YOLOv10 ve YOLOv7#

Son birkaç yılda bilgisayarlı görü alanındaki hızlı ilerleme, gerçek zamanlı uygulamalar için giderek daha verimli mimariler ortaya çıkardı. YOLOv10 ve YOLOv7 karşılaştırması, bu evrimdeki kritik bir geçiş dönemini gözler önüne serer. 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 piyasaya sürüldükleri dönemde nesne algılama alanının sınırlarını zorladı; ancak modern Ultralytics ekosistemi ve YOLO26 gibi yeni nesil modeller, günümüz yapay zekâ uygulayıcıları için çok daha üstün iş akışları sunuyor.

Model Profilleri ve Kökenleri#

Bu modellerin kökenlerini anlamak, mimari tasarım tercihleri ve bunları yönlendiren akademik araştırmalar hakkında değerli bir bağlam sağlar.

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 Tespiti
• 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
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2022-07-06
• Arxiv: YOLOv7: Eğitilebilir ücretsiz özellikler torbası yeni son teknoloji seviyeyi 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 büyük ölçüde odaklandı. Modelin özgün gradyan yolunu bozmadan daha çeşitli özellikler öğrenmesini sağlayan Genişletilmiş Verimli Katman Birleştirme Ağı'nı (E-ELAN) tanıttı. Ayrıca yazarlar, eğitim sırasında yeniden parametrelendirme tekniklerinden yararlanan ve hızlı yürütme hızlarını korumak için çıkarım sırasında birleştirilebilen bir "eğitilebilir ücretsiz avantajlar paketi" metodolojisi uyguladı. Bu etkileyici optimizasyonlara rağmen YOLOv7, son işleme için hâlâ büyük ölçüde NMS'ye dayanıyordu ve yoğun sahne analizinde değişken gecikmeye neden oluyordu.

YOLOv10 Atılımı#

YOLOv10, NMS darboğazını doğrudan ele aldı. Tsinghua University ekibi, eğitim sırasında tutarlı çiftli atamalar sunarak NMS'siz uçtan uca algılamayı mümkün kıldı. Bu çift başlı yaklaşım, eğitim sırasında zengin denetim sinyalleri sağlamak için birden çoğa atamalar kullanan bir dal ile NMS'siz çıkarım için birden bire atamalar kullanan başka bir dal içerir. Bu mimari değişim, yüksek hızlı video analitiği için uygun, tutarlı ve ultra düşük çıkarım gecikmesi sağlar. Ayrıca YOLOv10, önceki nesillerde bulunan hesaplama fazlalıklarını ortadan kaldırarak bütünsel, verimlilik-doğruluk odaklı bir model tasarımı kullanır.

Performans Karşılaştırması#

MS COCO veri kümesi üzerindeki ham metrikler karşılaştırıldığında, nesiller arasındaki fark belirginleşir. YOLOv10, parametreler, hesaplama gereksinimleri ve doğruluk arasında çok daha elverişli bir denge sağlar.

Yukarıda görüldüğü gibi YOLOv10x, YOLOv7x'in %53,1'lik değerine kıyasla %54,4'lük üstün bir mAP sunarken yaklaşık %20 daha az parametre kullanır. Ayrıca hafif YOLOv10 modelleri (Nano ve Small), olağanüstü TensorRT dağıtım hızları sunarak mobil dağıtım için son derece cazip hâle gelir.

Ultralytics Ekosisteminin Avantajı#

Mimari makaleleri incelemek faydalı olsa da modern bilgisayarlı görü geliştirme süreçleri sağlam ve bakımı iyi yapılan çerçevelere dayanır. Ultralytics tarafından desteklenen bir model seçmek, prototipten üretime hızla geçmek isteyen geliştiricilere büyük bir avantaj sağlar.

Basitleştirilmiş Geliştirme#

Hem YOLOv10 hem de YOLOv7, standart Ultralytics Python paketi aracılığıyla kullanılabilir. Bu, binlerce satırlık kalıp kodun yerini basit ve sezgisel bir API ile değiştirerek eşsiz bir Kullanım Kolaylığı sunar. Ayrıca Ultralytics YOLO modelleri, eğitim sırasında ağır Transformer mimarilerine kıyasla önemli ölçüde daha az CUDA belleği gerektirir ve tüketici sınıfı donanımlarda daha büyük toplu iş boyutlarının kullanılmasını sağlar.

