YOLOv7 YOLO26: Nesne Algılamada Teknolojik Bir Atılım

Bilgisayar görüşünün manzarası nefes kesici bir hızla değişiyor. 2022'de, YOLOv7 , E-ELAN gibi mimari yenilikleri tanıtarak hız ve doğruluk açısından yeni bir çıtayı belirledi. 2026 yılının Ocak ayına geldiğimizde, YOLO26, uçtan uca tasarım, CPU ve Büyük Dil Modelleri'nden (LLM) alınan eğitim istikrarı ile en son teknolojiyi yeniden tanımladı.

Bu kılavuz, nesne algılama tarihindeki bu iki dönüm noktası arasında teknik bir karşılaştırma sunarak, geliştiricilerin modern dağıtım için doğru aracı seçmelerine yardımcı olur.

Mimari Evrim

YOLOv7 geçiş, sinir ağlarının verimlilik ve kullanım kolaylığı açısından tasarlanma biçiminde temel bir değişikliği temsil ediyor.

YOLOv7: E-ELAN'ın Mirası

YOLOv7, 6 Temmuz 2022'de yayınlandı ve Academia Sinica Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından yazıldı.

Temel yeniliği, Genişletilmiş Verimli Katman Toplama Ağı (E-ELAN) idi. Bu mimari, en kısa ve en uzun gradyan yollarını kontrol ederek ağın daha çeşitli özellikleri öğrenmesini sağlar. Ayrıca, planlı yeniden parametreleştirme dahil olmak üzere, çıkarım maliyetini artırmadan doğruluğu artıran bir "bag-of-freebies" (ücretsiz paket) özelliği de getirmiştir. Ancak YOLOv7 , bağlantı kutularına YOLOv7 ve gecikme değişkenliği yaratan ve uç cihazlarda dağıtımı karmaşıklaştıran Non-Maximum Suppression (NMS) son işleme gerektirir.

YOLOv7 hakkında daha fazla bilgi edinin.

YOLO26: Uçtan Uca Devrim

Ultralytics tarafından piyasaya sürülen YOLO26Ultralytics tarafından piyasaya sürülen YOLO26, uç bilgi işlem ve basitleştirilmiş makine öğrenimi işlemleri için tasarlanmıştır.

YOLO26, birkaç önemli gelişmeyi sunar:

1. MuSGD Optimizer: Moonshot AI'nın Kimi K2 ve LLM eğitim tekniklerinden esinlenerek geliştirilen bu hibrit SGD ve Muon'un bu hibrit versiyonu, bilgisayar görme eğitimine benzeri görülmemiş bir istikrar getirerek daha hızlı yakınsama sağlar.
2. DFL Kaldırma: Dağıtım Odak Kaybını (DFL) kaldırarak, YOLO26 çıktı katmanını basitleştirir. Bu, ONNX veya TensorRT daha sorunsuz hale getirir ve düşük güç tüketen uç cihazlarla uyumluluğu artırır.
3. ProgLoss + STAL: Bu geliştirilmiş kayıp fonksiyonları, drone görüntüleri ve IoT sensörleri için kritik bir gereklilik olan küçük nesne tanımada önemli kazançlar sağlar.

YOLO26 hakkında daha fazla bilgi edinin

Performans Analizi

Ham metrikleri karşılaştırdığımızda, YOLO26 dört yıllık araştırma sonucunda elde edilen verimlilik artışını göstermektedir. Daha az parametre ile daha yüksek doğruluk ve özellikle CPU'larda önemli ölçüde daha hızlı çıkarım hızları sunmaktadır.

Hız ve Verimlilik

YOLO26, güçlü GPU'ların bulunmadığı ortamlar için özel olarak optimize edilmiştir. Ağır son işlem adımlarının kaldırılması ve optimize edilmiş bloklar sayesinde, önceki nesillere kıyasla %43'e kadar daha hızlı CPU sağlar. Raspberry Pi, cep telefonları veya genel CPU'lara dağıtım yapan geliştiriciler için YOLO26 açık ara kazanan seçenektir.

Buna karşılık, YOLOv7 öncelikle yüksek kaliteli GPU (özellikle V100 ve A100) göz önünde bulundurularak YOLOv7 . CUDA hızlı olmaya devam etse de, modern kenar AI için gerekli olan mimari açıdan optimize edilmiş tasarıma sahip değildir.

