YOLO26 ve YOLOv7 karşılaştırması#

Gerçek zamanlı nesne algılama alanındaki gelişmeler birçok dönüm noktasına sahne oldu; Ultralytics YOLO26 ile YOLOv7, bilgisayarlı görü yeteneklerinde iki önemli atılımı temsil ediyor. YOLOv7, 2022'de doğruluk ölçütlerini yeniden tanımlayan güçlü "bedava kazanımlar" yöntemini ortaya koyarken yeni yayımlanan YOLO26 mimarisi, ucu önceleyen optimizasyonlara, yerleşik uçtan uca işlemeye ve Büyük Dil Modeli (LLM) yeniliklerinden ilham alan kararlı eğitim dinamiklerine öncülük ediyor.

Bu kapsamlı inceleme, makine öğrenimi mühendislerinin sonraki görüntü işleme yapay zekâ projeleri için bilinçli kararlar almalarına yardımcı olmak üzere bu iki mimarinin performans ölçütlerini, yapısal farklılıklarını ve ideal dağıtım senaryolarını karşılaştırıyor.

Modelin Geçmişi 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
• Kurum: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2022-07-06
• Arxiv: YOLOv7 Makalesi
• GitHub: YOLOv7 Deposu

YOLOv7 hakkında daha fazla bilgi edin

Mimarinin Derinlemesine İncelenmesi#

YOLO26 ile YOLOv7'nin mimari yaklaşımları önemli ölçüde farklılık gösterir; bu da üst düzey GPU performansını en üst düzeye çıkarmaktan kesintisiz, uçtan uca uç dağıtımını optimize etmeye geçişi yansıtır.

YOLO26: Ucu Önceleyen Yaklaşım#

2026'da yayımlanan YOLO26, dağıtım işlem hattını temelden yeniden ele alıyor. En önemli atılımı Uçtan Uca, NMS Gerektirmeyen Tasarım. Maksimum Olmayan Bastırma (NMS) son işlemini ortadan kaldıran YOLO26, gecikme değişkenliğini büyük ölçüde azaltıyor; bu yaklaşım ilk kez YOLOv10 ile başarıyla denenmişti. Böylece otonom robotlar ve trafik izleme için kritik olan yoğun sahnelerde bile tutarlı kare hızları sağlanıyor.

Ayrıca YOLO26, Dağılım Odaklı Kayıp (DFL) yöntemini tamamen kaldırıyor. DFL'nin Kaldırılması, ONNX ve Apple CoreML gibi biçimlere dışa aktarma sürecini basitleştirirken %43'e kadar daha hızlı CPU çıkarımı sağlıyor.

Eğitim kararlılığı da önemli bir odak noktası. Standart Stokastik Gradyan İnişi ile Muon'u birleştiren ve Kimi K2'nin eğitim dinamiklerinden ilham alan MuSGD Optimizasyonu, gelişmiş LLM eğitim kararlılığını bilgisayarlı görüye taşıyor. ProgLoss + STAL kayıp işlevleriyle bir araya geldiğinde YOLO26, gerçek zamanlı algılayıcıların tarihsel olarak zorlandığı küçük nesneleri tanımada üstün başarı gösteriyor.

YOLOv7: Ücretsiz Avantajlarla Ustalık#

YOLOv7, gradyan yolu optimizasyonu üzerine kapsamlı bir çalışma temel alınarak geliştirildi. Temel yeniliği olan Genişletilmiş Verimli Katman Toplama Ağı (E-ELAN), modelin özgün gradyan yollarını bozmadan daha çeşitli özellikler öğrenmesini sağlar.

YOLOv7 mimarisi, çıkarım sırasında yeniden parametrelendirme tekniklerine de büyük ölçüde dayanır; bu teknikler, eğitim sırasında öğrenilen zengin özellik temsillerinden ödün vermeden hızı artırmak için katmanları birleştirir. Standart sunucu GPU'larında NVIDIA TensorRT ile güçlü performans sunsa da bu yaklaşım hâlâ çapa tabanlı tespit başlıklarına ve geleneksel NMS'ye dayanır; bu da düşük güçlü cihazlara dağıtımda sorunlara yol açabilir.

Performans Karşılaştırması#

Aşağıdaki tabloda, standart COCO veri kümesi üzerinde eğitilen modeller doğrudan karşılaştırılıyor. YOLO26, parametre sayısı ve FLOPs açısından olağanüstü bir dengeyi korurken doğrulukta (mAP) önemli iyileştirmeler sunuyor.

