mimari sunar. YOLOX gibi YOLOv8 de ankorsuz bir tasarım ve ayrıştırılmış bir başlık kullanır; ancak Dağılım Odaklı Kayıp (DFL) ve CIoU kaybını ekleyerek kayıp hesabını iyileştirir ve özellikle küçük veya üst üste binen nesnelerde daha hassas sınırlayıcı kutu tahminleri sağlar.
YOLOv8'in en büyük güçlü yanlarından biri Ultralytics ekosistemine derinlemesine entegre olmasıdır. Birleşik Python API'sini veya Ultralytics Platform görsel arayüzünü kullanıyor ol, eğitimden dağıtıma geçiş kolaydır; ONNX ile TensorRT arasındaki biçimler yerel olarak desteklenir.
Standart nesne algılamanın ötesinde YOLOv8; örnek segmentasyonu, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekler. Bu çok görevli esneklik, birden fazla model türünün yönetilmesi gereken karmaşık üretim ortamları için onu çekici bir seçenek haline getirir.
Performans ve Metrik Karşılaştırması#
Bu modelleri karşılaştırırken geliştiricilerin doğruluk, çıkarım gecikmesi ve hesaplama yükü arasındaki ödünleşimleri göz önünde bulundurması gerekir. Aşağıdaki tablo, her iki model ailesinin kıyaslama sonuçlarını gösteriyor.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
YOLOv8, güçlü GPU hızlarını korurken benzer parametre sayılarında YOLOX'ten sürekli olarak daha yüksek mAP elde eder. Ayrıca Ultralytics modelleri, eğitim sırasında daha düşük bellek gereksinimleriyle bilinir. Bu, özellikle önemli ölçüde daha fazla CUDA belleği tüketen RT-DETR gibi kaynak tüketimi yüksek Transformer mimarileriyle karşılaştırıldığında, tüketici donanımlarında toplu iş boyutlarını artırmak için önemli bir avantajdır.
Geliştirme ve Dağıtım Deneyimi#
Eski araştırma kod tabanlarıyla çalışırken genellikle karmaşık ortamları yapılandırmak ve çıkarım için özel standart kodlar yazmak gerekir. Buna karşılık Ultralytics API'si bu işlemi yalnızca birkaç satır Python koduna indirger.
from ultralytics import YOLO
# YOLOv8 küçük modeli başlat
model = YOLO("yolov8s.pt")
# Modeli özel bir veri kümesiyle eğit
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Modelin doğruluğunu doğrula
metrics = model.val()
# Bir test görüntüsünde çıkarım çalıştır
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()Bu birleşik arayüz, bakımı iyi yapılan Ultralytics ekosisteminin ayırt edici özelliklerinden biridir; geliştiricilerin ortam sorunlarını ayıklamaya daha az, bilgisayarlı görü çözümlerini geliştirmeye daha fazla zaman ayırmasını sağlar.
Kullanım Alanları ve Öneriler#
YOLOX ve YOLOv8 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.
YOLOv8'i Ne Zaman Seçmeli?#
YOLOv8 şu durumlarda önerilir:
- Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
- Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
- Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.
Ultralytics'i (YOLO26) Ne Zaman Seçmeli#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini 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.
Geleceğe Bakış: YOLO26 Mimarisi#
YOLOv8 doğruluk ve kullanılabilirlik arasında güçlü bir denge sunsa da yapay zekâ hızla gelişmeye devam ediyor. Ocak 2026'da yayımlanan YOLO26, önceki nesillerin temellerini geliştirerek modern uç ve bulut dağıtımları için önerilen modeldir.
YOLO26, uçtan uca, NMS içermeyen bir tasarım sunar: isteğe bağlı bire bir başlığı (nms=False), sezgisel NMS son işleme adımını atlar ve çeşitli dağıtım hedeflerinde kararlı, öngörülebilir gecikme sağlar. Dağılım Odaklı Kayıp (DFL) modülü kaldırıldığı için YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sunar; böylece YOLO26 gömülü sistemler ve mobil uygulamalar için güçlü bir seçenek olur.
YOLO26, yakınsamayı hızlandıran SGD ile Muon hibriti MuSGD iyileştiricisi sayesinde eğitim kararlılığını da artırır. YOLO26, ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama) ile drone haritalama ve güvenlik alarmı sistemleri için kritik olan küçük nesne algılamayı iyileştirir.
Sonuç ve Öneriler#
YOLOX, ankorsuz yöntemlere geçişte önemli bir adımdı; ancak entegre, çok görevli bir ekosisteme sahip olmaması hızlı ilerleyen üretim ortamlarında kullanımını kısıtlıyor.
Sorunsuz bir deneyime, çok yönlü görev desteğine ve güçlü topluluk desteğine öncelik veren geliştiriciler için YOLOv8 sağlam bir seçenek olmaya devam ediyor. Ancak uç bilişim performansını en üst düzeye çıkarmak, NMS darboğazlarını ortadan kaldırmak ve en yeni eğitim yenilikleriyle en yüksek doğruluğu elde etmek isteyenler için YOLO26, yeni bilgisayarlı görü projelerinde önerilen modeldir.
Ultralytics ürün ailesindeki diğer modelleri incelemek istersen YOLO11 performans özelliklerine göz atabilir veya YOLOv10 ile tanıtılan NMS'siz yaklaşımı okuyabilirsin.
Yorumlar1
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
zaraquinnat(düzenlendi)
Excellent technical comparison! YOLOX introduced some innovative ideas like decoupled heads and anchor-free design, which definitely influenced later models. However, this YOLOv8 comparison shows how v8 builds on such advancements with a cleaner architecture, better task flexibility, and improved performance across various benchmarks. Both have their strengths depending on the application.