Başla

YOLOX ve YOLOv9

Bilgisayarlı görü alanı, hesaplama verimliliğini yüksek doğrulukla dengeleyen sürekli mimari gelişmelerle şekillendi. Gerçek zamanlı nesne algılama modellerini değerlendirirken Megvii'nin YOLOX modeliyle Academia Sinica'nın YOLOv9 modeli arasındaki karşılaştırma, derin öğrenme geliştirmeye yönelik iki farklı yaklaşımı ortaya koyuyor. YOLOX basitleştirilmiş bir ankorsuz tasarımı yaygınlaştırırken YOLOv9, bilgi korunumunu en üst düzeye çıkarmak için gradyan bilgisi tekniklerini tanıttı.

Bu teknik kılavuz, mimari farklılıklarını, performans kıyaslamalarını ve ideal kullanım alanlarını inceliyor; ayrıca Ultralytics Platform ile YOLO26 modelinin üretim dağıtımları için daha güçlü seçenekler sunduğunu gösteriyor.

YOLOX: Çapasız Yaklaşımın Öncüsü#

2021'in ortalarında yayımlanan YOLOX, akademik araştırmayla endüstriyel uygulama arasındaki boşluğu kapatmada önemli bir ilerlemeydi. Önceden tanımlanmış ankorsuz kutulara duyulan gereksinimi ortadan kaldırarak özel veri kümeleri için gereken sezgisel ayarlamaları önemli ölçüde basitleştirdi.

Mimari Yenilikler#

YOLOX, standart algılama işlem hattına birkaç önemli değişiklik getirdi. Sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrıştırılmış bir başlık uygulayarak bir nesneyi tanımlama ve sınırlarını konumlandırma arasındaki çatışmayı önemli ölçüde azalttı. YOLOX ayrıca eğitim sırasında pozitif örnekleri belirleyen dinamik bir etiket atama stratejisi olan SimOTA'yı benimsedi; bu sayede yakınsama hızlandı ve standart kıyaslama veri kümelerindeki genel performans iyileşti.

Güçlü Yönler ve Sınırlamalar#

YOLOX'in başlıca güçlü yanı basitleştirilmiş tasarımıdır. Ankorsuz mekanizma, geliştiricilerin kendi verileri için en uygun ankorsuz boyutları bulmak amacıyla kümeleme algoritmaları çalıştırmaya daha az zaman ayırması anlamına gelir. Ancak öz-dikkat veya gradyan yolu alanındaki yakın tarihli gelişmeler olmadan yerel olarak tasarlanmış eski bir mimari olduğundan, yeni ağların parametre verimliliğine ulaşamaz. Ayrıca birleşik bir API içinde örnek segmentasyonu ve poz tahmini gibi gelişmiş görevler için yerel desteği yoktur.

YOLOX hakkında daha fazla bilgi edin

YOLOv9: Gradyan Bilgisini En Üst Düzeye Çıkarma#

YOLOv9, 2024'te derin evrişimli sinir ağlarının doğasında bulunan bilgi darboğazı sorununa kuram odaklı bir yaklaşım getirdi.

Mimari Yenilikler#

YOLOv9'un belirleyici özelliği, ağın birden fazla katmanından geçerken kritik anlamsal bilgilerin kaybolmasını önlemeye yardımcı olan Programlanabilir Gradyan Bilgisidir (PGI). Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile birlikte YOLOv9, parametre-doğruluk açısından güçlü bir oran elde eder. Bu, modelin ağırlıkları güncellerken doğru gradyanları korumasını sağlayarak hafif sürümlerde bile etkili olmasını sağlar.

Güçlü Yönler ve Sınırlamalar#

YOLOv9, yüksek model doğruluğu sunar ve COCO üzerindeki güçlü mAP puanlarıyla araştırmacılar arasında popülerdir. Ancak verimliliğine rağmen YOLOv9, son işleme için hâlâ geleneksel Maksimum Olmayanları Bastırma (NMS) yöntemine dayanır; bu da çıkarım sırasında değişken gecikmeye yol açar. Yapay zekâyı uç cihazlara dağıtmaya odaklanan mühendisler için NMS mantığını yönetmek dağıtım işlem hattına karmaşıklık katar.

YOLOv9 hakkında daha fazla bilgi edin

Son İşleme Darboğazları

YOLOX ve YOLOv9 gibi geleneksel modeller, yinelenen sınırlayıcı kutuları elemek için maksimum olmayan bastırmaya (NMS) ihtiyaç duyar. Bu adım doğası gereği sıralı ilerler ve çoğu zaman CPU'larda darboğaz oluşturur; bu da en yeni Ultralytics modellerinde bulunan doğal uçtan uca mimarilere olan ihtiyacı ortaya koyar.