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

Ultralytics Ekosisteminin Avantajı#

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

1. Kullanım Kolaylığı: Python API'si, kullanıcıların modelleri yalnızca birkaç satır kodla yüklemesine, eğitmesine ve dağıtmasına olanak tanır. LiteRT gibi mobil biçimlere dışa aktarmak için tek bir argümanı değiştirmek yeterlidir.
2. Bellek Gereksinimleri: Ultralytics modelleri, eğitim verimliliği gözetilerek titizlikle tasarlanmıştır. Ağır görsel Transformer modellerine kıyasla çok daha az CUDA belleği gerektirir ve araştırmacıların tüketici donanımlarında daha büyük toplu iş boyutlarıyla çalışmasını sağlar.
3. Çok Yönlülük: YOLOv7 farklı görevler için tamamen ayrı depolar gerektirirken YOLO26, tek ve bütünleşik bir kütüphaneden Görüntü Sınıflandırma, Örnek Bölütleme, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini yerel olarak destekler. Ayrıca insan pozu işlem hatları için Artık Log-Olabilirlik Tahmini (RLE) gibi göreve özel kayıp fonksiyonları da içerir.
4. Aktif Geliştirme: Ultralytics açık kaynak topluluğu, uç durumların hızla çözülmesini ve en yeni PyTorch sürümleriyle sürekli uyumluluğu sağlamak için sık sık güncellemeler sunar.

Gerçek Dünya Kullanım Senaryoları#

Bu modeller arasındaki mimari farklılıklar, her birinin en uygun olduğu dağıtım senaryolarını belirler.

YOLO26'yı Ne Zaman Seçmeli?#

YOLO26, modern ve geleceğe dönük bilgisayarlı görü sistemleri için tartışmasız en iyi tercihtir.

• Uç Yapay Zekâ ve IoT: %43 daha hızlı CPU çıkarımı ve düşük parametre sayısı sayesinde YOLO26n, Raspberry Pi gibi kısıtlı cihazlar veya akıllı şehir kameraları için idealdir.
• Drone ve Hava Görüntüleri: ProgLoss + STAL entegrasyonu, küçük nesne tespitini önemli ölçüde iyileştirerek boru hattı denetimleri ve hassas tarım için onu en iyi seçenek hâline getirir.
• Çok Görevli Robotik: Sınırlayıcı kutuları, bölütleme maskelerini ve poz anahtar noktalarını aynı anda, çok az ek bellek kullanarak kolayca işlediğinden dinamik robot navigasyonu ve etkileşimi için oldukça uygundur.

YOLOv7'yi Ne Zaman Tercih Etmeli?#

Daha yeni mimarilerin büyük ölçüde gerisinde kalsa da YOLOv7 belirli niş alanlarda kullanışlılığını koruyor.

• Akademik Kıyaslama: Yeni çapa tabanlı tespit başlıkları geliştiren veya gradyan yolu stratejilerini inceleyen araştırmacılar, standart bir temel karşılaştırma modeli olarak sık sık YOLOv7'yi kullanır.
• Eski GPU İşlem Hatları: Güçlü AWS EC2 P4d bulut sunucularında YOLOv7'nin belirli tensör çıktıları ve özel NMS yapılandırmaları etrafında özel olarak oluşturulmuş kurumsal sistemler, tüm 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 kolaydır:

from ultralytics import YOLO

# En yeni, son teknoloji YOLO26 küçük modelini yükle
model = YOLO("yolo26s.pt")

# Otomatik önbelleğe alma ve günlük kaydıyla modeli kendi veri kümen üzerinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Harici bir görüntü üzerinde uçtan uca, NMS gerektirmeyen tahmin gerçekleştir
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Uçta dağıtım için optimize edilmiş modeli dışa aktar
model.export(format="onnx")

Son Düşünceler#

YOLOv7, gerçek zamanlı nesne tespiti tarihindeki saygın bir kilometre taşı olmayı sürdürse de sektör; dağıtım kolaylığına, çok görevli esnekliğe ve uç verimliliğine öncelik veren modellere hızla yöneldi.

NMS gerektirmeyen çıkarım sunması, MuSGD optimize edicisini kullanıma sunması ve CPU çıkarım hızlarını büyük ölçüde artırmasıyla Ultralytics YOLO26, günümüz geliştiricileri ve kurumsal mühendisleri için kesin bir tercih olarak öne çıkıyor. Sağlam ve kullanımı kolay Ultralytics ekosistemiyle birlikte hız, doğruluk ve mühendislik keyfi arasında eşsiz bir denge sunuyor.