Eşsiz Çok Yönlülük#

Eski depolar çoğunlukla yalnızca sınırlayıcı kutu algılamaya odaklanırken, entegre Ultralytics çerçevesi çok çeşitli görevleri sorunsuz şekilde destekler. Örnek Segmentasyonu, Poz Tahmini veya Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılama gerçekleştirmen fark etmeksizin 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

# Load the desired model (YOLOv10, YOLOv7, or the recommended YOLO26)
model = YOLO("yolo26n.pt")

# Train the model effortlessly on your dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Export to ONNX format for rapid deployment
model.export(format="onnx")

Kullanım Alanları ve Öneriler#

YOLOv10 ve YOLOv7 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv10 Ne Zaman Seçilmeli?#

YOLOv10 şu durumlar için güçlü bir tercihtir:

• NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Dengesi: 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 Karşılaştırma: 2022 döneminin son teknoloji düzeyi sonuçlarını yeniden üretmek veya E-ELAN ile eğitilebilir ücretsiz avantajlar paketi tekniklerinin etkilerini incelemek.
• Yeniden Parametrelendirme Araştırması: Planlı yeniden parametrelendirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
• Mevcut Özel İş Akışları: Kolayca yeniden düzenlenemeyen, YOLOv7'nin belirli mimarisi etrafında oluşturulmuş ve yoğun biçimde özelleştirilmiş iş akışlarına sahip projeler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Yeni Standart: YOLO26'yı Tanıtıyoruz#

YOLOv10, 2024'te ileriye doğru büyük bir sıçrama gerçekleştirmiş olsa da bilgisayarlı görü dünyası inanılmaz bir hızla ilerliyor. Tüm yeni geliştirmeler için en yeni nesil modeli, Ultralytics YOLO26'yı önemle öneriyoruz. Ocak 2026'da yayımlanan bu model, gerçek zamanlı görsel yapay zekânın mutlak zirvesini temsil ediyor ve hem YOLOv7'yi hem de YOLOv10'u büyük ölçüde geride bırakıyor.

YOLO26, modern dağıtım ortamları için özel olarak tasarlanmış benzeri görülmemiş yenilikler sunar:

• Uçtan Uca NMS'siz Tasarım: YOLOv10'un attığı temeller üzerine inşa edilen YOLO26, daha basit dağıtım iş akışları ve tutarlı yüksek hızlı çıkarım için NMS son işlemesini yerel olarak ortadan kaldırır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Uç bilişim ve özel GPU'ları olmayan cihazlar için büyük ölçüde optimize edilmiştir ve donanım maliyetlerinde büyük tasarruf sağlar.
• DFL'nin Kaldırılması: Dağılımsal Odak Kayıp işlevi tamamen kaldırılmıştır; bu, dışa aktarma mantığını kökten basitleştirir ve düşük güçlü uç cihazlar ile mikrodenetleyicilerle uyumluluğu büyük ölçüde artırır.
• MuSGD Optimize Edicisi: Moonshot AI'nın Kimi K2 modelinden ilham alan bu SGD ve Muon hibriti, 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 işlevleri, insansız hava araçları, robotik ve akıllı şehir izleme için kritik olan ve tarihsel olarak zorlu bir alan niteliğindeki küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: YOLO26 yalnızca bir algılayıcı değildir. Özel anlamsal segmentasyon kaybı, son derece doğru poz takibi için Artık Log-Olasılık Tahmini (RLE) ve OBB sınır sorunlarını ortadan kaldıran özel açı kaybı algoritmaları içerir.

Gerçek Dünya Kullanım Örnekleri#

Doğru mimariyi seçmek büyük ölçüde donanımına ve uygulama kısıtlamalarına bağlıdır.

YOLOv7 Ne Zaman Kullanılmalı#

YOLOv7, belirli tensör yapılarıyla zaten derinlemesine entegre edilmiş eski iş akışlarını sürdürmek veya 2022 ve 2023'teki akademik karşılaştırmaları yeniden üretmek için güvenilir bir seçenek olmaya devam eder. Üst düzey sunucu GPU'larında takdire değer bir performans gösterir.

YOLOv10 Ne Zaman Kullanılmalı#

YOLOv10, katı ve değişmeyen gecikme gerektiren senaryolarda öne çıkar. NMS'siz olması sayesinde, nesne sayısının büyük ölçüde değiştiği ancak kare başına işlem süresinin sabit kalması gereken yüksek yoğunluklu kalabalık sayımı veya üretim kusuru algılama için mükemmeldir.

YOLO26 ne zaman kullanılmalı?#

YOLO26, sıfırdan başlatılan tüm projeler 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 yetenekleriyle eski nesillerden çok daha üstündür.

Alternatif modern mimarileri keşfetmek isteyen geliştiriciler için RT-DETR gibi Transformer tabanlı algılayıcılar ve Ultralytics YOLO11 gibi önceki nesillerin önde gelen modelleri için de kapsamlı destek sunuyoruz.