Link to this sectionYOLOv10 ve YOLOv7#

Bilgisayarlı görü alanındaki hızlı ilerleme, son birkaç yıl içinde gerçek zamanlı uygulamalar için giderek daha verimli mimariler ortaya koydu. YOLOv10 ile YOLOv7 modellerini karşılaştırmak, bu evrimdeki kritik bir geçiş dönemine ışık tutuyor. YOLOv7 oldukça etkili eğitim stratejileri ve mimari ölçeklendirme getirirken, YOLOv10 uzun süredir devam eden Non-Maximum Suppression (NMS) bağımlılığını ortadan kaldırarak dağıtımda devrim yarattı.

Her iki model de kendi piyasaya çıkış dönemlerinde nesne algılama sınırlarını zorladı; ancak modern Ultralytics ekosistemi ve YOLO26 gibi yeni nesil modellerin tanıtılması, günümüzün yapay zeka uygulayıcıları için çok daha üstün iş akışları sunuyor.

Link to this sectionModel Profilleri ve Kökenleri#

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

Link to this sectionYOLOv10 Detayları#

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
• Kurum: Tsinghua Üniversitesi
• Tarih: 23-05-2024
• Arxiv: YOLOv10: Real-Time End-to-End Object Detection
• GitHub: THU-MIG/yolov10
• Dokümantasyon: Ultralytics YOLOv10 Dokümantasyonu

YOLOv10 hakkında daha fazla bilgi edin

Link to this sectionYOLOv7 Detayları#

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Organizasyon: Institute of Information Science, Academia Sinica, Tayvan
• Tarih: 2022-07-06
• Arxiv: YOLOv7: Trainable bag-of-freebies sets new state-of-the-art
• GitHub: WongKinYiu/yolov7
• Dokümantasyon: Ultralytics YOLOv7 Dokümantasyonu

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionMimari Yenilikler#

Link to this sectionYOLOv7 Yaklaşımı#

2022'de yayınlanan YOLOv7, büyük ölçüde gradyan yollarını optimize etmeye odaklandı. Modelin orijinal gradyan yolunu bozmadan daha çeşitli özellikleri öğrenmesini sağlayan Genişletilmiş Verimli Katman Birleştirme Ağı'nı (E-ELAN) tanıttı. Ayrıca yazarlar, hızlı yürütme hızlarını korumak için çıkarım sırasında birleştirilebilecek yeniden parametrelendirme tekniklerini kullanarak bir "eğitilebilir bag-of-freebies" metodolojisi uyguladılar. Bu etkileyici optimizasyonlara rağmen YOLOv7, yoğun sahne analizi sırasında değişken gecikme süresi yaratan son işlem (post-processing) için hala büyük ölçüde NMS'ye güveniyordu.

Link to this sectionYOLOv10 Atılımı#

YOLOv10, NMS darboğazını doğrudan ele aldı. Eğitim sırasında tutarlı ikili atamalar getirerek, Tsinghua Üniversitesi ekibi NMS'siz uçtan uca algılamayı mümkün kıldı. Bu çift başlı yaklaşım, eğitim sırasında zengin denetim sinyalleri için bire-çok atamalı bir dal ve NMS'siz çıkarım için bire-bir atamalı başka bir dal kullanır. Bu mimari değişim, yüksek hızlı video analitiği için uygun, tutarlı ve ultra düşük çıkarım gecikmesi sağlar. Ayrıca YOLOv10, önceki nesillerde bulunan hesaplama fazlalığını ortadan kaldıran, bütünsel bir verimlilik ve doğruluk odaklı model tasarımı kullanır.

Link to this sectionPerformans Karşılaştırması#

MS COCO veri kümesindeki ham metrikleri karşılaştırırken, nesiller arası fark belirginleşir. YOLOv10; parametreler, hesaplama gereksinimleri ve doğruluk arasında çok daha elverişli bir denge sağlar.

Yukarıda görüldüğü gibi, YOLOv10x yaklaşık %20 daha az parametre kullanırken YOLOv7x'in %53,1'lik mAP değerine kıyasla %54,4'lük üstün bir mAP sağlar. Ayrıca, hafif YOLOv10 modelleri (Nano ve Small) olağanüstü TensorRT dağıtım hızları sunarak onları mobil dağıtım için oldukça çekici kılar.

Link to this sectionUltralytics Ekosistemi Avantajı#

Mimari makaleleri incelemek ufuk açıcı olsa da, modern bilgisayarlı görü geliştirme çalışmaları sağlam ve iyi bakımı yapılan çerçevelere dayanır. Ultralytics destekli bir model seçmek, prototipten üretime hızla geçmek isteyen geliştiriciler için büyük bir avantaj sağlar.

Link to this sectionModernize Edilmiş Geliştirme#

Hem YOLOv10 hem de YOLOv7'ye standart Ultralytics Python paketi üzerinden erişilebilir. Bu, binlerce satırlık standart kodu basit ve sezgisel bir API ile değiştirerek benzersiz bir Kullanım Kolaylığı sunar. Ayrıca, Ultralytics YOLO modelleri, ağır transformer mimarilerine kıyasla eğitim sırasında önemli ölçüde daha düşük CUDA belleği gerektirir ve bu da tüketici sınıfı donanımlarda daha büyük yığın boyutlarının kullanılmasına olanak tanır.

