YOLO11 ve YOLOv7#
Bilgisayarlı görü hızla gelişmeye devam ederken gerçek zamanlı nesne algılama, yapay zekâ uygulamalarının ön saflarında yer almayı sürdürüyor. Projen için doğru mimariyi seçmek; hız, doğruluk ve dağıtım kolaylığı arasında karmaşık bir denge kurmayı gerektirir. Bu kılavuzda iki önemli mimariyi, Ultralytics YOLO11 ve YOLOv7'yi kapsamlı biçimde teknik açıdan karşılaştırıyoruz.
Model Geçmişi ve Teknik Ayrıntılar#
Her iki model de derin öğrenme topluluğunu önemli ölçüde etkiledi; ancak farklı geliştirme felsefelerinden ve dönemlerden geliyorlar.
YOLO11 Ayrıntıları:
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: https://docs.ultralytics.com/models/yolo11
YOLOv7 Ayrıntıları:
- Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
- Kurum: Institute of Information Science, Academia Sinica, Taiwan
- Tarih: 2022-07-06
- Arxiv: https://arxiv.org/abs/2207.02696
- GitHub: https://github.com/WongKinYiu/yolov7
- Belgeler: https://docs.ultralytics.com/models/yolov7
YOLOv7 hakkında daha fazla bilgi edin
Mimari Farklılıklar#
İç mekanizmalar incelendiğinde, her iki algılayıcının da son teknoloji kavramları kullandığı, ancak yapısal temellerinin farklı olduğu görülür.
YOLOv7, Genişletilmiş Verimli Katman Toplama Ağları (E-ELAN) kavramını ortaya koydu. Bu mimari, temel gradyan yolunu bozmadan ağın öğrenme yeteneğini sürekli geliştirmek üzere tasarlandı; bu, araştırma makalelerinde bildirilen önemli bir atılımdı. YOLOv7, eğitim sırasında yapısal yeniden parametreleştirmeye ve kapsamlı bir "bedava avantajlar" yöntemine büyük ölçüde dayanarak, çıkarım maliyetlerini artırmadan COCO veri kümesindeki genel doğruluğu iyileştirir.
Buna karşılık YOLO11, yüksek ölçüde optimize edilmiş Ultralytics mimarisi üzerine kuruludur. Daha az parametreyle daha gelişmiş bir özellik çıkarma işlem hattına odaklanır ve bu da eğitim sırasında bellek kullanımını azaltır. YOLO11, daha ağır modellerin algılama doğruluğuna ulaşırken veya bu doğruluğu aşarken daha az hesaplama kaynağı (FLOP) kullanarak son derece elverişli bir performans dengesi sunar. Ayrıca YOLO11, daha geniş çeşitlilikteki görevleri doğal olarak destekler ve bu özelliğiyle modern bilgisayarlı görü uygulamaları için oldukça çok yönlü bir seçenek olur.
Ultralytics YOLO modellerinin öne çıkan özelliklerinden biri, diğer son teknoloji modellerle karşılaştırıldığında eğitim sırasında daha az bellek gerektirmeleridir; bu sayede geliştiriciler, tüketici sınıfı PyTorch donanımında güçlü ağlar eğitebilir.
Performans ve Metrik Karşılaştırması#
Gerçek dünyadaki uygulanabilirliği doğru değerlendirmek için Ortalama Hassasiyet (mAP), çıkarım hızı, model parametreleri ve hesaplama karmaşıklığı (FLOP) gibi ölçütleri değerlendirmek gerekir. Aşağıdaki tablo, YOLO11 ölçek varyantlarını daha büyük YOLOv7 modelleriyle karşılaştırıyor.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Görüldüğü gibi YOLO11x gibi bir model, YOLOv7x'in 53.1 mAP değerine kıyasla daha yüksek 54.7 mAP değerine ulaşırken önemli ölçüde daha az parametre (56.9M'ye karşı 71.3M) kullanır. Bu, YOLO11'in mimari verimliliğinin üstünlüğünü ortaya koyar.
Eğitim Verimliliği ve Ekosistem Kullanılabilirliği#
Bu iki mimariyi birbirinden ayıran en belirleyici özelliklerden biri geliştirici deneyimi ve çevresindeki ekosistemdir.
YOLOv7 temelde akademik bir araştırma deposudur. Model eğitmek çoğu zaman karmaşık ortam kurulumları, bağımlılıkları elle yönetme ve uzun komut satırı bağımsız değişkenleri kullanma gerektirir. Son teknoloji deneyleri desteklese de YOLOv7 GitHub deposundaki kodu özel üretim ortamlarına uyarlamak zaman alabilir.
