YOLO26 ve YOLOv7#

Gerçek zamanlı nesne algılamanın gelişimi, bilgisayarlı görü yeteneklerinde iki önemli sıçramayı temsil eden Ultralytics YOLO26 ve YOLOv7 dahil olmak üzere çok sayıda dönüm noktasına sahne oldu. YOLOv7, 2022'de doğruluk ölçütlerini yeniden tanımlayan güçlü "bag-of-freebies" metodolojisini tanıtırken, yeni yayımlanan YOLO26 mimarisi kenar öncelikli optimizasyonlara, yerel uçtan uca işlemeye ve Büyük Dil Modeli (LLM) yeniliklerinden ilham alan kararlı eğitim dinamiklerine öncülük ediyor.

Bu kapsamlı inceleme, sonraki görsel yapay zekâ projeleri için bilinçli kararlar vermelerine yardımcı olmak amacıyla bu iki mimariyi karşılaştırıyor; performans ölçütlerini, yapısal farklılıklarını ve ideal dağıtım senaryolarını analiz ediyor ve makine öğrenimi mühendislerine rehberlik ediyor.

Modelin Arka Planı ve Ayrıntıları#

Performans verilerini incelemeden önce her modelin kökenini ve temel hedeflerini anlamak önemlidir.

Ultralytics YOLO26#

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics Deposu
• Belgeler: YOLO26 Belgeleri

YOLOv7#

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2022-07-06
• Arxiv: YOLOv7 Makalesi
• GitHub: YOLOv7 Deposu

YOLOv7 hakkında daha fazla bilgi edin

Mimariye Derinlemesine Bakış#

YOLO26 ve YOLOv7'nin arkasındaki mimari felsefeler önemli ölçüde farklılaşıyor; bu da yüksek seviye GPU performansını en üst düzeye çıkarmaktan sorunsuz, uçtan uca kenar dağıtımı için optimizasyona geçişi yansıtıyor.

YOLO26: Kenar Öncelikli Paradigma#

2026'da yayımlanan YOLO26, dağıtım işlem hattını temelden yeniden ele alıyor. En önemli atılımı Uçtan Uca NMS'siz Tasarım. Maksimum Olmayan Bastırma (NMS) son işlemeyi ortadan kaldıran YOLO26, ilk kez YOLOv10 ile başarıyla uygulanan bir yaklaşımla gecikme değişkenliğini büyük ölçüde azaltıyor. Bu, yoğun nüfuslu sahnelerde bile tutarlı kare hızları sağlıyor; bu da otonom robotik ve trafik izleme için kritik önem taşıyor.

Ayrıca YOLO26, Dağılım Odaklı Kaybı (DFL) tamamen kaldırıyor. Bu DFL Kaldırma yaklaşımı, ONNX ve Apple CoreML gibi biçimlere dışa aktarma sürecini basitleştirerek %43'e kadar daha hızlı CPU çıkarımı sağlıyor.

Eğitim kararlılığı da bir diğer önemli odak noktasıdır. Standart Stokastik Gradyan İnişi ile Muon'un birleşimi olan MuSGD Optimize Edicisinin kullanıma sunulması (Kimi K2'nin eğitim dinamiklerinden esinlenmiştir), gelişmiş LLM eğitim kararlılığını bilgisayarlı görüye taşıyor. ProgLoss + STAL kayıp işlevleriyle birlikte YOLO26, gerçek zamanlı algılayıcılar için tarihsel bir zorluk olan küçük nesne tanımada üstün performans gösteriyor.

YOLOv7: Bag-of-Freebies Ustalığı#

YOLOv7, gradyan yolu optimizasyonu üzerine kapsamlı bir çalışmaya dayanılarak oluşturuldu. Temel yeniliği, özgün gradyan yollarını bozmadan modelin daha çeşitli özellikler öğrenmesini sağlayan Genişletilmiş Verimli Katman Birleştirme Ağıdır (E-ELAN).

YOLOv7 mimarisi, çıkarım sırasında yeniden parametreleştirme tekniklerine de büyük ölçüde dayanıyor; temel olarak eğitim sırasında öğrenilen zengin özellik temsillerinden ödün vermeden hızı artırmak için katmanları birleştiriyor. Standart NVIDIA TensorRT sunucu GPU'larında güçlü olsa da bu yaklaşım hâlâ bağlantı noktası tabanlı algılama başlıklarına ve geleneksel NMS'ye dayanıyor; bu da düşük güçlü cihazlarda dağıtımı zorlaştırabiliyor.

Performans Karşılaştırması#

Aşağıdaki tablo, standart COCO veri kümesi üzerinde eğitilen modellerin doğrudan karşılaştırmasını sunuyor. YOLO26, parametreler ve FLOP'lar arasında olağanüstü bir dengeyi korurken doğrulukta (mAP) önemli iyileştirmeler gösteriyor.

Not: YOLO26x, mAP açısından YOLOv7x'i etkileyici bir farkla geride bırakıyor (57.5'e karşı 53.1); üstelik yaklaşık %22 daha az parametre gerektiriyor.