Link to this sectionBenzersiz Çok Yönlülük#

Eski depolar genellikle sadece sınırlayıcı kutu algılamasına odaklanırken, entegre Ultralytics çerçevesi çok çeşitli görevleri sorunsuz bir şekilde destekler. İster Örnek Segmentasyonu, Poz Tahmini veya Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılaması yapıyor ol, iş akışı aynı kalır.

Link to this sectionKod Örneği: Tutarlı Eğitim İş Akışları#

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

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")

Link to this sectionKullanım Durumları ve Öneriler#

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

Link to this sectionNe Zaman YOLOv10 Seçilmeli#

YOLOv10 şunlar için güçlü bir seçimdir:

• NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Link to this sectionNe Zaman YOLOv7 Seçilmeli#

YOLOv7 şunlar için önerilir:

• Akademik Kıyaslama: 2022 dönemi en son teknoloji sonuçlarını yeniden üretmek veya E-ELAN ve eğitilebilir ücretsizler çantası tekniklerinin etkilerini incelemek.
• Yeniden Parametrelendirme Araştırması: Planlı yeniden parametrelendirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
• Mevcut Özel Boru Hatları: YOLOv7'nin belirli mimarisi etrafında inşa edilmiş, kolayca yeniden düzenlenemeyen, yoğun şekilde özelleştirilmiş boru hatlarına sahip projeler.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionYeni Standart: YOLO26 ile Tanışın#

YOLOv10, 2024 yılında büyük bir sıçrama olsa da, bilgisayarlı görü dünyası inanılmaz derecede hızlı ilerliyor. Tüm yeni geliştirmeler için en son nesil modeli şiddetle tavsiye ediyoruz: Ultralytics YOLO26. Ocak 2026'da piyasaya sürülen bu model, hem YOLOv7 hem de YOLOv10'un yerini büyük ölçüde alarak gerçek zamanlı yapay zeka görü teknolojisinin zirvesini temsil ediyor.

YOLO26 hakkında daha fazla bilgi edin

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

• Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından atılan temelin üzerine inşa edilen YOLO26, daha basit dağıtım hatları ve tutarlı yüksek hızlı çıkarım için NMS son işlemini doğal olarak ortadan kaldırır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Uç bilgi işlem ve özel GPU'su olmayan cihazlar için yoğun şekilde optimize edilmiştir, donanım maliyetlerinden büyük tasarruf sağlar.
• DFL Kaldırma: Distribution Focal Loss tamamen kaldırılmıştır; bu durum dışa aktarma mantığını kökten basitleştirir ve düşük güç tüketen uç cihazlar ile mikrodenetleyicilerle uyumluluğu önemli ölçüde artırır.
• MuSGD Optimize Edici: Moonshot AI'nın Kimi K2 modelinden esinlenen bu SGD ve Muon hibriti, Büyük Dil Modeli (LLM) eğitimindeki yenilikleri doğrudan bilgisayarlı görü alanına taşır ve inanılmaz derecede kararlı eğitim dinamikleri ile daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone'lar, robotik ve akıllı şehir izleme sistemleri için kritik öneme sahip, tarihsel olarak zorlu bir alan olan küçük nesne tanıma konusunda kayda değer iyileştirmeler sunar.
• Göreve Özel İyileştirmeler: YOLO26 sadece bir algılayıcı değildir. Ultra hassas poz takibi için özel anlamsal segmentasyon kaybı, Rezidüel Log-Olabilirlik Tahmini (RLE) ve OBB sınır sorunlarını ortadan kaldırmak için özel açı kaybı algoritmaları içerir.

Link to this sectionGerçek Dünya Kullanım Durumları#

Doğru mimariyi seçmek, büyük ölçüde donanımına ve uygulama kısıtlamalarına bağlıdır.

Link to this sectionYOLOv7 ne zaman kullanılmalı#

YOLOv7, belirli tensör yapılarıyla zaten derinlemesine entegre edilmiş eski hatları sürdürmek veya 2022 ve 2023 yıllarındaki akademik kıyaslamaları tekrarlamak için güvenilir bir seçenek olmaya devam ediyor. Üst düzey sunucu GPU'larında takdire şayan bir performans sergiler.

Link to this sectionYOLOv10 ne zaman kullanılmalı#

YOLOv10, katı ve değişmeyen gecikme süreleri gerektiren senaryolarda öne çıkar. NMS'siz olduğu için, nesne sayısının büyük ölçüde dalgalandığı ancak kare başına işlem süresinin sabit kalması gereken yoğun kalabalık sayımı veya üretim hata tespiti için mükemmeldir.

Link to this sectionYOLO26 ne zaman kullanılmalı#

YOLO26, herhangi bir sıfırdan geliştirilen proje için kesin tercihtir. Basit bir Raspberry Pi üzerinde karmaşık güvenlik alarm sistemleri dağıtmaktan büyük bulut tabanlı video analitiği çalıştırmaya kadar, üstün CPU hızları ve gelişmiş küçük nesne algılama özellikleri onu eski nesillerden çok daha üstün kılar.

Alternatif modern mimarileri keşfetmek isteyen geliştiriciler için, RT-DETR gibi transformer tabanlı algılayıcılara ve Ultralytics YOLO11 gibi önceki nesil temel modellere de kapsamlı destek sağlıyoruz.