Link to this sectionYOLO11 ile YOLOv7 karşılaştırması#
Bilgisayarlı görü alanı, gerçek zamanlı nesne tespiti yapay zeka uygulamalarının ön saflarında yer almaya devam ederken hızla gelişmeyi sürdürüyor. Projen için doğru mimariyi seçmek, hız, doğruluk ve dağıtım kolaylığı arasındaki karmaşık ödünleşimler arasında gezinmeyi gerektirir. Bu rehberde, iki öne çıkan mimari olan Ultralytics YOLO11 ve YOLOv7 arasında kapsamlı bir teknik karşılaştırma sunuyoruz.
Link to this sectionModel Geçmişi ve Teknik Detaylar#
Her iki model de derin öğrenme topluluğunu önemli ölçüde etkiledi, ancak farklı geliştirme felsefelerinden ve dönemlerden geliyorlar.
YOLO11 Detayları:
Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
Dokümantasyon: https://docs.ultralytics.com/models/yolo11/
YOLO11 hakkında daha fazla bilgi edinin
YOLOv7 Detayları:
Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
Kuruluş: Institute of Information Science, Academia Sinica, Tayvan
Tarih: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696
GitHub: https://github.com/WongKinYiu/yolov7
Dokümantasyon: https://docs.ultralytics.com/models/yolov7/
YOLOv7 hakkında daha fazla bilgi edinin
Link to this sectionMimari Farklılıklar#
İç mekanizmaları analiz ederken, her iki dedektör de son teknoloji kavramları kullanıyor ancak yapısal temelleri farklılık gösteriyor.
YOLOv7, Genişletilmiş Verimli Katman Toplama Ağları (E-ELAN) kavramını tanıttı. Bu mimari, araştırma makalelerinde belirtilen kritik bir buluş olan, orijinal gradyan yolunu bozmadan ağın öğrenme yeteneğini sürekli olarak artırmak için tasarlandı. YOLOv7, eğitim sırasında yapısal yeniden parametrelendirmeye ve güçlü bir "bag-of-freebies" metodolojisine büyük ölçüde güvenerek, çıkarım maliyetlerini artırmadan COCO veri kümesi üzerindeki genel doğruluğu iyileştirir.
Buna karşılık YOLO11, yüksek oranda optimize edilmiş Ultralytics mimarisi üzerine kurulmuştur. Daha az parametre ile daha rafine bir özellik çıkarma hattına vurgu yaparak eğitim sırasında daha düşük bellek kullanımı sağlar. YOLO11, daha ağır modellerin tespit doğruluğunu yakalarken veya geçerken daha az hesaplama kaynağı (FLOPs) kullanarak oldukça elverişli bir performans dengesi elde eder. Ayrıca, YOLO11 doğal olarak daha geniş bir görev yelpazesini destekler, bu da onu modern bilgisayarlı görü uygulamaları için oldukça çok yönlü bir seçim haline getirir.
Ultralytics YOLO modellerinin öne çıkan özelliklerinden biri, diğer son teknoloji modellere kıyasla eğitim sırasında daha düşük bellek gereksinimidir; bu da geliştiricilerin tüketici sınıfı PyTorch donanımlarında güçlü ağlar eğitmesine olanak tanır.
Link to this sectionPerformans ve Metrik Karşılaştırması#
Gerçek dünyadaki uygulanabilirliği doğru bir şekilde ölçmek için ortalama Hassasiyet (mAP), çıkarım hızı, model parametreleri ve hesaplama karmaşıklığı (FLOPs) gibi metrikleri değerlendirmek çok önemlidir. Aşağıdaki tablo, YOLO11 ölçeklendirme varyantlarının daha büyük YOLOv7 modelleriyle nasıl karşılaştırıldığını göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| 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, önemli ölçüde daha az parametre (56.9M'a karşı 71.3M) kullanırken YOLOv7x'in 53.1 mAP değerine kıyasla daha yüksek bir 54.7 mAP elde eder. Bu durum, YOLO11'in üstün mimari verimliliğini vurgulamaktadır.
Link to this sectionEğitim Verimliliği ve Ekosistem Kullanılabilirliği#
Bu iki mimariyi birbirinden ayıran en belirgin özelliklerden biri, geliştirici deneyimi ve onu çevreleyen ekosistemdir.
YOLOv7 temel olarak akademik bir araştırma deposudur. Modelleri eğitmek genellikle karmaşık ortam kurulumları, bağımlılıkların manuel yönetimi ve uzun komut satırı argümanlarının kullanılmasını gerektirir. En son deneyleri desteklese de, YOLOv7 GitHub deposundaki kodu özel üretim ortamlarına uyarlamak zaman alıcı olabilir.
