Başla

YOLOv10 ve YOLOv7

Son birkaç yıldaki bilgisayarlı görü alanındaki hızlı gelişim, gerçek zamanlı uygulamalar için giderek daha verimli mimariler ortaya çıkardı. YOLOv10 ile YOLOv7 modellerini karşılaştırmak, bu gelişimdeki kritik bir geçiş dönemini gözler önüne seriyor. YOLOv7 son derece etkili eğitim stratejileri ve mimari ölçeklendirme sunarken YOLOv10, uzun süredir kullanılan Maksimum Olmayan Bastırma (NMS) yöntemini kaldırarak dağıtımı basitleştirdi.

Her iki model de yayımlandıkları dönemde nesne algılama alanının sınırlarını zorladı; Ultralytics ekosistemi ve YOLO26 gibi daha yeni modeller ise artık daha basit eğitim ve dağıtım iş akışları sunuyor.

Model Profilleri ve Kökenleri#

Bu modellerin kökenlerini anlamak, mimari tasarım tercihleri ve bu modelleri şekillendiren akademik araştırmalar hakkında değerli bilgiler sunar.

YOLOv10 Ayrıntıları#

YOLOv10 hakkında daha fazla bilgi edin

YOLOv7 Ayrıntıları#

YOLOv7 hakkında daha fazla bilgi edin

Mimari Yenilikler#

YOLOv7 Yaklaşımı#

2022'de yayımlanan YOLOv7, gradyan yollarını optimize etmeye yoğunlaştı. Modelin özgün gradyan yolunu bozmadan daha çeşitli özellikler öğrenmesini sağlayan Genişletilmiş Verimli Katman Birleştirme Ağı'nı (E-ELAN) sundu. Ayrıca yazarlar, eğitim sırasında yeniden parametreleştirme tekniklerini kullanan ve hızlı çalışmayı sürdürmek için çıkarım sırasında bu teknikleri birleştirip ortadan kaldırabilen, "eğitilebilir hazır avantajlar paketi" yöntemini uyguladı. Bu optimizasyonlara rağmen YOLOv7, son işleme için NMS'ye dayanmaya devam ederek yoğun sahne analizinde değişken gecikme oluşturdu.

YOLOv10 Yaklaşımı#

YOLOv10, NMS darboğazını doğrudan ele aldı. Tsinghua Üniversitesi ekibi, eğitim sırasında tutarlı çift atamalar sunarak NMS'siz uçtan uca algılamayı mümkün kıldı. Bu çift başlıklı yaklaşım, eğitim sırasında zengin gözetim sinyalleri için bire çok atamalar kullanan bir dalı ve NMS'siz çıkarım için bire bir atamalar kullanan başka bir dalı bir araya getirir. Bu mimari değişiklik, yüksek hızlı video analitiğine uygun, tutarlı ve düşük çıkarım gecikmesi sağlar. Ayrıca YOLOv10, önceki nesillerdeki hesaplama tekrarlarını ortadan kaldırarak verimlilik ve doğruluğu bütünsel biçimde gözeten bir model tasarımı kullanır.

Son İşlemenin Etkisi

NMS son işlemesini kaldırmak çıkarımı hızlandırır ve özel NMS işlemlerinin derlenmesinin zor olabildiği yapay zekâ hızlandırıcıları ile NPU'lar gibi uç yapay zekâ donanımlarında dağıtımı basitleştirir.

Performans Karşılaştırması#

MS COCO veri kümesindeki ham metrikleri karşılaştırdığımızda nesiller arasındaki fark belirginleşiyor. YOLOv10, parametreler, hesaplama gereksinimleri ve doğruluk arasında çok daha avantajlı bir denge sağlıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Yukarıda görüldüğü üzere YOLOv10x, parametrelerin yarısından azını kullanırken YOLOv7x'ten daha yüksek mAP elde eder (%54,4'e karşı %53,1; 29,5 M'ye karşı 71,3 M). Hafif YOLOv10 Nano ve Small modelleri de hızlı TensorRT dağıtım hızları sunar (T4'te 1,84 ms ve 2,49 ms) ve bu da onları uç dağıtım için cazip kılar.

Ultralytics Ekosisteminin Avantajı#

Mimari makaleleri incelemek aydınlatıcı olsa da modern bilgisayarlı görü geliştirme süreçleri, iyi bakımı yapılan çatılara dayanır. Ultralytics tarafından desteklenen bir model seçmek, prototipten hızla üretime geçmek isteyen geliştiriciler için büyük bir avantajdır.

Geliştirme Sürecini Sadeleştirme#

YOLOv10, standart Ultralytics Python paketi tarafından yerel olarak desteklenirken YOLOv7'nin üst akışta eğitilmiş kontrol noktaları, Ultralytics'te yalnızca ONNX veya TensorRT'ye dışa aktarıldıktan sonra çalıştırılabilir. Yerel destek, kalıp kodların yerini basit ve sezgisel bir API'ye bırakarak Kullanım Kolaylığı sağlar. Ultralytics YOLO modelleri, eğitim sırasında ağır Transformer mimarilerine kıyasla daha az CUDA belleği de gerektirir; bu da tüketici sınıfı donanımlarda daha büyük toplu iş boyutlarına olanak tanır.

Çok Yönlülük#

Eski depolar genellikle yalnızca sınırlayıcı kutu algılamaya odaklanırken Ultralytics çatısı, YOLO26 ve YOLO11 gibi modellerle çok çeşitli görevleri destekler. Örnek Segmentasyonu, Poz Tahmini veya Oriented Bounding Box (OBB) algılama yapıyor olsan da iş akışı aynı kalır.

