YOLO11 ile YOLOv7 karşılaştırması#
Bilgisayarlı görü dünyası hızla gelişmeye devam ediyor ve gerçek zamanlı nesne tespiti, yapay zeka 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 öne çıkan mimari olan Ultralytics YOLO11 ve YOLOv7 arasında kapsamlı bir teknik karşılaştırma sunuyoruz.
Model Geçmişi ve Teknik Detaylar#
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/
YOLO11 hakkında daha fazla bilgi edinin
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 edinin
Mimari Farklılıklar#
İç mekanizmaları analiz ederken, her iki dedektör de son teknoloji kavramları kullanıyor ancak yapısal temelleri farklılık gösteriyor.
YOLOv7, Genişletilmiş Verimli Katman Agregasyon Ağları (Extended Efficient Layer Aggregation Networks - E-ELAN) konseptini tanıttı. Bu mimari, araştırma makalelerinde bildirilen kritik bir atılım olarak, orijinal gradyan yolunu bozmadan ağın öğrenme yeteneğini sürekli olarak geliştirmek üzere tasarlanmıştır. YOLOv7, eğitim sırasında yapısal yeniden parametrelendirmeye ve sağlam bir "bag-of-freebies" metodolojisine büyük ölçüde güvenerek çıkarım maliyetlerini artırmadan COCO veri kümesindeki genel doğruluğu artırır.
Buna karşılık YOLO11, son derece optimize edilmiş Ultralytics mimarisi üzerine kurulmuştur. Daha az parametreye sahip, daha rafine bir özellik çıkarımı boru hattını vurgular ve bu da eğitim sırasında daha düşük bellek kullanımı sağlar. YOLO11, daha ağır modellerin tespit doğruluğunu yakalarken veya aşarken daha az hesaplama kaynağı (FLOP) kullanarak son derece uygun bir performans dengesi elde eder. Ayrıca YOLO11, daha geniş bir görev yelpazesini doğaçlama olarak destekleyerek modern bilgisayarlı görü uygulamaları için son derece çok yönlü bir seçenek haline gelir.
Ultralytics YOLO modellerinin en belirgin özelliklerinden biri, diğer son teknoloji modellere kıyasla eğitim sırasında daha düşük bellek gereksinimidir; bu da geliştiricilerin tüketici sınıfı PyTorch donanımları üzerinde güçlü ağlar eğitmesine olanak tanır.
Performans 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.
Eğitim 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, bağımlılıkları manuel olarak yönetme ve uzun komut satırı argümanları kullanma gerektirir. Son teknoloji deneyleri desteklese de, YOLOv7 GitHub deposu kodunu özel üretim ortamlarına uyarlamak zaman alıcı olabilir.
YOLO11, kullanım kolaylığını tamamen yeniden tanımlıyor. Kesintisiz uçtan uca iş akışları sunan kapsamlı ve bakımı iyi yapılmış bir ekosistem olan Ultralytics Platform ile tam olarak entegre edilmiştir. Veri etiketlemeden yerel eğitime ve üretime almaya kadar birleştirilmiş Python API ve basit komut satırı arayüzü tüm süreci kolaylaştırır.
Kod 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 sunar. YOLOv7, algılama dışındaki görevleri (poz veya segmentasyon gibi) desteklemek için tamamen farklı kod tabanları veya yoğun modifikasyonlar gerektirirken YOLO11; nesne tespiti, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini tek ve uyumlu bir çerçeve aracılığıyla yönetir.
Gerçek 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 inceleyen akademik araştırmacılar, daha yeni konvolüsyonel sinir ağlarını değerlendirmek için YOLOv7'yi bir temel olarak kullanabilir.
- Mevcut Özel Boru Hatları: YOLOv7'nin benzersiz sınırlayıcı kutu kod çözme mantığı etrafında özel olarak oluşturulmuş, yoğun şekilde özelleştirilmiş C++ veya CUDA boru hatlarına sahip ekipler.
Ne zaman YOLO11 seçilmeli:
- Ticari Üretim: Akıllı perakende veya sağlık teşhisi alanındaki uygulamalar, YOLO11'in bakımı yapılan kod tabanından ve yüksek kararlılığından büyük ölçüde yararlanır.
- Kaynak Kısıtlı Ortamlar: YOLO11n'in hafif yapısı, ONNX aracılığıyla mobil ve uç cihazlarda dağıtımı 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.
En İleri Nokta: YOLO26 ile İlerlemek#
YOLO11 son derece sağlam bir seçenek olsa da yapay zekadaki yenilikler hiç durmaz. Bugün yeni projelere başlayan mühendisler için Ultralytics YOLO26'yı incelemek şiddetle tavsiye edilir.
Ocak 2026'da yayınlanan YOLO26, Non-Maximum Suppression son işleme ile ilişkili gecikme darboğazlarını tamamen ortadan kaldıran, uçtan uca NMS'siz bir tasarım sunar. Dahası YOLO26, daha hızlı yakınsama sağlamak için LLM eğitim metodolojilerinden ilham alan devrim niteliğindeki MuSGD Optimizer'ı içerir. ProgLoss + STAL yoluyla hedeflenen kayıp iyileştirmeleri ve DFL kaldırma nedeniyle %43'e varan daha hızlı CPU çıkarımı ile YOLO26, uç bilişim için özellikle optimize edilmiştir ve vizyon yapay zekasının mevcut zirvesini temsil eder.
YOLO26 hakkında daha fazla bilgi edin
Özelleştirilmiş alternatif yapılarla ilgilenen kullanıcılar için, transformer tabanlı RT-DETR veya dinamik açık kelime dağarcıklı YOLO-World modellerini incelemek de çeşitli bilgisayarlı görü dağıtımları için faydalı sonuçlar verebilir.