YOLOX ve YOLOv9#

Bilgisayarlı görü alanı, hesaplama verimliliğini yüksek hassasiyetle dengeleyen sürekli mimari atılımlarla şekillendi. Gerçek zamanlı nesne tespit modellerini değerlendirirken Megvii'nin YOLOX modeli ile Academia Sinica'nın YOLOv9 modeli arasındaki karşılaştırma, derin öğrenme geliştirmede iki farklı yaklaşımı öne çıkarıyor. Biri basitleştirilmiş, çapasız bir yöntemin öncülüğünü yaparken diğeri bilgi korunumunu en üst düzeye çıkarmak için gelişmiş gradyan yönlendirme teknikleri sundu.

Bu teknik rehber, mimari ayrıntıları, performans kıyaslamalarını ve ideal kullanım alanlarını incelerken Ultralytics Platformu ve yeni yayımlanan YOLO26 modeli gibi modern çözümlerin üretime hazır dağıtımlar için nasıl daha iyi alternatifler sunduğunu da gösteriyor.

YOLOX: Çapasız Yaklaşımın Öncüsü#

2021'in ortalarında yayımlanan YOLOX, akademik araştırma ile endüstriyel uygulama arasındaki boşluğu kapatma yolunda önemli bir adımdı. Önceden tanımlanmış çapa kutularına duyulan ihtiyacı ortadan kaldırarak özel veri kümeleri için gereken sezgisel ayarları büyük ölçüde basitleştirdi.

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Yayın Tarihi: 18 Temmuz 2021
• Kaynak: Arxiv Makalesi
• Kaynak Kodu: YOLOX GitHub Deposu
• Belgeler: YOLOX Resmî Belgeleri

Mimari Yenilikler#

YOLOX, standart tespit işlem hattında bazı önemli değişiklikler sundu. Sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrıştırılmış bir başlık uygulayarak bir nesneyi tanımlama ve sınırlarını konumlandırma arasındaki çelişkiyi önemli ölçüde azalttı. Ayrıca YOLOX, eğitim sırasında pozitif örnekleri dinamik olarak atayan ve yakınsamayı hızlandırıp standart kıyaslama veri kümelerindeki genel performansı artıran gelişmiş bir etiket atama stratejisi olan SimOTA'yı benimsedi.

Güçlü Yönler ve Sınırlamalar#

YOLOX'in başlıca gücü basit tasarımında yatar. Çapasız mekanizma, geliştiricilerin kendi verilerine uygun en iyi çapa boyutlarını bulmak için kümeleme algoritmaları çalıştırmaya daha az zaman harcamasını sağlar. Ancak öz dikkat veya gradyan yolu alanındaki güncel gelişmeler olmadan oluşturulmuş eski bir mimari olduğundan yeni ağların parametre verimliliğine ulaşmakta zorlanır. Ayrıca birleşik API içinde örnek segmentasyonu ve poz tahmini gibi gelişmiş görevler için doğal destek sunmaz.

YOLOX hakkında daha fazla bilgi edin

YOLOv9: Gradyan Bilgisini En Üst Düzeye Çıkarma#

2024'e gelindiğinde YOLOv9, derin evrişimli sinir ağlarında bulunan bilgi darboğazı sorununu çözmek için oldukça kuramsal bir yaklaşım sundu.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Academia Sinica Bilgi Bilimi Enstitüsü
• Yayın Tarihi: 21 Şubat 2024
• Kaynak: Arxiv Makalesi
• Kaynak Kodu: YOLOv9 GitHub Deposu
• Belgeler: Ultralytics YOLOv9 Belgeleri

Mimari Yenilikler#

YOLOv9'un belirleyici özelliği, ağın birden fazla katmanından geçerken önemli anlamsal verilerin kaybolmamasını sağlayan Programlanabilir Gradyan Bilgisi'dir (PGI). Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile birlikte YOLOv9, parametre sayısına kıyasla olağanüstü bir doğruluk oranına ulaşır. Bu sayede model, ağırlıkları güncellemek için doğru gradyanları korur ve hafif sürümlerinde bile son derece etkili olur.

Güçlü Yönler ve Sınırlamalar#

YOLOv9, model doğruluğunun kuramsal sınırlarını zorlamada başarılıdır. COCO'da etkileyici mAP değerlerine ulaşması, onu araştırmacıların gözdesi haline getirir. Ancak verimli olmasına rağmen YOLOv9, son işleme için hâlâ geleneksel maksimum olmayan bastırmaya (NMS) dayanır ve bu da çıkarım sırasında gecikme artışlarına yol açar. Yapay zekâyı uç cihazlara dağıtmaya odaklanan mühendisler için NMS mantığını yönetmek, dağıtım işlem hattına gereksiz karmaşıklık katar.

