YOLO11 ve YOLOv7#

Bilgisayarlı görü alanı 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 arasındaki karmaşık dengeyi gözetmeni gerektirir. Bu kılavuzda iki öne çıkan mimariyi kapsamlı ve teknik açıdan karşılaştırıyoruz: Ultralytics YOLO11 ve YOLOv7.

Model Geçmişi ve Teknik Ayrıntılar#

Her iki model de derin öğrenme topluluğu üzerinde önemli bir etki oluşturdu, ancak farklı geliştirme felsefelerinden ve dönemlerden geliyor.

YOLO11 Ayrıntıları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümanlar: https://docs.ultralytics.com/models/yolo11

YOLOv7 Ayrıntıları:

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kuruluş: 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 algılayıcı da en gelişmiş kavramlardan yararlanıyor, ancak yapısal temelleri farklılık gösteriyor.

YOLOv7, Genişletilmiş Verimli Katman Toplama Ağları (E-ELAN) kavramını tanıttı. Bu mimari, araştırma makalelerinde bildirilen önemli bir gelişme olarak, özgün gradyan yolunu bozmadan ağın öğrenme yeteneğini sürekli geliştirmek üzere tasarlandı. YOLOv7, eğitim sırasında yapısal yeniden parametreleştirmeye ve güçlü bir "bedava avantajlar" metodolojisine büyük ölçüde dayanarak COCO veri kümesinde çıkarım maliyetlerini artırmadan genel doğruluğu iyileştiriyor.

Buna karşılık YOLO11, yüksek düzeyde optimize edilmiş Ultralytics mimarisi üzerine kuruludur. Daha az parametreyle daha rafine bir özellik çıkarma işlem hattını öne çıkararak eğitim sırasında daha düşük bellek kullanımı sağlar. YOLO11, daha ağır modellerin algılama doğruluğuna erişirken veya bu doğruluğu aşarken daha az hesaplama kaynağı (FLOPs) kullanarak son derece elverişli bir performans dengesi sunar. Ayrıca YOLO11, doğası gereği daha geniş bir görev yelpazesini desteklediğinden modern bilgisayarlı görü uygulamaları için son derece çok yönlü bir seçenektir.

Performans ve Metrik Karşılaştırması#

Gerçek dünyadaki uygulanabilirliği doğru şekilde ölçmek için Ortalama Kesinlik (mAP), çıkarım hızı, model parametreleri ve hesaplama karmaşıklığı (FLOPs) gibi ölçütleri değerlendirmek önemlidir. Aşağıdaki tablo, YOLO11 ölçeklendirme varyantlarının daha büyük YOLOv7 modelleriyle karşılaştırmasını gösteriyor.

Görüldüğü üzere YOLO11x gibi bir model, YOLOv7x'in 53.1 mAP değerine kıyasla 54.7 mAP değerine ulaşırken çok daha az parametre (56.9M'e karşı 71.3M) kullanıyor. Bu, YOLO11'in üstün mimari verimliliğini ortaya koyuyor.

Eğitim Verimliliği ve Ekosistem Kullanılabilirliği#

Bu iki mimariyi birbirinden ayıran en belirleyici özelliklerden biri, geliştirici deneyimi ve çevrelerindeki ekosistemdir.

YOLOv7, temelde akademik bir araştırma deposudur. Modelleri eğitmek genellikle karmaşık ortam kurulumları yapmayı, bağımlılıkları manuel olarak yönetmeyi ve uzun komut satırı bağımsız değişkenleri kullanmayı gerektirir. En yeni deneyleri desteklese de YOLOv7 GitHub deposu kodunu özel üretim ortamlarına uyarlamak zaman alabilir.

YOLO11, kullanım kolaylığını tamamen yeniden tanımlıyor. Uçtan uca sorunsuz iş akışları sunan kapsamlı ve iyi bakımı yapılan bir ekosistem olan Ultralytics Platformu ile tamamen entegredir. Veri açıklama ve yerel eğitimden dağıtıma kadar birleşik Python API'si ve basit komut satırı arayüzü tüm süreci kolaylaştırır.

Kod Karşılaştırması#

YOLO11 ile bir nesne algılama modelini eğitmek yalnızca 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 aşağıdaki gibi görünür ve yolların, yapılandırma dosyalarının ve bash betiklerinin dikkatle hazırlanmasını 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, tek ve bütünleşik bir çerçeve üzerinden nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı destekler.

Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#

YOLOv7 ile YOLO11 arasındaki seçim tamamen projenin kapsamına ve dağıtım kısıtlamalarına bağlıdır.

YOLOv7'yi ne zaman değerlendirmelisin:

• Eski Modelleri Karşılaştırma: Gradyan yolu tasarımlarını araştıran akademik araştırmacılar, daha yeni evrişimli sinir ağlarını değerlendirmek için YOLOv7'yi temel model olarak kullanabilir.
• Mevcut Özel İşlem Hatları: Özellikle YOLOv7'nin benzersiz sınırlayıcı kutu kod çözme mantığı etrafında oluşturulmuş, büyük ölçüde özelleştirilmiş C++ veya CUDA işlem hatlarına sahip ekipler.

YOLO11'i ne zaman seçmelisin:

• Ticari Üretim: Akıllı perakende veya sağlık hizmetleri tanılama uygulamaları, YOLO11'in bakımı yapılan kod tabanından ve yüksek kararlılığından büyük ölçüde yararlanır.
• Kaynakları 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) çıkarması ve tuttuğu bir nesneyi segmente etmesi gerekiyorsa YOLO11 birleşik bir çözüm sunar.

En İleri Nokta: YOLO26 ile İleriye Doğru#

YOLO11 son derece güçlü bir seçenek olsa da yapay zekâ alanındaki yenilikler hiç durmaz. Bugün yeni projelere başlayan mühendislerin Ultralytics YOLO26 modelini incelemesi önemle tavsiye edilir.

Ocak 2026'da yayımlanan YOLO26, uçtan uca NMS'siz Tasarım sunarak Maksimum Olmayan Bastırma son işleme adımıyla ilişkili gecikme darboğazlarını tamamen ortadan kaldırır. Ayrıca YOLO26, daha hızlı yakınsama sağlamak için LLM eğitim metodolojilerinden esinlenen devrim niteliğindeki MuSGD Optimizer'ı kullanır. ProgLoss + STAL aracılığıyla hedeflenmiş kayıp iyileştirmeleri ve DFL'nin kaldırılması sayesinde CPU çıkarımında %43'e varan hız artışı sunan YOLO26, uç bilişim için özel olarak optimize edilmiştir ve günümüzde görsel yapay zekânın ulaştığı en üst noktayı temsil eder.

Özelleştirilmiş alternatif yapılarla ilgilenen kullanıcılar için Transformer tabanlı RT-DETR veya dinamik, açık kelime dağarcıklı YOLO-World modellerini incelemek de çeşitli bilgisayarlı görü dağıtımlarında faydalı sonuçlar sağlayabilir.