Kod Örneği: Tutarlı Eğitim İş Akışları#

Aşağıdaki kod örneği, veri artırmayı ve öğrenme oranı zamanlamasını otomatik olarak yöneten eğitim sürecini gösterir:

from ultralytics import YOLO

# İstenen modeli yükle (ör. YOLOv10 veya önerilen YOLO26)
model = YOLO("yolo26n.pt")

# Modeli veri kümenle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Hızlı dağıtım için ONNX biçimine aktar
model.export(format="onnx")

Kullanım Alanları ve Öneriler#

YOLOv10 ile YOLOv7 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlar için güçlü bir seçenektir:

  • NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
  • Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
  • Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

YOLOv7 Ne Zaman Seçilmeli#

YOLOv7 şu durumlarda önerilir:

  • Akademik Kıyaslama: 2022 dönemi son teknoloji sonuçlarını yeniden üretmek veya E-ELAN ile eğitilebilir ücretsiz avantajlar paketi tekniklerinin etkilerini incelemek.
  • Yeniden Parametreleştirme Araştırması: Planlanan yeniden parametreleştirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
  • Mevcut Özel İşlem Hatları: YOLOv7'nin belirli mimarisi etrafında oluşturulmuş ve kolayca yeniden düzenlenemeyen, kapsamlı biçimde özelleştirilmiş işlem hatlarına sahip projeler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Yeni Standart: YOLO26 ile Tanış#

YOLOv10, 2024'te ileriye doğru büyük bir adım olsa da alan hızla gelişiyor. Yeni geliştirmeler için Ultralytics, en yeni nesil model olan Ultralytics YOLO26'yı öneriyor. Ocak 2026'da yayımlanan YOLO26, gerçek zamanlı görsel yapay zekâ için hem YOLOv7'nin hem de YOLOv10'un yerini alıyor.

YOLO26, modern dağıtım ortamları için tasarlanmış çeşitli iyileştirmeler sunar:

  • Uçtan Uca NMS'siz Tasarım: YOLOv10'un attığı temeli geliştiren YOLO26'nın isteğe bağlı teke tek başlığı (nms=False), daha basit dağıtım işlem hatları ve tutarlı çıkarım hızı için NMS son işlemesini atlar.
  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır. Bu özellik, modeli uç bilişim ve özel GPU'su olmayan cihazlar için uygun kılar ve donanım maliyetlerini düşürebilir.
  • DFL'nin Kaldırılması: Distribution Focal Loss'u (DFL) kaldırmak, dışa aktarma mantığını basitleştirir ve düşük güçlü uç aygıtlarla uyumluluğu artırır.
  • MuSGD Optimizer: Moonshot AI'ın Kimi K2 modelinden esinlenen bu SGD ve Muon melezi, daha kararlı eğitim ve daha hızlı yakınsama için Büyük Dil Modeli (LLM) eğitim tekniklerini bilgisayarlı görüye taşır.
  • ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama stratejisi; drone'lar, robotik ve akıllı şehir izleme için kritik, geçmişte çözülmesi zor olan küçük nesne algılamayı iyileştirir.
  • Göreve Özgü İyileştirmeler: YOLO26 yalnızca bir algılayıcı değildir. Örnek segmentasyonunun yakınsamasını iyileştiren anlamsal segmentasyon kaybı, daha doğru poz tahmini için Residual Log-Likelihood Estimation (RLE) ve OBB sınır sorunlarını çözen özel bir açı kaybı ekler.
Veri Kümelerini ve Eğitimi Yönetme

Veri kümelerini yönetmek, YOLO26'yı eğitmek ve modelleri buluta dağıtmak için Ultralytics Platform seçeneklerini incele. Kodsuz arayüzü Python paketini tamamlar.

Gerçek Dünya Kullanım Senaryoları#

Doğru mimarinin seçimi büyük ölçüde donanımına ve uygulama kısıtlarına bağlıdır.

YOLOv7 Ne Zaman Kullanılmalı#

YOLOv7, belirli tensör yapılarıyla derin biçimde entegre edilmiş eski işlem hatlarını sürdürmek veya 2022 ve 2023'teki akademik kıyaslamaları yinelemek için güvenilir bir seçenek olmaya devam ediyor. Üst düzey sunucu GPU'larında iyi performans gösterir.

YOLOv10 Ne Zaman Kullanılmalı#

YOLOv10, gecikmenin tutarlı olması gereken senaryolara uygundur. NMS'siz başlığı, algılama sayısıyla birlikte artan son işlemeyi önlediğinden, nesne sayısının değiştiği ancak kare başına işlem süresinin sabit kalması gereken yoğun kalabalık sayımı veya üretim hatası algılama gibi işlerde iyi çalışır.

YOLO26 Ne Zaman Kullanılmalı?#

Yeni projeler için önerilen seçenek YOLO26'dır. Raspberry Pi'de güvenlik alarm sistemleri dağıtmaktan bulut tabanlı büyük ölçekli video analitiği çalıştırmaya kadar, daha hızlı CPU çıkarımı ve iyileştirilmiş küçük nesne algılama özellikleri eski nesillere kıyasla belirgin bir avantaj sağlar.

Alternatif mimarilerle ilgilenen geliştiriciler için Ultralytics, RT-DETR gibi Transformer tabanlı algılayıcıları ve Ultralytics YOLO11 gibi önceki modelleri de destekler.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.