YOLOv10 ve YOLOv7#

Bilgisayarlı görü alanında son birkaç yıldaki hızlı ilerleme, gerçek zamanlı uygulamalar için giderek daha verimli mimariler ortaya çıkardı. YOLOv10 ve YOLOv7 modellerini karşılaştırmak, bu evrimdeki kritik bir geçiş dönemine ışık tutar. YOLOv7 oldukça etkili eğitim stratejileri ve mimari ölçeklendirme sunarken, YOLOv10 Non-Maximum Suppression (NMS) bağımlılığını ortadan kaldırarak dağıtımda devrim yaratmıştır.

Her iki model de piyasaya çıktıklarında object detection alanının sınırlarını zorlamıştır; ancak modern Ultralytics ecosystem ve YOLO26 gibi yeni nesil modellerin tanıtılması, günümüzün yapay zeka uygulayıcıları için çok daha üstün iş akışları sunmaktadır.

Model Profilleri ve Kökenleri#

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

YOLOv10 Detayları#

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

YOLOv10 hakkında daha fazla bilgi edin

YOLOv7 Detayları#

• 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: Trainable bag-of-freebies sets new state-of-the-art
• GitHub: WongKinYiu/yolov7
• Belgeler: Ultralytics YOLOv7 Documentation

YOLOv7 hakkında daha fazla bilgi edinin

Mimari Yenilikler#

YOLOv7 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.

YOLOv10 Atılımı#

YOLOv10, NMS darboğazını doğrudan ele almıştır. Tsinghua Üniversitesi ekibi, eğitim sırasında tutarlı ikili atamalar (dual assignments) sunarak NMS'siz uçtan uca tespiti mümkün kılmıştır. Bu çift başlı (dual-head) yaklaşım, eğitim sırasında zengin denetim sinyalleri için birleşmeden çoğula atamalara sahip bir dalı ve NMS'siz çıkarım için bire bire atamalara sahip diğer dalı kullanır. Bu mimari değişim, yüksek hızlı video analitiğine uygun, tutarlı veultra düşük inference latency sağlar. Dahası, YOLOv10 önceki nesillerde bulunan hesaplama gereksizliğini ortadan kaldıran, bütünsel bir verimlilik-doğruluk odaklı model tasarımı kullanır.

Performans Karşılaştırması#

MS COCO dataset üzerindeki ham metrikler karşılaştırıldığında, nesiller arası fark açıkça görülmektedir. YOLOv10, parametreler, hesaplama gereksinimleri ve doğruluk arasında çok daha avantajlı bir denge kurar.

Yukarıda görüldüğü gibi YOLOv10x, YOLOv7x'in %53.1'lik mAP değerine kıyasla %54.4'lük üstün bir mAP sunarken yaklaşık %20 daha az parametre kullanır. Ayrıca hafif YOLOv10 modelleri (Nano ve Small), olağanüstü TensorRT deployment hızları sunarak bunları mobil dağıtım için oldukça cazip hale getirir.

Ultralytics 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.

Modernize 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.

Benzersiz Çok Yönlülük#

Eski depolar genellikle sıkı bir şekilde bounding box tespiti üzerine odaklanırken, entegre Ultralytics çerçevesi çok çeşitli görevleri sorunsuz bir şekilde destekler. İster Instance Segmentation, ister Pose Estimation, ister Oriented Bounding Box (OBB) tespiti gerçekleştiriyor ol, iş akışı aynı kalır.

Kod Örneği: Tutarlı Eğitim İş Akışları#

Aşağıdaki kod parçacığı, data augmentation ve öğrenme oranı planlamasını otomatik olarak yöneten kusursuz 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")

Kullanım Durumları ve Öneriler#

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

Ne 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 Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Ne 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.

Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Yeni 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 Optimizer: Moonshot AI'ın Kimi K2 modelinden ilham alan bu SGD ve Muon melezi, Large Language Model (LLM) eğitim yeniliklerini doğrudan bilgisayarlı görüye taşıyarak inanılmaz derecede kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone'lar, robotik ve smart city monitoring için kritik olan, tarihsel olarak zorlu bir alan olan küçük nesne tanımada belirgin iyileştirmeler sağlar.
• 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.

Gerçek Dünya Kullanım Durumları#

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

YOLOv7 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.

YOLOv10 ne zaman kullanılmalı#

YOLOv10, katı ve değişmeyen gecikme süresi gerektiren senaryolarda parlar. NMS içermediğinden, nesne sayısının çılgınca dalgalandığı ancak kare başına işleme süresinin sabit kalması gereken yüksek yoğunluklu kalabalık sayımı veya manufacturing defect detection işlemleri için mükemmeldir.

YOLO26 ne zaman kullanılmalı#

YOLO26, tüm yeni projeler için kesin tercihtir. Temel bir Raspberry Pi üzerinde sofistike security alarm systems dağıtmaktan devasa bulut tabanlı video analitiği çalıştırmaya kadar, üstün CPU hızları ve gelişmiş küçük nesne tespiti, onu eski nesillere kıyasla çok daha üstün kılmaktadır.

Alternatif modern mimarileri keşfetmekle ilgilenen geliştiriciler için ayrıca RT-DETR gibi transformatör tabanlı dedektörlere ve Ultralytics YOLO11 gibi önceki nesil temel unsurlara kapsamlı destek sağlıyoruz.