YOLOX ve YOLOv9#

Bilgisayarlı görü dünyası, hesaplama verimliliği ile yüksek hassasiyeti dengeleyen sürekli mimari atılımlarla şekillenmiştir. Gerçek zamanlı nesne algılama modellerini değerlendirirken, Megvii'nin YOLOX'u ile Academia Sinica'nın YOLOv9'u arasındaki karşılaştırma, derin öğrenme geliştirmede iki farklı felsefeyi öne çıkarır. Biri basitleştirilmiş çapasız (anchor-free) paradigmasının öncülüğünü yaparken, diğeri bilgi tutarlılığını en üst düzeye çıkarmak için gelişmiş gradyan yönlendirme teknikleri getirdi.

Bu teknik kılavuz; mimari inceliklerini, performans kıyaslamalarını ve ideal kullanım alanlarını incelerken, Ultralytics Platform ve yeni çıkan YOLO26 modeli gibi modern çözümlerin üretime hazır dağıtımlar için nasıl üstün alternatifler sunduğunu da göstermektedir.

YOLOX: Çapasız Paradigmanın Öncüsü#

2021 ortalarında yayınlanan YOLOX, akademik araştırmalar ile endüstriyel uygulamalar arasındaki boşluğu doldurma yolunda büyük bir adımdı. Önceden tanımlanmış çapa kutularına (anchor boxes) olan ihtiyacı ortadan kaldırarak, özel veri setleri için gereken sezgisel ayarlamaları önemli ölçüde basitleştirdi.

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Organization: Megvii
• Yayın Tarihi: 18 Temmuz 2021
• Referans: Arxiv Paper
• Kaynak Kod: YOLOX GitHub Repository
• Dokümantasyon: YOLOX Official Docs

Mimari Yenilikler#

YOLOX, standart algılama boru hattında birkaç önemli değişiklik tanıttı. Sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir başlık uygulayarak, bir nesneyi tanımlama ile sınırlarını bulma arasındaki çatışmayı önemli ölçüde azalttı. Dahası YOLOX, eğitim sırasında pozitif örnekleri dinamik olarak tahsis eden gelişmiş bir etiket atama stratejisi olan SimOTA'yı benimseyerek standart benchmark datasets üzerinde daha hızlı yakınsama ve daha iyi genel performans sağladı.

Güçlü ve Zayıf Yönler#

YOLOX'un temel gücü, basitleştirilmiş tasarımında yatar. Çapasız mekanizma, geliştiricilerin belirli verileri için optimal çapa boyutlarını bulmak üzere kümeleme algoritmaları çalıştırmaya daha az zaman harcaması anlamına gelir. Bununla birlikte, öz-dikkat veya gradyan yönlendirmedeki son gelişmeler olmaksızın yerel olarak oluşturulmuş daha eski bir mimari olduğundan, daha yeni ağların parametre verimliliğiyle eşleşmekte zorlanır. Ayrıca birleşik bir API içinde instance segmentation ve pose estimation gibi gelişmiş görevler için yerel destekten yoksundur.

YOLOX hakkında daha fazla bilgi edinin

YOLOv9: Gradyan Bilgisini En Üst Düzeye Çıkarma#

2024'e hızlı bir bakışla, YOLOv9 derin evrişimli sinir ağlarının doğasında bulunan bilgi darboğazı problemini çözmek için oldukça teorik bir yaklaşım getirdi.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica
• Yayın Tarihi: 21 Şubat 2024
• Referans: Arxiv Paper
• Kaynak Kod: YOLOv9 GitHub Repository
• Dokümantasyon: Ultralytics YOLOv9 Docs

Mimari Yenilikler#

YOLOv9'un belirleyici özelliği, ağın birden fazla katmanından geçerken kritik anlamsal verilerin kaybolmamasını sağlayan Programlanabilir Gradyan Bilgisi'dir (PGI). Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile eşleştirilen YOLOv9, olağanüstü bir parametre-doğruluk oranı elde eder. Bu, modelin ağırlıkları güncellemek için doğru gradyanları korumasını sağlayarak hafif varyantlarında bile son derece etkili olmasını sağlar.

Güçlü ve Zayıf Yönler#

YOLOv9, model accuracy teorik sınırlarını zorlamada üstündür. COCO üzerinde harika mAP puanları vererek araştırmacıların favorisi haline gelir. Ancak verimliliğine rağmen YOLOv9, son işleme için hala geleneksel Non-Maximum Suppression (NMS) yöntemine güvenir ve bu da çıkarım sırasında gecikme artışlarına yol açar. Yapay zekayı edge devices üzerine dağıtmaya odaklanan mühendisler için NMS mantığını yönetmek, dağıtım boru hattına gereksiz bir karmaşıklık ekler.

YOLOv9 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu mimarilerin ham hesaplama metriklerini karşılaştırırken, YOLOv9'un daha modern bir temel sunduğu, YOLOX'un ise eski sistemler için hafif bir seçenek olarak kaldığı açıktır. Standart modellerinin ayrıntılı bir dökümü aşağıdadır.

