İçeriğe geç

YOLO11 ve YOLOv7: Ayrıntılı Teknik Karşılaştırma

Optimal nesne algılama modelini seçmek, farklı mimarilerin belirli yeteneklerini ve ödünleşimlerini anlamayı gerektirir. Bu sayfa, YOLO soyundaki iki güçlü model olan Ultralytics YOLO11 ve YOLOv7 arasında teknik bir karşılaştırma sunmaktadır. Bilgisayar görüşü projeleriniz için en uygun olanı seçmenize yardımcı olmak için mimari farklılıklarını, performans kıyaslamalarını ve ideal kullanım durumlarını inceliyoruz. YOLOv7 gerçek zamanlı algılamada önemli bir adım olsa da, Ultralytics YOLO11 üstün performans, daha fazla çok yönlülük ve daha akıcı bir geliştirici deneyimi sunarak mevcut en son teknolojiyi temsil etmektedir.

YOLOv7: Verimli ve Doğru Nesne Algılama

YOLOv7, çıkarım maliyetlerini artırmadan eğitim verimliliğini ve doğruluğunu optimize etmeye odaklanarak gerçek zamanlı nesne algılamada önemli bir ilerleme olarak tanıtıldı.

Mimari ve Temel Özellikler

YOLOv7, önceki YOLO mimarileri üzerine çeşitli temel yenilikler getirerek inşa edilmiştir. Genişletilmiş Verimli Katman Toplama Ağları (E-ELAN) ve birleştirme tabanlı modeller için optimize edilmiş model ölçekleme yöntemleri gibi teknikler kullanır. Önemli bir katkı, çıkarım sırasında hesaplama yükü eklemeden nihai model doğruluğunu artırmak için eğitim sırasında uygulanan optimizasyon stratejilerini (yardımcı başlıklar ve kabadan inceye rehberlik gibi) içeren "eğitilebilir bedava hediyeler çantası" kavramıdır. YOLOv7 öncelikle nesne algılama üzerine odaklanır, ancak poz tahmini gibi görevler için topluluk uzantıları da bulunmaktadır.

Performans Metrikleri ve Kullanım Alanları

YOLOv7 piyasaya sürüldüğünde, hız ve doğruluk arasında zorlayıcı bir denge sunarak son teknoloji performansı sergiledi. Örneğin, YOLOv7x modeli, 640 görüntü boyutunda MS COCO veri kümesinde %53,1 mAPtest elde ediyor. Verimliliği, gelişmiş güvenlik sistemleri ve hızlı, doğru algılama gerektiren otonom sistemler gibi gerçek zamanlı uygulamalar için uygun hale getirir.

Güçlü Yönler

  • Yüksek Doğruluk ve Hız Dengesi: Gerçek zamanlı görevler için güçlü bir mAP ve çıkarım hızı kombinasyonu sunar.
  • Verimli Eğitim: Çıkarım maliyetini artırmadan doğruluğu artırmak için gelişmiş eğitim teknikleri ("bedava hediyeler") kullanır.
  • Yerleşik Performans: MS COCO gibi standart kıyaslamalarda kanıtlanmış sonuçlar.

Zayıflıklar

  • Karmaşıklık: Mimari ve eğitim tekniklerini tam olarak kavramak ve optimize etmek karmaşık olabilir.
  • Kaynak Yoğun: Daha büyük YOLOv7 modelleri, eğitim için önemli miktarda GPU kaynağı gerektirir.
  • Sınırlı Görev Çok Yönlülüğü: Öncelikli olarak nesne algılamaya odaklanmıştır ve YOLO11 gibi entegre modellere kıyasla segmentasyon veya sınıflandırma gibi diğer görevler için ayrı uygulamalar gerektirir.
  • Parçalı Ekosistem: Ultralytics ekosisteminde bulunan birleşik çerçeve, kapsamlı belgeler ve aktif bakımdan yoksundur.

YOLOv7 hakkında daha fazla bilgi edinin

Ultralytics YOLO11: Son Teknoloji Verimlilik ve Çok Yönlülük

Ultralytics YOLO11, Ultralytics'ten Glenn Jocher ve Jing Qiu tarafından yazılmış olup, YOLO serisindeki en son evrimi temsil etmektedir. 27 Eylül 2024'te piyasaya sürülen bu model, kullanıcı dostu bir çerçeve içinde üstün doğruluk, gelişmiş verimlilik ve daha geniş görev çok yönlülüğü için tasarlanmıştır.

Mimari ve Temel Özellikler

YOLO11'in mimarisi, gelişmiş özellik çıkarma tekniklerini ve aerodinamik bir ağ tasarımını içerir ve bu da genellikle YOLOv8 ve YOLOv7 gibi önceki modellere kıyasla daha yüksek doğruluk ve daha az parametre sayısı ile sonuçlanır. Bu optimizasyon, daha hızlı çıkarım hızlarına ve daha düşük hesaplama gereksinimlerine yol açar; bu da uç cihazlardan bulut altyapısına kadar çeşitli platformlarda dağıtım için çok önemlidir.

YOLO11'in temel avantajlarından biri çok yönlülüğüdür. Nesne tespiti, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekleyen çok görevli bir modeldir. Ultralytics ekosistemine sorunsuz bir şekilde entegre olarak basit Python ve CLI arayüzleri, kapsamlı belgeler ve verimli eğitim için hazır bulunan önceden eğitilmiş ağırlıklar aracılığıyla kolaylaştırılmış bir kullanıcı deneyimi sunar.