Eğitim ve Ekosistem

İki model arasındaki kullanıcı deneyimi farkı çok belirgindir. YOLOv7 , genellikle karmaşık ortam kurulumları, manuel veri biçimlendirme ve ayrıntılı komut satırı argümanları gerektiren eski depo yapılarına YOLOv7 .

Ultralytics'in Avantajı

YOLO26, Ultralytics tamamen entegre edilmiştir ve sorunsuz bir "sıfırdan kahramana" deneyimi sunar.

• Kullanım Kolaylığı: Kütüphaneyi şu şekilde yükleyebilirsiniz: pip install ultralytics ve saniyeler içinde eğitime başlayın. API tutarlı, Pythonic ve iyi belgelenmiştir.
• Ultralytics : YOLO26 kullanıcıları, veri kümesi yönetimi, otomatik açıklama ekleme ve tek tıklamayla bulut eğitimi için Ultralytics kullanabilirler.
• Çok yönlülük: YOLOv7 esas olarak algılama üzerine YOLOv7 (bazı poz/segmentasyon dalları ile), YOLO26 aynı çerçeve içinde Nesne Algılama, Örnek Segmentasyonu, Poz Tahmini, Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) özelliklerini doğal olarak destekler.

Kod Örneği

Kullanım karmaşıklığı açısından karşılaştırıldığında, Ultralytics iş akışını büyük ölçüde basitleştirir.

from ultralytics import YOLO

# Load the latest YOLO26 model (nano version for speed)
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset
# No complex config files needed, just point to your data.yaml
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with NMS-free speed
# The results object contains easy-to-parse boxes and masks
results = model("path/to/image.jpg")

İdeal Kullanım Senaryoları

YOLOv7 Ne Zaman Tercih Edilmeli?

YOLOv7 , akademik camiada saygın bir model YOLOv7 aşağıdakiler için uygun olabilir:

• Eski Sistemler: YOLOv7 tabanıyla derinlemesine entegre edilmiş ve kolayca taşınamayan projeler.
• Araştırma Karşılaştırması: Araştırmacılar, yeni mimarileri 2022 yılındaki en son teknoloji standartlarıyla karşılaştırıyor.
• Özel GPU : Özel E-ELAN yapısının eski donanımlarda niş bir avantaj sağladığı senaryolar, ancak bu durum giderek nadir hale gelmektedir.

YOLO26 Ne Zaman Seçilmeli

YOLO26, performans dengesi ve eğitim verimliliği nedeniyle neredeyse tüm yeni ticari ve araştırma projeleri için önerilen seçimdir.

• Edge Computing: Kompakt boyutu ve CPU sayesinde mobil (Android) veya gömülü cihazlara (Jetson, Raspberry Pi) dağıtım için idealdir.
• Gerçek Zamanlı Analitik: NMS tasarım, otonom sürüş veya robotik gibi güvenlik açısından kritik uygulamalar için çok önemli olan tutarlı gecikme süresini garanti eder.
• Karmaşık Görevler: Projeniz algılama, segmentasyon ve OBB (örneğin, hava görüntüleri analizi) arasında geçiş yapmayı gerektirdiğinde, YOLO26'nın çok yönlü baş mimarisi üstündür.
• Düşük Bellek Ortamları: YOLO26, dönüştürücü ağırlıklı modeller veya eski mimarilere kıyasla eğitim sırasında önemli ölçüde daha az CUDA gerektirir, bu da tüketici GPU'larında daha büyük parti boyutlarına olanak tanır.

Sonuç

YOLOv7 , nesne algılama tarihinde önemli bir dönüm noktası YOLOv7 , YOLO26 geleceği temsil ediyor. Ultralytics , LLM'den ilham alan optimizörlerin (MuSGD) kararlılığını, akıcı ve NMS bir mimariyle birleştirerek daha hızlı, daha doğru ve kullanımı çok daha kolay bir model Ultralytics .

Sağlam, geleceğe dönük bilgisayar görme uygulamaları geliştirmek isteyen geliştiriciler için, entegre ekosistem, kapsamlı belgeler ve üstün performans YOLO26'yı açık ara en iyi seçenek haline getiriyor.

Yorumlar