YOLOv9 karşılaştırılabilir parametre sayıları arasında üstün doğruluk gösterse de, hız, doğruluk ve kullanım kolaylığı açısından nihai dengeyi arayan geliştiriciler, Ultralytics'in sunduğu en son gelişmeleri dikkate almalıdır.

Ultralytics Avantajı: YOLO26 ile Tanışın#

YOLOX ve YOLOv9 gibi tarihsel modelleri değerlendirmek değerli bir bağlam sağlasa da, mevcut son teknoloji Ultralytics YOLO26 tarafından tanımlanmaktadır. 2026'nın başlarında piyasaya sürülen YOLO26, modern kurumsal ortamlar için algılama boru hattını temelden yeniden yapılandırır.

Eşsiz Mimari Yenilikler#

YOLO26, tüm donanımlarda daha basit bir dağıtım sağlamak için yerel uçtan uca NMS içermeyen tasarım ile seleflerinin son işleme darboğazlarını tamamen çözer. Ayrıca, Dağılımsal Odak Kaybını (DFL) kaldırarak ve Stokastik Gradyan İnişi ile Muon'un bir hibriti olan yeni MuSGD Optimizer'ı entegre ederek, YOLO26 benzeri görülmemiş bir eğitim kararlılığına ulaşır.

Raspberry Pi gibi kısıtlı ortamlara dağıtım yapan geliştiriciler için YOLO26, %43'e varan daha hızlı CPU çıkarımı sunar. Ayrıca küçük nesne tanımada dramatik iyileştirmeler sağlayan ve aerial imagery ile drone analitiği için çok önemli olan ProgLoss + STAL kayıp fonksiyonlarını tanıtır.

Kolaylaştırılmış Geliştirme Ekosistemi#

Bağımsız araştırma depolarının aksine Ultralytics ekosistemi eşsiz bir geliştirici deneyimi sunar. Ultralytics Python API kullanarak mühendisler şablon kodunu büyük ölçüde azaltabilir. Dahası bellek gereksinimleri son derece optimize edilmiş tutulur; bu da yoğun dikkat tabanlı mimarilere kıyasla daha az GPU VRAM kullanarak güçlü modeller eğitebileceğiniz anlamına gelir.

from ultralytics import YOLO

# Load the highly optimized, NMS-free YOLO26 small model
model = YOLO("yolo26s.pt")

# Train on a custom dataset with minimal memory footprint
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Easily export to optimized deployment formats
model.export(format="engine", quantize=16)  # Exports to TensorRT

Algılamanın ötesinde YOLO26, tam olarak aynı çerçeve içinde çok sayıda görevi sorunsuz bir şekilde destekler. Uydu görüntülemesi için hassas Oriented Bounding Boxes (OBB) veya medical imaging applications için ince taneli piksel maskelerine ihtiyacınız olsun, iş akışı aynı kalır. Önceki nesil iş akışlarına yatırım yapmış ekipler için Ultralytics YOLO11 de mevcuttur ve tam olarak desteklenmektedir.

İdeal Kullanım Senaryoları ve Dağıtım Stratejileri#

Doğru mimariyi seçmek tamamen hedef dağıtım ortamınıza ve proje gereksinimlerinize bağlıdır.

Uç Bilişim ve Robotik#

Düşük güç kullanan cihazlar için ağır son işleme gerektiren modellere güvenmek performansı felç edebilir. YOLOX-Nano inanılmaz derecede küçük olsa da, doğruluğu genellikle güvenlik açısından kritik görevler için yetersizdir. YOLO26 burada kesin tercihtir; DFL ve NMS'ye sahip olmaması, ham CPU iş parçacıkları üzerinde sorunsuz bir şekilde çalışmasını sağlayarak onu otonom robotik veya smart parking management için mükemmel kılar.

Akademik Kıyaslama#

Tek amaç gradyan akışını analiz etmek ve derin ağ darboğazlarını incelemekse, YOLOv9 mükemmel bir çalışma konusudur. PGI çerçevesi, özelliklerin derin sinir ağı katmanlarında nasıl korunduğuna dair büyüleyici bilgiler sunarak, evrişim teorisini keşfeden üniversite araştırmacıları için değerli bir araç haline gelir.

Kurumsal Video Analitiği#

security alarm systems veya trafik izleme gibi büyük ölçekli video işleme görevleri için hız ve çok yönlü dışa aktarma yetenekleri son derece önemlidir. Ultralytics çerçevesi tarafından sağlanan yerel dışa aktarma araçları, ekiplerin tek bir komutla YOLO26'yı doğrudan TensorRT veya OpenVINO biçimine derlemesine olanak tanıyarak pazara çıkış süresini büyük ölçüde kısaltır.

Ultralytics ekosisteminin kapsamlı özelliklerinden yararlanarak, makine öğrenimi ekipleri ham araştırma kod tabanlarının karmaşıklığını atlayabilir ve doğrudan ölçeklenebilir, gerçek dünya yapay zeka uygulamaları oluşturmaya odaklanabilirler.