YOLO26 ve YOLOv7#

Gerçek zamanlı nesne tespiti evrimi, bilgisayarla görü yeteneklerinde iki önemli sıçramayı temsil eden Ultralytics YOLO26 ve YOLOv7 ile pek çok dönüm noktası kaydetmiştir. YOLOv7, 2022'de doğruluk kıyaslamalarını yeniden tanımlayan güçlü "bag-of-freebies" metodolojisini tanıtırken, yeni çıkan YOLO26 mimarisi uç cihaza öncelik veren optimizasyonlara, yerel olarak uçtan uca işlemeden ve Büyük Dil Modeli (LLM) yeniliklerinden ilham alan kararlı eğitim dinamiklerine öncülük etmektedir.

Bu derinlemesine inceleme, machine learning engineers uzmanlarının bir sonraki görü AI projesi için bilinçli kararlar almasına yardımcı olmak amacıyla performans metriklerini, yapısal farklılıkları ve ideal dağıtım senaryolarını analiz ederek bu iki mimariyi karşılaştırmaktadır.

Model Geçmişi ve Detaylar#

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 Repository
Belgeler: YOLO26 Documentation

YOLO26 hakkında daha fazla bilgi edin

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 Paper
GitHub: YOLOv7 Repository

YOLOv7 hakkında daha fazla bilgi edinin

Mimari Derinlemesine İnceleme#

YOLO26 ve YOLOv7'nin ardındaki mimari felsefeler, üst düzey GPU performansını maksimize etmekten sorunsuz, uçtan uca uç cihaz dağıtımı için optimizasyona geçişi yansıtacak şekilde önemli ölçüde farklılaşıyor.

YOLO26: Uç Cihaz Öncelikli Paradigma#

2026'da piyasaya sürülen YOLO26, dağıtım boru hattını temelden yeniden düşünmektedir. En önemli çığır açan özelliği End-to-End NMS-Free Design tasarımıdır. Non-Maximum Suppression (NMS) son işlemini ortadan kaldırarak, ilk olarak YOLOv10'da başarıyla pilot uygulaması yapılan bir konsept olan gecikme değişkenliğini büyük ölçüde azaltmaktadır. Bu, otonom robotik ve trafik izleme için kritik önem taşıyan, yoğun nüfuslu sahnelerde bile tutarlı kare hızları sağlar.

Ayrıca YOLO26, Distribution Focal Loss (DFL) özelliğini tamamen kaldırmaktadır. Bu DFL Removal dışa aktarma sürecini ONNX ve Apple CoreML gibi formatlar için basitleştirerek %43'e varan daha hızlı CPU çıkarımı elde etmektedir.

Eğitim istikrarı bir diğer büyük odak noktasıdır. Standart Stochastic Gradient Descent ile Muon'un bir melez olan (Kimi K2'nin eğitim dinamiklerinden esinlenen) MuSGD Optimizer sunulması, bilgisayarla görüye gelişmiş LLM eğitim istikrarı getirmektedir. ProgLoss + STAL kayıp fonksiyonlarıyla birleştirilen YOLO26, gerçek zamanlı dedektörler için tarihi bir zorluk olan küçük nesne tanıma konusunda başarılıdır.

YOLOv7: Bag-of-Freebies Ustalığı#

YOLOv7, gradyan yolu optimizasyonuna dair kapsamlı bir çalışma üzerine inşa edilmiştir. Temel inovasyonu, modelin orijinal gradyan yollarını bozmadan daha çeşitli özellikleri öğrenmesini sağlayan Extended Efficient Layer Aggregation Network (E-ELAN) yapısıdır.

YOLOv7 mimarisi ayrıca çıkarım sırasında yeniden parametrelendirme tekniklerine yoğun bir şekilde güvenerek, eğitim sırasında öğrenilen zengin özellik temsillerinden ödün vermeden hızı artıran katmanları temel olarak birleştirir. Standart NVIDIA TensorRT sunucu GPU'larında güçlü olsa da, bu yaklaşım hala çapa tabanlı tespit kafalarına ve geleneksel NMS'ye güvenmektedir; bu da düşük güçlü cihazlarda dağıtım sürtüşmesine yol açabilir.

Performans Karşılaştırması#

Aşağıdaki tablo, standart COCO veri kümesi üzerinde eğitilen modellerin doğrudan bir karşılaştırmasını sunar. YOLO26, parametre ve FLOP dengesini korurken doğrulukta (mAP) önemli iyileştirmeler göstermektedir.

Not: YOLO26x, mAP değerinde etkileyici bir farkla (57.5'e karşı 53.1) YOLOv7x'ten daha iyi performans gösterirken, yaklaşık %22 daha az parametre gerektirir.