Performans Karşılaştırması#

Bu mimarilerin ham hesaplama ölçütlerini karşılaştırdığımızda YOLOv9'un daha modern bir referans modeli sunduğu, YOLOX'in ise eski kurulumlar için hafif bir seçenek olmayı sürdürdüğü açıkça görülüyor. Standart modellerinin ayrıntılı dökümü aşağıda yer alıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

YOLOv9, benzer parametre sayılarında daha yüksek doğruluk gösterse de hız, doğruluk ve kullanım kolaylığı arasında en iyi dengeyi arayan geliştiriciler Ultralytics'in en yeni gelişmelerini değerlendirmeli.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

YOLOX ve YOLOv9 gibi geçmiş modelleri değerlendirmek değerli bir bağlam sunsa da şu anda önerilen Ultralytics modeli, Ocak 2026'da yayımlanan ve algılama işlem hattını modern üretim ortamları için yeniden tasarlayan Ultralytics YOLO26 modelidir.

Mimari Yenilikler#

YOLO26, isteğe bağlı uçtan uca, NMS içermeyen tasarımıyla (nms=False) önceki modellerinin son işleme darboğazlarını gidererek farklı donanımlardaki dağıtımı basitleştirir. YOLO26 ayrıca dışa aktarmayı kolaylaştırmak için Dağılım Odaklı Kaybı (DFL) kaldırır ve daha kararlı eğitim için Stokastik Gradyan İnişi ile Muon'un hibriti olan MuSGD Optimizasyonunu içerir.

Raspberry Pi gibi kısıtlı ortamlara dağıtım yapan geliştiriciler için YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sunar. Ayrıca ProgLoss + STAL'ı (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama) tanıtır; bu yöntem, hava görüntüleri ve drone analizleri için kritik olan küçük nesne algılamayı iyileştirir.

Kolaylaştırılmış Geliştirme Ekosistemi#

Bağımsız araştırma depolarının aksine Ultralytics ekosistemi, geliştiricilere kolaylaştırılmış bir deneyim sunar. Ultralytics Python API ile mühendisler tekrar eden şablon kodlarını önemli ölçüde azaltabilir; optimize edilmiş bellek kullanımı da dikkat mekanizması yoğun mimarilere kıyasla daha az GPU VRAM'iyle sağlam modeller eğitmeni sağlar.

from ultralytics import YOLO

# Son derece optimize edilmiş, NMS'siz YOLO26 küçük modelini yükle
model = YOLO("yolo26s.pt")

# En düşük bellek kullanımıyla özel bir veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Optimize edilmiş dağıtım biçimlerine kolayca dışa aktar
model.export(format="engine", quantize=16)  # TensorRT'ye aktarır

YOLO26, algılamanın ötesinde aynı çerçeve içinde birçok görevi destekler. Uydu görüntüleme için hassas Yönlendirilmiş Sınırlayıcı Kutulara (OBB) veya tıbbi görüntü analizi için ince ayrıntılı piksel maskelerine ihtiyaç duysan da iş akışı aynı kalır. Önceki nesil iş akışlarını kullanan ekipler için Ultralytics YOLO11 da kullanılabilir ve tam olarak desteklenir.

Uygun Kullanım Alanları ve Dağıtım Stratejileri#

Doğru mimariyi seçmek, hedef dağıtım ortamına ve proje gereksinimlerine bağlıdır.

Uç Bilişim ve Robotik#

Düşük güçlü cihazlarda ağır son işleme gerektiren modellere güvenmek performansa zarar verebilir. YOLOX-Nano çok küçük olsa da doğruluğu genellikle güvenlik açısından kritik görevler için yetersizdir. Burada daha güçlü seçenek YOLO26'dır; DFL içermeyen başlığı ve isteğe bağlı NMS'siz çıkarımı, CPU iş parçacıklarında sorunsuz çalışmasını sağlayarak onu otonom robotik veya akıllı otopark yönetimi için çok uygun hale getirir.

Akademik Kıyaslama#

Tek amaç gradyan akışını analiz etmek ve derin ağ darboğazlarını incelemekse YOLOv9, üzerinde çalışmak için hâlâ mükemmel bir modeldir. PGI çerçevesi, özelliklerin derin sinir ağı katmanlarında nasıl korunduğuna dair yararlı bilgiler sunarak evrişim kuramını araştıran üniversite araştırmacıları için değerli bir araç olur.

Kurumsal Video Analizi#

Güvenlik alarmı sistemleri veya trafik izleme gibi büyük ölçekli video işleme görevlerinde hız ve çok yönlü dışa aktarma olanakları önemlidir. Ultralytics çerçevesinin sunduğu yerel dışa aktarma araçları, ekiplerin YOLO26'yı tek bir komutla doğrudan TensorRT veya OpenVINO biçiminde derlemesine olanak tanıyarak pazara çıkış süresini kısaltır.

Ultralytics ekosistemi sayesinde makine öğrenimi ekipleri, ham araştırma kod tabanlarının karmaşıklığından kaçınabilir ve doğrudan ölçeklenebilir, gerçek dünya yapay zekâ uygulamaları geliştirmeye odaklanabilir.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.