İçeriğe geç

YOLO11 ile YOLOv7: Mimari ve Performansın Teknik Karşılaştırması

Bilgisayar görüşü alanı hızlandıkça, doğru nesne algılama mimarisini seçmek başarı için kritik hale gelir. YOLO ailesindeki iki ana rakip, Ultralytics tarafından geliştirilen YOLO11 ve Academia Sinica'dan araştırma odaklı bir model olan YOLOv7'dir. Her iki model de son teknolojiye önemli katkılarda bulunmuş olsa da, hız, esneklik ve dağıtım kolaylığı açısından farklı ihtiyaçlara hitap etmektedirler.

Bu kılavuz, geliştiricilerin ve araştırmacıların projeleri için en iyi aracı seçmelerine yardımcı olmak amacıyla mimarilerinin, performans metriklerinin ve ideal kullanım senaryolarının derinlemesine teknik analizini sunmaktadır.

Modele Genel Bakış ve Kökenleri

Bu modellerin soy ağacını anlamak, mimari kararları için bağlam sağlar.

YOLO11

Eylül 2024'te Ultralytics tarafından piyasaya sürülen YOLO11, şirketin üretim odaklı felsefesinin bir iyileştirmesini temsil etmektedir. Yüksek verimi rekabetçi doğrulukla dengeleyerek modern donanımlarda verimliliği en üst düzeye çıkarmak için tasarlanmıştır.

  • Yazarlar: Glenn Jocher ve Jing Qiu
  • Kuruluş:Ultralytics
  • Tarih: Eylül 2024
  • Temel Odak: Gerçek zamanlı kullanım kolaylığı, geniş görev desteği (detect, segment, poz, obb, classify) ve Ultralytics ekosistemi aracılığıyla kolaylaştırılmış dağıtım.

YOLO11 hakkında daha fazla bilgi edinin

YOLOv7

Temmuz 2022'de piyasaya sürülen YOLOv7, YOLOv4 ekibi tarafından tanıtılan önemli bir akademik dönüm noktasıydı. Çıkarım maliyetini artırmadan doğruluğu iyileştirmek için birkaç "bag-of-freebies" (ücretsiz özellikler) sundu ve eğitilebilir mimari optimizasyonlara yoğun bir şekilde odaklandı.

  • Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
  • Kuruluş: Bilgi Bilimi Enstitüsü, Academia Sinica
  • Tarih: Temmuz 2022
  • Temel Odak: Gradyan yolu analizi, model yeniden parametrelendirme ve dinamik etiket ataması.

YOLOv7 hakkında daha fazla bilgi edinin.

Performans Analizi

Bu mimarileri karşılaştırırken, Ortalama Hassasiyet (mAP) ve çıkarım gecikmesi gibi metrikler büyük önem taşır. Aşağıdaki tablo, YOLO11'deki daha yeni mühendisliğin, eski YOLOv7 mimarisine kıyasla nasıl verimlilik artışlarına dönüştüğünü vurgulamaktadır.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOP'lar
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Temel Çıkarımlar

  • Verimlilik: YOLO11m modeli, standart YOLOv7'ye (51.4%) göre biraz daha yüksek doğruluk (51.5% mAP) elde ederken, yaklaşık %45 daha az parametre (20.1M'ye karşı 36.9M) ve önemli ölçüde daha az FLOPs kullanır.
  • Hız: T4 GPU'larda, YOLO11 varyantları, otonom sürüş veya video analizi gibi gerçek zamanlı uygulamalar için kritik bir faktör olan çıkarım gecikmesinde YOLOv7 muadillerini sürekli olarak geride bırakmaktadır.
  • Ölçeklenebilirlik: YOLO11, daha geniş bir model ölçeği yelpazesi (Nano'dan X-Large'a) sunarak, Raspberry Pi veya mobil cihazlar gibi kaynak kısıtlı donanımlara dağıtmayı kolaylaştırır.

Mimari Farklılıklar

Ultralytics YOLO11

YOLO11, CSPNet (Cross-Stage Partial Network) backbone konseptleri üzerine inşa edilmiştir ancak daha iyi gradyan akışı ve özellik çıkarımı için blok tasarımını iyileştirir.

  • İyileştirilmiş Backbone: Geliştirilmiş bir C3k2 bloğu (CSP darboğazlarının daha hızlı bir uygulaması) kullanır, bu da hesaplamayı azaltırken özellik yeniden kullanımını artırır.
  • Anchor-Free Detection: Önceki sürümleri gibi, YOLO11 de anchor-free bir başlık kullanır ve manuel anchor kutusu kümelemesini ortadan kaldırarak eğitim sürecini basitleştirir.
  • Çok Görevli Başlıklar: Mimari, birleşik bir başlık yapısı kullanarak birden fazla görevi desteklemek üzere doğal olarak tasarlanmıştır; bu da nesne algılama, örnek segmentasyon ve poz tahmini arasında sorunsuz geçişe olanak tanır.

YOLOv7

YOLOv7, en kısa ve en uzun gradyan yollarını etkili bir şekilde kontrol etmek için "Extended-ELAN" (E-ELAN) yapısını tanıttı.

