YOLO26 vs. YOLOv7: Gerçek Zamanlı Nesne Algılamanın Evrimi

Bilgisayar görüşü alanı hızla ilerlemektedir ve uygulamanız için doğru modeli seçmek, hız, doğruluk ve dağıtım kolaylığı arasında denge kurmak için kritik öneme sahiptir. Bu sayfa, Ultralytics'in en son teknoloji ürünü modeli olan YOLO26 ile 2022'de piyasaya sürülen, oldukça saygın bir eski model olan YOLOv7 arasında teknik bir karşılaştırma sunmaktadır.

YOLOv7, E-ELAN gibi önemli mimari yenilikler sunarken, YOLO26, uçtan uca verimlilik, yerel NMS-free çıkarım ve sorunsuz kenar dağıtımına yönelik bir paradigma değişimini temsil etmektedir. Aşağıda, ihtiyaçlarınıza en uygun çerçeveyi seçmenize yardımcı olmak için mimarilerini, performans metriklerini ve ideal kullanım senaryolarını analiz ediyoruz.

Performans Metrikleri Karşılaştırması

Aşağıdaki tablo, iki mimari arasındaki performans farklılıklarını vurgulamaktadır. YOLO26, özellikle optimize edilmiş tasarımıyla öne çıktığı CPU ortamlarında üstün verimlilik sergilemektedir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

YOLO26: Verimlilikte Yeni Standart

YOLO26, Ultralytics tarafından Ocak 2026'da piyasaya sürülen, YOLO11 gibi önceki sürümler tarafından oluşturulan sağlam ekosistem üzerine inşa edilmiştir. Glenn Jocher ve Jing Qiu tarafından tasarlanan bu model, makine öğrenimi operasyonları (MLOps) hattını basitleştirmeyi ve kenar cihazlarda çıkarımı geliştirmeyi amaçlayan birçok çığır açan teknoloji sunmaktadır.

Temel Mimari Yenilikler

YOLO26'nın belirleyici özelliği, Uçtan Uca NMS-Free Tasarımı'dır. Yinelenen sınırlayıcı kutuları filtrelemek için Non-Maximum Suppression (NMS) gerektiren geleneksel dedektörlerin aksine, YOLO26 nihai algılamayı doğrudan çıktı verecek şekilde eğitilmiştir. Bu, hesaplama açısından pahalı bir ön işleme sonrası adımını ortadan kaldırarak daha düşük gecikme süresi ve deterministik çıkarım süreleri sağlar.

Ek olarak, YOLO26 DFL Kaldırma özelliğine sahiptir. Distribution Focal Loss modülünün kaldırılmasıyla model mimarisi basitleştirilmiştir. Bu değişiklik, dışa aktarım uyumluluğu için kritik öneme sahiptir ve modelleri mobil uygulamalar için ONNX veya CoreML gibi formatlara dağıtmayı önemli ölçüde kolaylaştırır.

Eğitim Kararlılığı

YOLO26, Moonshot AI'dan Büyük Dil Modeli (LLM) eğitimindeki yeniliklerden esinlenerek Stokastik Gradyan İnişi'ni Muon ile birleştiren hibrit bir yaklaşım olan MuSGD Optimize Ediciyi içermektedir. Bu, dönüştürücü eğitiminin kararlılığını bilgisayar görüşüne taşır.

Performans ve Kullanım Alanları

Önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı ile YOLO26, Raspberry Pi tabanlı güvenlik sistemleri veya mobil artırılmış gerçeklik gibi güçlü GPU'lardan yoksun uygulamalar için ideal bir seçimdir. ProgLoss ve STAL (Küçük Hedefe Duyarlı Etiket Ataması) entegrasyonu, hızına rağmen, drone görüntüleri ve uydu analizinde yaygın bir zorluk olan küçük nesneleri algılamada üstün başarı göstermesini sağlar.

YOLO26 hakkında daha fazla bilgi edinin

YOLOv7: Bir "Bag-of-Freebies" Mirası

YOLOv7, Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından yazılan, Temmuz 2022'de piyasaya sürüldü. Piyasaya sürüldüğünde, hız ve doğruluk için yeni ölçütler belirledi. Orijinal araştırmayı Arxiv makalelerinde okuyabilirsiniz.

