YOLO26 ve YOLOv7 karşılaştırması
Gerçek zamanlı nesne algılama alanında birçok dönüm noktası yaşandı; Ultralytics YOLO26 ve YOLOv7 bunlardan öne çıkan ikisidir. YOLOv7, 2022'de yeni doğruluk ölçütleri belirleyen "bag-of-freebies" yöntemini tanıtırken YOLO26; uçta öncelikli optimizasyonlar, isteğe bağlı uçtan uca çıkarım ve büyük dil modeli (LLM) eğitiminden ilham alan kararlı eğitim dinamikleri sunar.
Bu sayfa, makine öğrenimi mühendislerinin bir sonraki görüntü yapay zekâ projeleri için bilinçli kararlar almasına yardımcı olmak üzere bu iki mimarinin performans ölçütlerini, yapısal farklılıklarını ve ideal dağıtım senaryolarını inceler.
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
Daha geniş ekosistemi inceliyorsan, dengeli çoklu görev dağıtımları için YOLO11 veya dikkat tabanlı algılama için Transformer tabanlı RT-DETR ilgini çekebilir. YOLOv8 ve YOLOv5 gibi eski modellerin, eski sistemlerle entegrasyon için Ultralytics Platform'da tam olarak desteklenmeye devam ettiğini unutma.
Mimarinin Derinlemesine İncelenmesi#
YOLO26 ile YOLOv7'nin mimari yaklaşımları önemli ölçüde farklılaşır; bu fark, üst düzey GPU performansını en üst düzeye çıkarmaktan uçtan uca uç dağıtımını iyileştirmeye doğru yaşanan değişimi yansıtır.
YOLO26: Önce Uç Cihazları Gözeten Tasarım#
Ocak 2026'da piyasaya sürülen YOLO26, dağıtım hattını yeniden ele alır. En önemli değişikliği Uçtan Uca NMS'siz Tasarımdır. İsteğe bağlı bire bir başlığıyla (nms=False) Maksimum Olmayan Bastırma (NMS) işlem sonrası adımını atlayan YOLO26, ilk kez YOLOv10 ile tanıtılan bir yaklaşımla gecikme değişkenliğini azaltır. Böylece yoğun sahnelerde bile kare hızları tutarlı olur; bu, otonom robotik ve trafik izleme için kritik önem taşır.
YOLO26, Dağılım Odaklı Kayıp'ı (DFL) da kaldırır. Bu DFL'nin Kaldırılması, ONNX ve Apple CoreML gibi biçimlere dışa aktarma sürecini basitleştirir ve YOLO26n'nin YOLO11n'den %43'e kadar daha hızlı CPU çıkarımı sunmasına yardımcı olur.
Eğitim kararlılığı da önemli bir odak noktasıdır. Standart Stokastik Gradyan İniş ile Muon'un birleşimi olan MuSGD Optimizer'ın kullanıma sunulması (Kimi K2'nin eğitim dinamiklerinden ilham alır), büyük dil modeli eğitiminin kararlılığını bilgisayarlı görüye taşır. ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması) ile birlikte YOLO26, gerçek zamanlı algılayıcıların uzun süredir karşılaştığı küçük nesneleri tanıma sorununu iyileştirir.
YOLOv7: Eğitilebilir Ücretsiz Avantajlar Paketi#
YOLOv7, gradyan yolu optimizasyonunun ayrıntılı bir incelemesi temel alınarak geliştirildi. Temel yeniliği, özgün gradyan yollarını bozmadan modelin daha çeşitli özellikler öğrenmesini sağlayan Genişletilmiş Verimli Katman Toplama Ağı'dır (E-ELAN).
YOLOv7 mimarisi, çıkarım sırasında yeniden parametrelendirme tekniklerinden de yararlanır; bu teknikler, eğitim sırasında öğrenilen zengin özellik temsillerinden ödün vermeden hızı artırmak için katmanları birleştirir. Standart NVIDIA TensorRT sunucu GPU'larında güçlü performans gösterse de bu yaklaşım hâlâ çapa tabanlı algılama başlıklarına ve geleneksel NMS'ye dayanır; bunlar düşük güçlü cihazlarda dağıtımı zorlaştırabilir.
Performans Karşılaştırması#
Aşağıdaki tabloda standart COCO veri kümesinde eğitilen modeller doğrudan karşılaştırılıyor. YOLO26, daha az parametre ve FLOP kullanarak doğruluğu (mAP) artırır; örneğin YOLO26l, 24,8M parametreyle 55,0 mAP'ye ulaşırken YOLOv7l, 36,9M parametreyle 51,4 mAP'ye ulaşır.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Not: YOLO26x, yaklaşık %22 daha az parametre gerektirirken mAP bakımından YOLOv7x'i geride bırakır (57,5'e karşı 53,1).
Ultralytics Ekosisteminin Avantajı#
Geliştiricilerin YOLO26'yı seçmesinin önemli bir nedeni Ultralytics Platform ile entegrasyonudur. Eski mimarilerin gerektirdiği bağımsız betiklerin aksine Ultralytics, birleşik bir iş akışı sunar.
- Kullanım Kolaylığı: Python API'si, kullanıcıların modelleri birkaç satır kodla yüklemesine, eğitmesine ve dağıtmasına olanak tanır. LiteRT gibi mobil biçimlere dışa aktarmak için tek bir argümanı değiştirmek yeterlidir.
