YOLOv10 ve YOLOv7#

Son birkaç yılda bilgisayarlı görü alanındaki hızlı ilerleme, gerçek zamanlı uygulamalar için giderek daha verimli mimarilerin ortaya çıkmasını sağladı. YOLOv10 ve YOLOv7 karşılaştırması, bu evrimdeki kritik bir geçiş dönemini gözler önüne seriyor. YOLOv7 son derece etkili eğitim stratejileri ve mimari ölçeklendirme sunarken YOLOv10, uzun süredir devam eden Maksimum Olmayan Bastırma (NMS) bağımlılığını ortadan kaldırarak dağıtım sürecinde devrim yarattı.

Her iki model de yayımlandıklarında nesne algılama alanının sınırlarını zorladı; ancak modern Ultralytics ekosistemi ve YOLO26 gibi yeni nesil modellerin sunulması, günümüzün yapay zekâ uygulayıcıları için çok daha üstün iş akışları sağlıyor.

Model Profilleri ve Kökenleri#

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

YOLOv10 Ayrıntıları#

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
• Kuruluş: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Arxiv: YOLOv10: Gerçek Zamanlı Uçtan Uca Nesne Algılama
• GitHub: THU-MIG/yolov10
• Belgeler: Ultralytics YOLOv10 Belgeleri

YOLOv10 hakkında daha fazla bilgi edin

YOLOv7 Ayrıntıları#

• 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: Eğitilebilir ücretsiz avantajlar paketi, yeni bir son teknoloji standardı belirliyor
• GitHub: WongKinYiu/yolov7
• Belgeler: Ultralytics YOLOv7 Belgeleri

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 Extended Efficient Layer Aggregation Network'ü (E-ELAN) sundu. Ayrıca yazarlar, eğitim sırasında yeniden parametreleştirme tekniklerinden yararlanan ve hızlı çalışmayı sürdürmek için çıkarım sırasında birleştirilebilen "eğitilebilir ücretsiz avantajlar paketi" yöntemini uyguladı. Bu etkileyici optimizasyonlara rağmen YOLOv7, son işleme için hâlâ büyük ölçüde NMS'ye dayanıyor ve yoğun sahne analizlerinde değişken gecikmeye yol açıyordu.

YOLOv10'un Getirdiği Yenilik#

YOLOv10, NMS darboğazını doğrudan ele aldı. Eğitim sırasında tutarlı çift atamalar sunarak Tsinghua Üniversitesi ekibinin NMS içermeyen uçtan uca algılamayı mümkün kılmasını sağladı. Bu çift başlık yaklaşımında, eğitim sırasında zengin denetim sinyalleri için bire-çok atamalar kullanan bir dal ve NMS içermeyen çıkarım için bire-bir atamalar kullanan başka bir dal bulunur. Bu mimari değişiklik, yüksek hızlı video analitiğine uygun, tutarlı ve ultra düşük çıkarım gecikmesi sağlar. Ayrıca YOLOv10, önceki nesillerdeki hesaplama gereksizliğini ortadan kaldıran, verimlilik ve doğruluğu bütünsel olarak ele alan bir model tasarımı kullanır.

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.

Yukarıda görüldüğü gibi YOLOv10x, YOLOv7x'in %53,1 değerine kıyasla %54,4'lük daha yüksek bir mAP elde ederken parametrelerin yarısından azını kullanıyor (29,5M'ye karşı 71,3M). Ayrıca hafif YOLOv10 modelleri (Nano ve Small), olağanüstü TensorRT dağıtım hızları sunarak mobil dağıtımlar için oldukça cazip hâle geliyor.

Ultralytics Ekosisteminin Avantajı#

Mimari makalelerini incelemek bilgilendirici olsa da modern bilgisayarlı görü geliştirme süreci sağlam ve bakımı iyi yapılan çerçevelere dayanır. Ultralytics tarafından desteklenen bir modeli seçmek, prototipten üretime hızla geçmek isteyen geliştiricilere büyük avantaj sağlar.

Geliştirme Sürecini Sadeleştirme#

YOLOv10, standart Ultralytics Python paketinde yerel olarak desteklenirken üst akışta eğitilmiş YOLOv7 kontrol noktaları Ultralytics'te yalnızca ONNX veya TensorRT'ye dışa aktarıldıktan sonra çalıştırılabilir. Yerel destek, binlerce satırlık standart kodun yerini basit ve sezgisel bir API'ye bırakarak benzersiz Kullanım Kolaylığı sağlar. Ayrıca Ultralytics YOLO modelleri, eğitim sırasında ağır Transformer mimarilerine kıyasla çok daha az CUDA belleği gerektirerek tüketici sınıfı donanımlarda daha büyük toplu iş boyutlarının kullanılmasına olanak tanır.