YOLO11 kullanım kolaylığını baştan tanımlar. Uçtan uca sorunsuz iş akışları sunan, kapsamlı ve bakımı iyi yapılan Ultralytics Platform ile tamamen bütünleşiktir. Veri etiketlemeden yerel eğitime ve dağıtıma kadar birleşik Python API'si ve basit komut satırı arayüzü tüm süreci kolaylaştırır.
Kod Karşılaştırması#
YOLO11 ile nesne algılama modeli eğitmek yalnızca birkaç satır kod gerektirir ve işe başlama eşiğini önemli ölçüde düşürür:
from ultralytics import YOLO
# Önceden eğitilmiş YOLO11 small modelini yükle
model = YOLO("yolo11s.pt")
# Birleşik API'yi kullanarak modeli zahmetsizce eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Hızlıca ONNX biçimine aktar
model.export(format="onnx")Buna karşılık tipik bir YOLOv7 eğitim komutu aşağıdaki gibidir ve yolların, yapılandırma dosyalarının ve bash betiklerinin dikkatli biçimde ayarlanmasını gerektirir:
python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights 'yolov7_training.pt'YOLO11 ayrıca büyük bir çok yönlülük sunar. YOLOv7, algılama dışındaki görevleri (poz veya segmentasyon gibi) desteklemek için tamamen farklı kod tabanları ya da kapsamlı değişiklikler gerektirirken, YOLO11 nesne algılama, örnek segmentasyonu, görüntü sınıflandırmasını, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasını tek ve bütünleşik bir çerçeve üzerinden gerçekleştirir.
Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#
YOLOv7 ile YOLO11 arasındaki seçim tamamen proje kapsamına ve dağıtım kısıtlamalarına bağlıdır.
YOLOv7'yi değerlendirebileceğin durumlar:
- Eski Modelleri Kıyaslama: Gradyan yolu tasarımlarını inceleyen akademik araştırmacılar, daha yeni evrişimli sinir ağlarını değerlendirmek için YOLOv7'yi bir temel model olarak kullanabilir.
- Mevcut Özel İşlem Hatları: Özellikle YOLOv7'nin kendine özgü sınırlayıcı kutu kod çözme mantığı etrafında oluşturulmuş, kapsamlı biçimde özelleştirilmiş C++ veya CUDA işlem hatlarına sahip ekipler.
YOLO11'i seçebileceğin durumlar:
- Ticari Üretim: Akıllı perakende veya sağlık tanılama uygulamaları, YOLO11'in bakımı yapılan kod tabanından ve yüksek kararlılığından büyük ölçüde yararlanır.
- Kaynakların Kısıtlı Olduğu Ortamlar: YOLO11n'in hafif yapısı, ONNX aracılığıyla mobil ve uç cihazlarda dağıtım için onu son derece uygun hâle getirir.
- Çok Görevli Projeler: Tek bir uygulamanın bir kişiyi tanımlaması, iskeletini (pozunu) çıkarması ve tuttuğu nesneyi segmente etmesi gerekiyorsa YOLO11 birleşik bir çözüm sunar.
Son Teknoloji: YOLO26 ile İlerleme#
YOLO11 son derece güçlü bir seçenek olsa da yapay zekâdaki yenilikler durmaksızın sürüyor. Bugün yeni projelere başlayan mühendislere Ultralytics YOLO26 modelini incelemeleri önemle tavsiye edilir.
Ocak 2026'da yayımlanan YOLO26, Maksimum Olmayan Bastırma son işlemesiyle ilişkili gecikme darboğazlarını ortadan kaldıran uçtan uca NMS'siz bir tasarım (nms=False) sunar. Ayrıca YOLO26, daha hızlı yakınsama sağlamak için LLM eğitim yöntemlerinden ilham alan devrim niteliğindeki MuSGD Optimize Edicisini içerir. ProgLoss + STAL aracılığıyla yapılan hedefli kayıp iyileştirmeleri ve DFL'nin kaldırılması sayesinde CPU çıkarımında %43'e varan hız artışıyla YOLO26, uç bilişim için özel olarak optimize edilmiştir ve görüntü yapay zekâsının günümüzdeki zirvesini temsil eder.
Özelleşmiş alternatif yapılarla ilgilenen kullanıcılar, çeşitli bilgisayarlı görü dağıtımlarında yararlı sonuçlar elde etmek için Transformer tabanlı RT-DETR veya dinamik, açık sözcük dağarcıklı YOLO-World modellerini de inceleyebilir.