Ultralytics Ekosisteminin Avantajı#

Geliştiricilerin sürekli olarak YOLO26'yı seçmesinin başlıca nedenlerinden biri, Ultralytics Platformu ile derin entegrasyonudur. Eski mimariler için gereken bağımsız betiklerin aksine Ultralytics, sorunsuz ve birleşik bir iş akışı sunuyor.

1. Kullanım Kolaylığı: Python API, kullanıcıların modelleri yalnızca birkaç satır kodla yüklemesine, eğitmesine ve dağıtmasına olanak tanıyor. TensorFlow Lite gibi mobil biçimlere dışa aktarmak için yalnızca tek bir bağımsız değişkeni değiştirmek yeterli.
2. Bellek Gereksinimleri: Ultralytics modelleri eğitim verimliliği için titizlikle tasarlanmıştır. Ağır görsel Transformer modellerine kıyasla önemli ölçüde daha az CUDA belleği gerektirir; bu da araştırmacıların tüketici donanımlarında daha büyük toplu iş boyutları kullanmasına olanak tanır.
3. Çok Yönlülük: YOLOv7 farklı görevler için tamamen farklı depolar gerektirirken YOLO26, tek ve tutarlı bir kütüphaneden Görüntü Sınıflandırma, Örnek Bölütleme, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasını yerel olarak destekliyor. Ayrıca insan pozu işlem hatları için Artık Log-Olasılık Tahmini (RLE) gibi göreve özgü kayıp işlevlerini de içeriyor.
4. Aktif Geliştirme: Ultralytics açık kaynak topluluğu, sık güncellemeler sunarak uç durumların hızla çözülmesini ve en yeni [PyTorch](https://ultralytics-translation-0.invalid sürümleriyle sürekli uyumluluğu sağlıyor.

Gerçek Dünya Kullanım Örnekleri#

Bu modeller arasındaki mimari farklılıklar, ideal dağıtım senaryolarını belirliyor.

YOLO26 Ne Zaman Seçilmeli?#

YOLO26, modern ve geleceğe dönük bilgisayarlı görü sistemleri için tartışmasız öneridir.

• Kenar Yapay Zekâsı ve IoT: %43 daha hızlı CPU çıkarımı ve az sayıda parametresiyle YOLO26n, Raspberry Pi veya akıllı şehir kameraları gibi kısıtlı cihazlar için mükemmeldir.
• Drone ve Hava Görüntüleri: ProgLoss + STAL entegrasyonu küçük nesne algılamayı büyük ölçüde iyileştirerek boru hattı denetimleri ve hassas tarım için birinci sınıf tercih olmasını sağlıyor.
• Çok Görevli Robotik: Sınırlı bellek ek yüküyle sınırlayıcı kutuları, bölütleme maskelerini ve poz anahtar noktalarını aynı anda kolayca işleyebildiğinden dinamik robotik yön bulma ve etkileşim için son derece uygundur.

YOLOv7 Ne Zaman Değerlendirilmeli?#

Büyük ölçüde daha yeni mimarilerle geride bırakılmış olsa da YOLOv7 belirli niş kullanım alanlarını koruyor.

• Akademik Karşılaştırma: Yeni bağlantı noktası tabanlı algılama başlıkları geliştiren veya gradyan yolu stratejilerini inceleyen araştırmacılar, Papers With Code gibi platformlarda standart bir temel karşılaştırma olarak sıklıkla YOLOv7'yi kullanıyor.
• Eski GPU İşlem Hatları: Güçlü AWS EC2 P4d örneklerinde YOLOv7'nin belirli tensör çıktıları ve özel NMS yapılandırmaları üzerine özel olarak oluşturulmuş kurumsal sistemler, tamamen sistemin yeniden düzenlenmesi gerekene kadar daha yeni modellere geçişi erteleyebilir.

Kod Örneği: Başlarken#

Geliştirici deneyimi, standart araştırma depoları ile Ultralytics ekosistemi arasındaki belirgin farkı ortaya koyuyor. Özel bir YOLO26 modelini eğitmek son derece basittir:

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model on your custom dataset with automated caching and logging
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Perform an end-to-end NMS-free prediction on an external image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export the optimized model for edge deployment
model.export(format="onnx")

Son Düşünceler#

YOLOv7, gerçek zamanlı nesne algılama tarihinde saygı gören bir dönüm noktası olmaya devam etse de sektör; dağıtım basitliğine, çok görevli çok yönlülüğe ve kenar verimliliğine öncelik veren modellere hızla yöneldi.

NMS'yi ortadan kaldırması, MuSGD optimize edicisini kullanıma sunması ve CPU çıkarım hızlarını büyük ölçüde iyileştirmesi sayesinde Ultralytics YOLO26, bugün geliştiriciler ve kurumsal mühendisler için kesin tercih olarak öne çıkıyor. Güçlü ve kullanıcı dostu Ultralytics ekosistemiyle birlikte hız, doğruluk ve mühendislik keyfi arasında eşsiz bir denge sunuyor.