- Bellek Gereksinimleri: Ultralytics modelleri eğitim verimliliği için tasarlanmıştır. Genellikle ağır görüntü Transformer modellerinden daha az CUDA belleği gerektirir; böylece araştırmacılar tüketici donanımında daha büyük batch boyutları kullanabilir.
- Çok Yönlülük: YOLOv7 farklı görevler için ayrı kod dalları kullanırken YOLO26, tek bir kütüphane üzerinden Örnek Segmentasyonunu, anlamsal segmentasyonu, derinlik tahminini, Görüntü Sınıflandırmayı, Poz Tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı yerel olarak destekler. İnsan pozu iş akışları için Artık Log-Olasılık Tahmini (RLE) gibi göreve özel kayıp işlevlerini de içerir.
- Aktif Geliştirme: Ultralytics açık kaynak topluluğu sık güncellemeler sunar; uç durumlar için hızlı düzeltmeler sağlar ve en yeni PyTorch sürümleriyle uyumluluğu sürdürür.
YOLO26, doğruluk için varsayılan olarak NMS kullanan bire çok başlığı kullanır. nms=False ile dışa aktarmak NMS'siz başlığı seçer; böylece Intel OpenVINO veya ONNX Runtime kullanan gömülü hedeflere dağıtım için ayrı bir NMS işlem sonrası betiği gerekmez.
Gerçek Dünya Kullanım Senaryoları#
Bu modeller arasındaki mimari farklılıklar, her model için ideal dağıtım senaryolarını belirler.
YOLO26'yı Ne Zaman Seçmeli?#
Yeni bilgisayarlı görü sistemleri için önerilen seçenek YOLO26'dır.
- Uç Yapay Zekâ ve IoT: Hızlı CPU çıkarımı ve az parametre kullanımı sayesinde YOLO26n, Raspberry Pi gibi kısıtlı cihazlar veya akıllı şehir kameraları için uygundur.
- Drone ve Hava Görüntüleri: ProgLoss + STAL entegrasyonu küçük nesnelerin algılanmasını iyileştirir; bu da modeli boru hattı denetimleri ve hassas tarım için güçlü bir seçenek hâline getirir.
- Çoklu Görev Robotik: Sınırlayıcı kutuları, segmentasyon maskelerini ve poz anahtar noktalarını tek bir çerçevede düşük bellek yüküyle işlediğinden dinamik robot navigasyonu ve etkileşimi için uygundur.
YOLOv7'yi Ne Zaman Tercih Etmeli?#
Yerini büyük ölçüde yeni mimarilere bırakmış olsa da YOLOv7'nin hâlâ belirli kullanım alanları vardır.
- 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 depolarındakinden farklıdır. Özel bir YOLO26 modelini birkaç satırda eğitebilirsin:
from ultralytics import YOLO
# En yeni 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 algılama tarihinde saygın bir dönüm noktası olmaya devam ediyor; ancak sektör, dağıtım kolaylığına, çoklu görev esnekliğine ve uç verimliliğine öncelik veren modellere yöneldi.
İsteğe bağlı NMS'siz çıkarım, MuSGD optimizer ve daha hızlı CPU çıkarımıyla Ultralytics YOLO26, bugün geliştiriciler ve kurumsal mühendisler için önerilen seçenektir. Kullanıcı dostu Ultralytics ekosistemiyle birlikte hız, doğruluk ve kullanım kolaylığı arasında güçlü bir denge sunar.
Yorumlar2
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
Murat Raimbekov(düzenlendi)hey @ShadowSinence, good question - and no, yolo26 doesn't have any "irreparable defect", it's actually the opposite. a few practical reasons why you still see lots of cnki papers building on v7/v8/v10:
1. publication timeline lag. yolo26 was released on 2026-01-14, just about four months ago. academic papers usually take 6-18 months from research start to publication, so most papers being submitted now started their experiments back when v7/v8/v10 were the latest stable options.
2. baseline reproducibility. papers like "improved yolov8 with attention module x for medical detection" rely on a well-established baseline with years of comparison literature. switching to a brand-new model means redoing every comparison from scratch and using a baseline reviewers may not yet be familiar with.
3. ecosystem maturity. v8 in particular has thousands of github forks, third-party custom modules, and chinese-language tutorials. for graduate students under time pressure, building on a mature codebase is faster than learning a new one.
4. architectural surface. v26 is nms-free, removes dfl, and uses a new musgd optimizer. great for deployment, but it changes a lot of the surface that anchor-based / nms-based ablations rely on. researchers comparing apples-to-apples often stick with the older anchor/nms setup.
on raw benchmarks, v26 does lead across the size sweep:
model mAP50-95 params (M) flops (B) yolo26x 57.5 55.7 193.9 yolov7x 53.1 71.3 189.9 so v26x is +4.4 mAP with ~22% fewer params. this lag in academic adoption is normal for any new release - it usually takes a year or so before papers built on it start appearing in numbers.
for choosing a model for your own work, the models index lays out the trade-offs side by side.
ShadowSinence
既然有更多优秀的yolo模型,为什么在知网上仍有专家教授继续使用v7,v8,v10的模型进行改进,而不是直接使用v26,难道26仍有什么不可弥补的缺陷吗