Başla

YOLO11 ve YOLOv7

Bilgisayarlı görü hızla gelişmeye devam ediyor ve gerçek zamanlı nesne tespiti en yaygın kullanılan uygulamalarından biri olmayı sürdürüyor. Doğru mimariyi seçmek; hız, doğruluk ve dağıtım kolaylığı arasında denge kurmayı gerektirir. Bu kılavuz, öne çıkan iki mimariyi teknik açıdan karşılaştırıyor: Ultralytics YOLO11 ve YOLOv7.

Model Geçmişi ve Teknik Ayrıntılar#

Her iki model de derin öğrenme topluluğunu etkiledi, ancak farklı geliştirme felsefelerinden ve dönemlerden geliyor.

YOLO11 Ayrıntıları:

YOLOv7 Ayrıntıları:

YOLOv7 hakkında daha fazla bilgi edin

Mimari Farklılıklar#

Her iki tespit modeli de modern tasarım kavramlarını kullanıyor, ancak yapısal temelleri farklı.

YOLOv7, Genişletilmiş Verimli Katman Toplama Ağları (E-ELAN) kavramını ortaya koydu. Araştırma makalesinde açıklandığı gibi bu mimari, özgün gradyan yolunu bozmadan ağın öğrenme kabiliyetini sürekli geliştirmek üzere tasarlandı. YOLOv7, çıkarım maliyetlerini artırmadan COCO veri kümesindeki genel doğruluğu iyileştirmek için yapısal yeniden parametreleştirmeye ve eğitim sırasında eğitilebilir bir "bedavalar paketi" yöntemine dayanır.

Buna karşılık, YOLO11 Ultralytics mimarisi temel alınarak geliştirilmiştir. Daha az parametre içeren, daha rafine bir özellik çıkarımı hattını öne çıkarır ve bu da eğitim sırasında bellek kullanımını azaltır. YOLO11, daha az parametre kullanırken daha ağır modellerle aynı tespit doğruluğunu yakalayarak veya bu doğruluğu aşarak güçlü bir performans dengesi sunar. YOLO11 ayrıca daha geniş bir görev yelpazesini destekleyerek modern bilgisayarlı görü uygulamaları için çok yönlü bir seçenek hâline gelir.

Bellek Verimliliği

Ultralytics YOLO modelleri, eğitim sırasında genellikle diğer birçok tespit modelinden daha az bellek gerektirir; böylece geliştiriciler tüketici sınıfı GPU'larda PyTorch kullanarak yetenekli ağları eğitebilir.

Performans ve Metrik Karşılaştırması#

Gerçek dünya kullanım uygunluğunu değerlendirmek için Ortalama Hassasiyet (mAP), çıkarım hızı, model parametreleri ve hesaplama karmaşıklığı (FLOPs) gibi ölçütleri karşılaştır. Aşağıdaki tablo, YOLO11'in farklı ölçeklerdeki modellerinin daha büyük YOLOv7 modelleriyle karşılaştırmasını gösteriyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

YOLO11x, daha az parametre (56.9M'ye karşı 71.3M) kullanarak benzer T4 TensorRT gecikme süresinde YOLOv7x'in 53.1 mAP değerine kıyasla 54.7 mAP değerine ulaşır. l ölçeğinde YOLO11l, YOLOv7l'den daha doğru (51.4 mAP'e karşı 53.4), daha hızlı (6.84 ms'ye karşı 6.2 ms) ve daha küçüktür (36.9M'ye karşı 25.3M parametre).

Eğitim Verimliliği ve Ekosistem Kullanılabilirliği#

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

YOLOv7 temel olarak akademik bir araştırma deposudur. Modelleri eğitmek çoğu zaman karmaşık ortam kurulumları, bağımlılıkların elle yönetilmesi ve uzun komut satırı bağımsız değişkenleri gerektirir. Araştırma deneylerini desteklese de YOLOv7 GitHub deposundaki kodu özel üretim ortamlarına uyarlamak zaman alabilir.

YOLO11 kullanım kolaylığına odaklanır. Tüm iş akışını kapsayan, bakımı iyi yapılan bir ekosistem olan Ultralytics Platform ile tamamen entegredir. Veri etiketleme ve yerel eğitimden dağıtıma kadar birleşik Python API'si ve basit komut satırı arayüzü tüm süreci kolaylaştırır.

Kod Karşılaştırması#

YOLO11 ile bir nesne tespit modelini eğitmek yalnızca birkaç satır kod gerektirir:

from ultralytics import YOLO

# Önceden eğitilmiş YOLO11 small modelini yükle
model = YOLO("yolo11s.pt")

# Modeli birleşik API'yi kullanarak 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 aynı zamanda daha çok yönlüdür. YOLOv7, tespit dışındaki görevleri (poz tahmini veya segmentasyon gibi) desteklemek için ayrı dallara ya da değişikliklere dayanırken YOLO11, tek ve tutarlı bir çerçeve üzerinden nesne tespiti, örnek segmentasyonu, görüntü sınıflandırmasını, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini gerçekleştirir.

Dışa Aktarma Artık Çok Kolay

YOLO11'i TensorRT veya OpenVINO gibi biçimlere dışa aktarmak tek bir komut gerektirir ve eski modellerde karşılaşılan tipik işleç desteği sorunlarını azaltır.

Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#

YOLOv7 ile YOLO11 arasında seçim yapmak, projenin 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 sürdürülen kod tabanından ve kararlılığından yararlanır.
  • Kaynak Kısıtlı Ortamlar: YOLO11n'in hafif yapısı, ONNX aracılığıyla mobil ve uç cihazlarda dağıtım için son derece uygundur.
  • Çok Görevli Projeler: Tek bir uygulamanın bir kişiyi tanımlaması, iskeletini (pozunu) çıkarması ve tuttuğu nesneyi segmente etmesi gerekiyorsa YOLO11 birleşik bir çözüm sunar.

YOLO26 ile İlerlemek#

YOLO11 güvenilir bir seçenek olmaya devam ediyor; ancak bugün yeni projelere başlayan mühendisler için Ultralytics YOLO26 önerilen modeldir.

Ocak 2026'da yayımlanan YOLO26, Maksimum Olmayanların Bastırılması son işlemesinin gecikmesini ortadan kaldıran isteğe bağlı uçtan uca NMS'siz bir tasarım (nms=False) sunar. YOLO26 ayrıca, daha hızlı yakınsama için büyük dil modeli (LLM) eğitim yöntemlerinden esinlenen MuSGD Optimizasyonu özelliğini ekler. Küçük nesneler için ProgLoss + STAL ve DFL'nin kaldırılması, YOLO26n'in CPU çıkarımını YOLO11n'e kıyasla %43'e kadar hızlandırır; böylece YOLO26 uç bilişim için optimize edilir.

Özelleşmiş alternatif yapılarla ilgilenen kullanıcılar, belirli bilgisayarlı görü dağıtımlarına uygun olabilecek Transformer tabanlı RT-DETR veya dinamik, açık sözcük dağarcıklı YOLO-World modellerini de inceleyebilir.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.