Güçlü Yönler

  • Son Teknoloji Performans: Daha verimli bir mimari ile daha yüksek mAP skorları elde eder.
  • Üstün Verimlilik: Karşılaştırılabilir doğruluk için YOLOv7'ye göre önemli ölçüde daha az parametre ve FLOP ile hem CPU hem de GPU'da mükemmel hız.
  • Rakipsiz Çok Yönlülük: Tek ve birleşik bir çerçevede yerel olarak algılama, segmentasyon, sınıflandırma, poz ve OBB'yi destekler.
  • Kullanım Kolaylığı: Kodsuz eğitim ve dağıtım için basit bir API, kapsamlı dokümantasyon ve Ultralytics HUB gibi araçlarla sorunsuz entegrasyon özelliklerine sahiptir.
  • İyi Yönetilen Ekosistem: Aktif geliştirme, güçlü bir topluluk, sık güncellemeler ve zengin kaynaklardan faydalanır.
  • Bellek Verimliliği: Eğitim ve çıkarım sırasında daha düşük bellek kullanımı için tasarlanmıştır, bu da onu diğer mimarilerden daha erişilebilir kılar.

Zayıflıklar

  • Daha yeni bir model olduğundan, bazı niş üçüncü taraf araç entegrasyonları, daha eski, daha yerleşik modellere kıyasla hala geliştirme aşamasında olabilir.
  • En büyük modeller, oldukça doğru olsalar da, eğitim ve dağıtım için hala önemli miktarda hesaplama kaynağı gerektirebilir.

YOLO11 hakkında daha fazla bilgi edinin

Performans Karşılaştırması: YOLO11 - YOLOv7

Performans metriklerini doğrudan karşılaştırırken, Ultralytics YOLO11'in avantajları belirginleşir. Modeller, genel olarak doğruluk ve verimlilik arasında daha iyi bir denge sunar.

Model boyut
(piksel)		 mAPval
50-95		 Hız
CPU ONNX
(ms)		 Hız
T4 TensorRT10
(ms)		 parametreler
(M)		 FLOP'lar
(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

Tablodan, çeşitli önemli içgörüler ortaya çıkıyor:

  • Doğruluk ve Verimlilik: YOLO11l, önemli ölçüde daha az parametre (25,3M'ye karşı 71,3M) ve FLOP'lar (86,9B'ye karşı 189,9B) kullanırken YOLOv7x'ten (53,1) daha yüksek bir mAP (53,4) elde eder.
  • Çıkarım Hızı: YOLO11 modelleri, özellikle TensorRT ile GPU'da önemli ölçüde daha hızlıdır. YOLO11l, bir T4 GPU'da YOLOv7x'ten neredeyse iki kat daha hızlıdır. Ayrıca, YOLO11, YOLOv7 verilerinin kullanılamadığı birçok gerçek dünya dağıtımı için kritik bir metrik olan ONNX aracılığıyla güçlü CPU performans kıyaslamaları sağlar.
  • Ölçeklenebilirlik: YOLO11 ailesi, hafif YOLO11n'den (1,5 ms gecikme) yüksek doğruluklu YOLO11x'e (54,7 mAP) kadar daha geniş ve daha verimli bir model yelpazesi sunarak, geliştiricilerin kendi özel ihtiyaçları için mükemmel dengeyi bulmalarına olanak tanır.

Neden Ultralytics YOLO11'i Seçmelisiniz?

YOLOv7 kendi zamanı için güçlü bir model olmasına rağmen, Ultralytics YOLO11 modern bilgisayar görüşü projeleri için açık bir seçimdir. Yalnızca doğruluk ve hız gibi temel metriklerde YOLOv7'yi aşmakla kalmıyor, aynı zamanda çok daha üstün bir kullanıcı deneyimi ve daha kapsamlı bir özellik seti sunuyor.

YOLO11'i seçmenin temel avantajları şunlardır:

  • Birleştirilmiş Çatı: Birden fazla görüntü işleme görevi için tek, kullanımı kolay bir paket olup, farklı depolar ve ortamlarla uğraşma ihtiyacını ortadan kaldırır.
  • Aktif Geliştirme ve Destek: Aktif olarak sürdürülen Ultralytics ekosisteminin bir parçası olarak YOLO11, geniş bir topluluk ve temel geliştirme ekibi tarafından sürekli güncellemeler, hata düzeltmeleri ve destek alır.
  • Üretime Hazır: Verimliliğe, kolay dağıtıma ve sağlam araçlara odaklanan YOLO11, prototiplemeden büyük ölçekli üretime kadar gerçek dünya uygulamaları için üretilmiştir.
  • Geleceğe Hazır: Geliştiriciler, YOLO11'i benimseyerek nesne algılama araştırmasının en ileri noktasında yer alır ve Ultralytics'in devam eden yeniliklerinden yararlanır.

Sağlam bir ekosistem tarafından desteklenen modern, çok yönlü ve yüksek performanslı bir model arayan geliştiriciler için Ultralytics YOLO11 kesin seçimdir.

Diğer Model Karşılaştırmaları

Daha fazla inceleme için, YOLOv7, YOLO11 ve diğer ilgili modelleri içeren bu karşılaştırmaları göz önünde bulundurun:



📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi
glenn-jocher

Yorumlar