Mimari ve Metodoloji

YOLOv7, Genişletilmiş Verimli Katman Birleştirme Ağı (E-ELAN)'nı tanıttı. Bu mimari, en kısa ve en uzun gradyan yollarını kontrol ederek modelin daha çeşitli özellikler öğrenmesini sağlar. Yeniden parametrelendirme ve yardımcı başlık eğitimi gibi çıkarım maliyetini artırmadan doğruluğu artıran eğitim yöntemleri olan "bag-of-freebies"leri yoğun bir şekilde kullandı.

Mevcut Durum

YOLOv7 yetenekli bir model olmaya devam etse de, çapa tabanlı algılamaya dayanır ve NMS ön işleme sonrası gerektirir. Modern gerçek zamanlı çıkarım senaryolarında, bu durum YOLO26 gibi daha yeni modellerin başarıyla ortadan kaldırdığı bir gecikme yükü yaratır. Ayrıca, ekosistem desteği, Ultralytics paketinin sağladığı sorunsuz araçlara kıyasla daha az entegredir.

YOLOv7 hakkında daha fazla bilgi edinin.

Detaylı Teknik Karşılaştırma

Çıkarım Hızı ve Kaynak Verimliliği

En önemli farklılıklardan biri bellek gereksinimleri ve hesaplamada yatmaktadır. YOLO26, model niceleme için optimize edilmiştir ve minimum doğruluk kaybıyla INT8 dağıtımını destekler. DFL'nin kaldırılması ve NMS-free başlık, YOLO26'nın çıkarım sırasında daha az bellek tüketmesi anlamına gelir, bu da onu Endüstriyel IoT (IIoT) cihazları için çok daha çok yönlü hale getirir.

Buna karşılık, YOLOv7'nin NMS'ye bağımlılığı, çıkarım süresinin sahnedeki nesne sayısına göre değişebileceği anlamına gelir (NMS algılama sayısıyla ölçeklendiği için), oysa YOLO26 daha tutarlı, deterministik zamanlama sunar.

Çok Yönlülük ve Görev Desteği

Ultralytics ekosistemi, kullanıcıların görevler arasında sorunsuz bir şekilde geçiş yapmasına olanak tanır. YOLOv7 öncelikli olarak algılama ile bilinirken (ayrı uygulamalarda bazı poz dalları mevcut olsa da), YOLO26 birleşik bir çerçeve sunar.

YOLO26: Yerel olarak Nesne Algılama, Örnek Segmentasyon, Poz Tahmini, Yönlendirilmiş Sınırlayıcı Kutu (OBB) ve Sınıflandırma destekler.
YOLOv7: Öncelikli olarak Nesne Algılama.

Kullanım Kolaylığı ve Ekosistem

Ultralytics, geliştirici deneyimine öncelik verir. Bir YOLO26 modelini eğitmek yalnızca birkaç satır Python kodu gerektirirken, eski modeller genellikle karmaşık kabuk betiklerine ve yapılandırma dosyalarına dayanır.

from ultralytics import YOLO

# Load a pretrained YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Train on a custom dataset with a single command
model.train(data="coco8.yaml", epochs=100)

Bu entegrasyon, veri yönetimini ve bulut eğitimini basitleştiren ve topluluk tarafından sürekli güncellenen kapsamlı belgelere sahip Ultralytics Platformu'na kadar uzanır.

Sonuç

YOLO26 ile YOLOv7'yi karşılaştırırken, seçim projenizin yaşam döngüsü aşamasına bağlıdır. 2022 civarında oluşturulmuş eski bir kod tabanını sürdürüyorsanız, YOLOv7 geçerli bir seçenek olmaya devam eder. Ancak, yeni bir geliştirme için YOLO26 üstün bir seçenektir.

YOLO26, daha hızlı, daha küçük ve eğitilmesi daha kolay modern bir mimari sunar. NMS içermeyen tasarımı, uzun süredir devam eden dağıtım sorunlarını çözer ve MuSGD optimize edicisi sağlam eğitim yakınsamasını sağlar. Ultralytics'i seçerek, gelişen bir ekosisteme ve pazara çıkış sürenizi hızlandıran araçlara da erişim sağlarsınız.

Diğer modern mimarileri keşfetmek isteyen geliştiriciler, belirli açık-kelime görevleri için YOLO11 veya YOLOE'yi de düşünebilirler.