YOLO11 kullanım kolaylığını tamamen yeniden tanımlar. Sorunsuz uçtan uca iş akışları sunan, kapsamlı ve bakımlı bir ekosistem olan Ultralytics Platformu ile tamamen entegredir. Veri etiketlemeden yerel eğitime ve dağıtıma kadar, birleşik Python API'si ve basit komut satırı arayüzü tüm süreci hızlandırır.
Link to this sectionKod Karşılaştırması#
YOLO11 ile bir nesne tespiti modeli eğitmek sadece birkaç satır kod gerektirir ve giriş engelini önemli ölçüde azaltır:
from ultralytics import YOLO
# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model effortlessly using the unified API
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Quickly export to ONNX format
model.export(format="onnx")Buna karşılık, tipik bir YOLOv7 eğitim komutu, yolların, yapılandırma dosyalarının ve bash betiklerinin dikkatli bir şekilde ayarlanmasını gerektiren şekilde şuna benzer:
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 muazzam bir çok yönlülük sağlar. YOLOv7, tespitin ötesindeki görevleri (poz veya segmentasyon gibi) desteklemek için tamamen farklı kod tabanları veya ağır modifikasyonlar gerektirirken, YOLO11 nesne tespiti, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini tek ve tutarlı bir çerçeve aracılığıyla gerçekleştirir.
Link to this sectionGerçek Dünya Uygulamaları ve İdeal Kullanım Durumları#
YOLOv7 ile YOLO11 arasında seçim yapmak tamamen projenin kapsamına ve dağıtım kısıtlamalarına bağlıdır.
Ne zaman YOLOv7 düşünmelisin:
- Eski Modellerin Kıyaslanması: Gradyan yolu tasarımlarını araştıran akademik araştırmacılar, daha yeni evrişimli sinir ağlarını değerlendirmek için YOLOv7'yi bir temel olarak kullanabilirler.
- Mevcut Özel Hatlar: YOLOv7'nin benzersiz sınırlayıcı kutu kod çözme mantığı etrafında özel olarak oluşturulmuş ağır özelleştirilmiş C++ veya CUDA hatlarına sahip ekipler.
Ne zaman YOLO11 seçilmeli:
- Ticari Üretim: Akıllı perakende veya sağlık teşhisi alanındaki uygulamalar, YOLO11'in bakımlı kod tabanından ve yüksek kararlılığından büyük ölçüde yararlanır.
- Kaynak Kısıtlı Ortamlar: YOLO11n'in hafif yapısı, ONNX aracılığıyla mobil ve uç cihazlarda dağıtım için onu son derece uygun hale getirir.
- Çok Görevli Projeler: Tek bir uygulamanın bir kişiyi tanımlaması, iskeletini (pozunu) haritalaması ve tuttuğu bir nesneyi bölümlere ayırması gerekiyorsa, YOLO11 birleşik bir çözüm sunar.
Link to this sectionEn İleri Nokta: YOLO26 ile İlerlemek#
YOLO11 oldukça sağlam bir seçenek olsa da, yapay zekadaki inovasyon asla uyumaz. Bugün yeni projelere başlayan mühendisler için Ultralytics YOLO26'yı keşfetmeleri şiddetle tavsiye edilir.
Ocak 2026'da yayınlanan YOLO26, Maksimum Olmayan Baskılama (NMS) işlem sonrası ile ilişkili gecikme darboğazlarını tamamen ortadan kaldıran, uçtan uca NMS içermeyen bir tasarım sunar. Ayrıca YOLO26, daha hızlı yakınsama sağlamak için LLM eğitim metodolojilerinden esinlenen devrim niteliğindeki MuSGD Optimizer'ı içerir. ProgLoss + STAL aracılığıyla hedeflenen kayıp iyileştirmeleri ve DFL kaldırma sayesinde %43'e kadar daha hızlı CPU çıkarımı ile YOLO26, özellikle uç bilişim için optimize edilmiştir ve vizyon yapay zekasının mevcut zirvesini temsil eder.
YOLO26 hakkında daha fazla bilgi edin
Özel alternatif yapılarla ilgilenen kullanıcılar için, transformer tabanlı RT-DETR veya dinamik açık kelime dağarcıklı YOLO-World modellerini keşfetmek, çeşitli bilgisayarlı görü dağıtımları için faydalı sonuçlar verebilir.