Eşsiz Çok Yönlülük#

Eski depolar çoğu zaman yalnızca sınırlayıcı kutu algılamaya odaklanırken tümleşik Ultralytics çerçevesi çok çeşitli görevleri sorunsuz biçimde destekler. Örnek Segmentasyonu, Poz Tahmini veya Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılaması yapıyor olman fark etmez; iş akışı aynı kalır.

Kod Örneği: Tutarlı Eğitim İş Akışları#

Aşağıdaki kod parçacığı, veri artırma ve öğrenme oranı zamanlamasını otomatik olarak yöneten sorunsuz eğitim sürecini gösterir:

from ultralytics import YOLO

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

# Modeli veri kümen üzerinde zahmetsizce 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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Yeni Standart: YOLO26 ile Tanış#

YOLOv10, 2024'te ileriye doğru büyük bir adım olsa da bilgisayarlı görü alanı inanılmaz bir hızla gelişiyor. Tüm yeni geliştirme çalışmaları için en yeni nesil modeli, Ultralytics YOLO26'yı önemle tavsiye ediyoruz. Ocak 2026'da yayımlanan bu model, gerçek zamanlı görsel yapay zekânın zirvesini temsil ediyor ve hem YOLOv7'yi hem de YOLOv10'u önemli ölçüde geride bırakıyor.

YOLO26, modern dağıtım ortamları için özel olarak tasarlanmış eşi görülmemiş yenilikler sunuyor:

• Uçtan Uca NMS İçermeyen Tasarım: YOLOv10'un temelleri üzerine inşa edilen YOLO26'nın isteğe bağlı bire-bir başlığı (nms=False), daha basit dağıtım işlem hatları ve tutarlı, yüksek hızlı çıkarım için NMS son işlemesini ortadan kaldırır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Uç bilişim ve özel GPU'su olmayan cihazlar için kapsamlı biçimde optimize edilerek donanım maliyetlerinde büyük tasarruf sağlar.
• DFL'nin Kaldırılması: Distribution Focal Loss tamamen kaldırılmıştır; bu da dışa aktarma mantığını büyük ölçüde sadeleştirir ve düşük güç tüketimli uç cihazlar ile mikrodenetleyicilerle uyumluluğu önemli ölçüde artırır.
• MuSGD Optimize Edicisi: Moonshot AI'ın Kimi K2 modelinden esinlenen SGD ve Muon birleşimi, Büyük Dil Modeli (LLM) eğitim yeniliklerini doğrudan bilgisayarlı görüye taşıyarak son derece kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, tarihsel olarak zorlu bir alan olan küçük nesne tanımada dikkat çekici iyileştirmeler sunar; bu, dronlar, robotik ve akıllı şehir izleme için kritik önemdedir.
• Göreve Özel İyileştirmeler: YOLO26 yalnızca bir algılayıcı değildir. Özel anlamsal segmentasyon kaybı, son derece hassas poz tahmini için Residual Log-Likelihood Estimation (RLE) ve OBB sınır sorunlarını ortadan kaldırmaya yönelik özel açı kaybı algoritmaları içerir.

Gerçek Dünya Kullanım Senaryoları#

Doğru mimarinin seçimi büyük ölçüde donanımına ve uygulama kısıtlarına bağlıdır.

YOLOv7 Ne Zaman Kullanılmalı#

YOLOv7, belirli tensör yapılarıyla derinlemesine tümleşmiş eski işlem hatlarını sürdürürken veya 2022 ve 2023 yıllarındaki akademik kıyaslamaları yinelerken güvenilir bir seçenek olmaya devam ediyor. Üst düzey sunucu GPU'larında oldukça iyi performans gösteriyor.

YOLOv10 Ne Zaman Kullanılmalı#

YOLOv10, kesin ve değişmeyen gecikme gerektiren senaryolarda öne çıkar. NMS içermediği için nesne sayısının büyük ölçüde değiştiği ancak kare başına işlem süresinin sabit kalması gereken yoğun kalabalık sayımı veya üretim kusuru algılama işlerinde mükemmeldir.

YOLO26 Ne Zaman Kullanılmalı?#

YOLO26, sıfırdan başlanan her proje için kesin tercihtir. Temel bir Raspberry Pi üzerinde gelişmiş güvenlik alarm sistemleri dağıtmaktan büyük ölçekli bulut tabanlı video analitiği çalıştırmaya kadar, üstün CPU hızları ve gelişmiş küçük nesne algılama özellikleriyle eski nesillerden çok daha üstündür.

Alternatif modern mimarileri incelemek isteyen geliştiriciler için RT-DETR gibi Transformer tabanlı algılayıcılara ve önceki nesillerin öne çıkan modellerinden Ultralytics YOLO11'e yönelik kapsamlı destek de sunuyoruz.