Ultralytics Ekosistemi Avantajı#

Geliştiricilerin sürekli olarak YOLO26'yı seçmesinin başlıca nedeni, Ultralytics Platform ile olan derin entegrasyonudur. Eski mimariler için gereken bağımsız komut dosyalarının aksine, Ultralytics kusursuz, birleşik bir iş akışı sağlar.

1. Kullanım Kolaylığı: Python API, kullanıcıların yalnızca birkaç satır kodla modelleri yüklemesine, eğitmesine ve dağıtmasına olanak tanır. TensorFlow Lite gibi mobil formatlara aktarmak yalnızca tek bir argümanı değiştirmeyi gerektirir.
2. Bellek Gereksinimleri: Ultralytics modelleri, eğitim verimliliği için titizlikle tasarlanmıştır. Ağır vizyon transformer modellerine kıyasla önemli ölçüde daha az CUDA belleği gerektirirler, bu da araştırmacıların tüketici donanımında daha büyük yığın boyutları çalıştırmalarına olanak tanır.
3. Çok Yönlülük: YOLOv7 farklı görevler için tamamen farklı depolar gerektirirken, YOLO26 tek bir tutarlı kütüphaneden Image Classification, Instance Segmentation, Pose Estimation ve Oriented Bounding Box (OBB) tespitini yerel olarak destekler. Hatta insan pozu boru hatları için Residual Log-Likelihood Estimation (RLE) gibi göreve özel kayıp fonksiyonları bile içerir.
4. Aktif Geliştirme: Ultralytics açık kaynak topluluğu sık güncellemeler sağlayarak uç durumların hızlı bir şekilde çözülmesini ve en son PyTorch sürümleriyle sürekli uyumluluğu garanti eder.

Gerçek Dünya Kullanım Durumları#

Bu modeller arasındaki mimari farklılıklar, ideal dağıtım senaryolarını belirler.

Ne Zaman YOLO26 Seçilmeli#

YOLO26, modern ve ileri görüşlü bilgisayarlı görü sistemleri için tartışmasız öneridir.

• Uç Yapay Zeka ve IoT: %43 daha hızlı CPU çıkarımı ve hafif parametre sayısı ile YOLO26n, Raspberry Pi veya akıllı şehir kameraları gibi kısıtlı cihazlar için mükemmeldir.
• Drone ve Hava Görüntüleri: ProgLoss + STAL entegrasyonu, küçük nesne tespitini büyük ölçüde geliştirerek onu boru hattı denetimleri ve precision agriculture için bir numaralı seçenek haline getirmektedir.
• Çok Görevli Robotik: Sınırlayıcı kutuları, segmentasyon maskelerini ve poz anahtar noktalarını minimum bellek yüküyle aynı anda kolayca işlediğinden, dinamik robotik navigasyon ve etkileşim için oldukça uygundur.

YOLOv7 Ne Zaman Dikkate Alınmalı#

Çoğunlukla daha yeni mimariler tarafından yerini almış olsa da, YOLOv7 belirli niş faydalar barındırır.

• Akademik Kıyaslama: Yeni çapa tabanlı algılama kafaları geliştiren veya gradyan yolu stratejilerini çalışan araştırmacılar, Papers With Code gibi platformlarda YOLOv7'yi standart bir temel karşılaştırma olarak sıklıkla kullanırlar.
• Güçlü AWS EC2 P4d örnekleri üzerinde YOLOv7'nin özel tensör çıktıları ve özel NMS konfigürasyonları etrafında özel olarak oluşturulmuş kurumsal sistemler, tam bir sistem yeniden düzenlemesi gerekene kadar daha yeni modellere geçişi geciktirebilir.

Kod Örneği: Başlarken#

Geliştirici deneyimi, standart araştırma depoları ile Ultralytics ekosistemi arasındaki keskin farkı vurgular. Özel bir YOLO26 modelini eğitmek oldukça kolaydır:

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 saygın bir kilometre taşı olmaya devam etse de, endüstri agresif bir şekilde dağıtım basitliğine, çok görevli çok yönlülüğe ve uç cihaz verimliliğine öncelik veren modellere doğru ilerlemiştir.

NMS'yi ortadan kaldırarak, MuSGD optimize ediciyi tanıtarak ve CPU çıkarım hızlarını önemli ölçüde iyileştirerek, Ultralytics YOLO26 bugün geliştiriciler ve kurumsal mühendisler için kesin seçim olarak öne çıkıyor. Sağlam ve kullanıcı dostu Ultralytics ekosistemiyle birleştiğinde, hız, doğruluk ve mühendislik keyfi açısından benzersiz bir denge sağlar.