YOLOv9 hakkında daha fazla bilgi edin

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.

YOLOv9 benzer parametre sayılarına sahip modeller arasında daha yüksek doğruluk sunsa da hız, doğruluk ve kullanım kolaylığı arasında en iyi dengeyi arayan geliştiriciler Ultralytics'in en yeni yeniliklerini değerlendirmeli.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

YOLOX ve YOLOv9 gibi geçmiş modelleri değerlendirmek yararlı bir bağlam sunsa da günümüzün en ileri teknolojisini Ultralytics YOLO26 temsil ediyor. 2026'nın başlarında yayımlanan YOLO26, modern kurumsal ortamlar için tespit işlem hattını kökten yeniden tasarlıyor.

Eşsiz Mimari Yenilikler#

YOLO26, isteğe bağlı uçtan uca NMS'siz tasarımıyla (nms=False) önceki modellerindeki son işleme darboğazlarını çözer ve tüm donanımlarda daha basit dağıtım sağlar. Ayrıca Dağılımsal Odak Kaybı'nı (DFL) kaldırıp Stokastik Gradyan İnişi ile Muon'un birleşimi olan yeni MuSGD Optimizasyonu'nu entegre ederek benzeri görülmemiş bir eğitim kararlılığı sunar.

Raspberry Pi gibi kısıtlı ortamlara dağıtım yapan geliştiriciler için YOLO26, %43'e varan daha hızlı CPU çıkarımı sağlar. Ayrıca ProgLoss + STAL'ı (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması) sunarak hava görüntüleri ve drone analizleri için kritik önem taşıyan küçük nesneleri tanıma performansını büyük ölçüde artırır.

Kolaylaştırılmış Geliştirme Ekosistemi#

Bağımsız araştırma depolarından farklı olarak Ultralytics ekosistemi benzersiz bir geliştirici deneyimi sunar. Mühendisler, Ultralytics Python API'sini kullanarak standart kalıp kod miktarını büyük ölçüde azaltabilir. Ayrıca bellek gereksinimleri son derece verimli olacak şekilde optimize edilmiştir; böylece yoğun dikkat mekanizmalarına dayalı mimarilere kıyasla daha az GPU VRAM kullanarak güçlü modeller eğitebilirsin.

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, tespit görevlerinin ötesinde aynı çerçeve içinde çok sayıda görevi sorunsuzca destekler. Uydu görüntüleme için hassas Yönlendirilmiş Sınırlayıcı Kutulara (OBB) ya da tıbbi görüntüleme uygulamaları için ince ayrıntılı piksel maskelerine ihtiyaç duyman fark etmeksizin iş akışı aynıdır. Önceki nesil iş akışlarını kullanan ekipler için Ultralytics YOLO11 de mevcuttur ve tam olarak desteklenmektedir.

Uygun Kullanım Alanları ve Dağıtım Stratejileri#

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

Uç Bilişim ve Robotik#

Düşük güçlü cihazlarda yoğun son işleme gerektiren modellere güvenmek performansı ciddi biçimde düşürebilir. YOLOX-Nano son derece küçük olsa da doğruluğu, güvenlik açısından kritik görevler için çoğu zaman yetersizdir. Burada en doğru seçim YOLO26'dır; DFL içermeyen başlığı ve isteğe bağlı NMS'siz çıkarımı, standart CPU iş parçacıklarında sorunsuz çalışmasını sağlar ve otonom robotik veya akıllı otopark yönetimi için onu ideal hale getirir.

Akademik Kıyaslama#

Tek hedefin gradyan akışını analiz etmek ve derin ağ darboğazlarını incelemekse YOLOv9 hâlâ mükemmel bir çalışma konusudur. PGI çerçevesi, özelliklerin derin sinir ağı katmanları boyunca nasıl korunduğuna ilişkin ilgi çekici bilgiler sunar ve evrişim kuramını inceleyen üniversite araştırmacıları için değerli bir araçtır.

Kurumsal Video Analizi#

Güvenlik alarm sistemleri veya trafik izleme gibi büyük ölçekli video işleme görevlerinde hız ve çok yönlü dışa aktarma özellikleri kritik önem taşır. Ultralytics çerçevesinin sunduğu yerel dışa aktarma araçları, ekiplerin YOLO26'yı tek bir komutla doğrudan TensorRT veya OpenVINO biçimine derlemesini sağlayarak pazara sunma süresini büyük ölçüde kısaltır.

Ultralytics ekosisteminin kapsamlı özelliklerinden yararlanan makine öğrenimi ekipleri, ham araştırma kod tabanlarının karmaşıklığını aşarak doğrudan ölçeklenebilir, gerçek dünya yapay zekâ uygulamaları geliştirmeye odaklanabilir.