  • E-ELAN: Ağın gradyan yolunu bozmadan daha çeşitli özellikler öğrenmesini sağlamak için tasarlanmış bir hesaplama bloğu.
  • Model Yeniden Parametrelendirme: Yeniden parametrelendirme tekniklerini (RepConv) kullanarak çıkarım sırasında ayrı evrişimsel katmanları tek bir katmanda birleştirir, bu da eğitim doğruluğunu kaybetmeden hızı artırır.
  • Yardımcı Başlık Kaba-İnce: Modelin derin denetimine yardımcı olan ancak eğitim hattına karmaşıklık katan, eğitim denetimi için yardımcı bir başlık sunar.

YOLO26'ya Evrim

YOLO11 önemli iyileştirmeler sunarken, en son YOLO26 sınırları daha da zorluyor. Ocak 2026'da piyasaya sürülen YOLO26, post-processing ihtiyacını ortadan kaldıran ve CPU çıkarımını %43'e kadar hızlandıran Uçtan Uca NMS-Free bir tasarıma sahiptir. Ayrıca, daha hızlı yakınsama için LLM eğitiminden ilham alan MuSGD Optimizer'ı benimser.

Eğitim ve Kullanım Kolaylığı

Geliştiriciler için bir modelin "kullanıcı deneyimi" – yani eğitilmesi, doğrulanması ve dağıtılmasının ne kadar kolay olduğu – genellikle ham metrikler kadar önemlidir.

Ultralytics Ekosisteminin Avantajı

YOLO11, Ultralytics python paketine tamamen entegre edilmiştir ve "sıfırdan kahramana" bir iş akışı sunar.

  1. Birleşik API: Tek bir dizeyi değiştirerek YOLO11, YOLOv8 veya YOLO26 arasında geçiş yapabilirsiniz.
  2. Bellek Verimliliği: Ultralytics modelleri, birçok araştırma deposuna kıyasla eğitim sırasında daha az CUDA belleği kullanacak şekilde optimize edilmiştir. Bu, tüketici GPU'larında daha büyük toplu iş boyutlarına olanak tanır.
  3. Tek Tıkla Dışa Aktarma: ONNX, TensorRT, CoreML veya TFLite gibi formatlara dışa aktarma, tek bir komut modu aracılığıyla gerçekleştirilir.
from ultralytics import YOLO

# Load a YOLO11 model (or YOLO26 for best results)
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX for deployment
path = model.export(format="onnx")

YOLOv7 İş Akışı

YOLOv7 genellikle bağımsız bir depoya dayanır. Güçlü olmasına rağmen, genellikle şunları gerektirir:

  • Manuel yapılandırma .yaml anchor'lar için dosyalar (anchor-free sürüm kullanılmıyorsa).
  • Dışa aktarmadan önce yeniden parametrelendirilmiş ağırlıkları birleştirmek için özel "deploy" betikleri.
  • Eğitim sırasında yardımcı başlıkları yönetmek için daha karmaşık komut satırı argümanları.

Gerçek Dünya Uygulamaları

Ne Zaman YOLO11 Seçmeli

YOLO11, güvenilirliğin ve bakımın anahtar olduğu ticari ve endüstriyel uygulamalar için tercih edilen seçenektir.

  • Edge AI: "Nano" ve "Small" modellerinin bulunması, YOLO11'i akıllı kameralar ve üretim hatlarını izleyen IoT cihazları için ideal kılar.
  • Çok Görevli Projeler: Uygulamanız nesneleri track ederken aynı anda anahtar noktaları tahmin etmeyi gerektiriyorsa (örneğin, spor analizi), YOLO11'in birleşik çerçevesi kod tabanını basitleştirir.
  • Hızlı Prototipleme: Kullanım kolaylığı, ekiplerin Ultralytics Platformunu kullanarak özel veri kümeleri üzerinde hızlı bir şekilde yineleme yapmasına olanak tanır ve pazara sunma süresini kısaltır.

YOLOv7 Ne Zaman Tercih Edilmeli?

  • Akademik Kıyaslama: 2022-2023 literatüründeki sonuçları çoğaltıyorsanız veya E-ELAN mimarilerinin belirli etkilerini inceliyorsanız.
  • Eski Sistemler: Orijinal Darknet tarzı YOLO uygulamalarının belirli giriş/çıkış yapısıyla zaten derinlemesine entegre olmuş sistemler için.

Sonuç

While YOLOv7, nesne algılama tarihinde saygın bir kilometre taşı olmaya devam etse de, YOLO11 daha modern, verimli ve geliştirici dostu bir çözüm sunar. Üstün hız-doğruluk oranları, daha düşük bellek gereksinimleri ve sağlam Ultralytics ekosisteminin desteğiyle YOLO11, gerçek dünya dağıtımı için daha net bir yol sağlar.

Mutlak en son teknolojiyi arayanlar için, NMS içermeyen çıkarım ve yeni nesil optimize edicilerle bu temeller üzerine inşa edilen YOLO26'yı keşfetmelerini öneririz.

Ek Kaynaklar


Yorumlar