YOLOv7 ve YOLO11: Kapsamlı Bir Teknik Karşılaştırma
Bilgisayarlı görü dünyası son birkaç yılda hızla gelişti. Doğru nesne algılama çerçevesini seçen geliştiriciler ve araştırmacılar için, nesil belirleyen modeller arasındaki mimari ve pratik farkları anlamak kritik öneme sahiptir. Bu rehber, YOLOv7 akademik buluşu ile oldukça rafine edilmiş ve üretime hazır Ultralytics YOLO11 arasındaki detaylı teknik karşılaştırmayı sunar.
Model Kökenleri ve Mimari Felsefeler
YOLOv7, 6 Temmuz 2022'de Institute of Information Science at Academia Sinica bünyesindeki Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından yayınlanmış olup alana birçok yenilikçi kavram getirdi. arXiv üzerinde yayınlanan YOLOv7 araştırma makalesinde detaylandırıldığı üzere model, büyük ölçüde "eğitilebilir ücretsizler çantası" (trainable bag-of-freebies) yaklaşımına ve Genişletilmiş Verimli Katman Birleştirme Ağlarına (E-ELAN) odaklanmaktadır. Bu mimari tercihler, gradyan yolu verimliliğini maksimize etmek için özel olarak tasarlanmış olup onu üst düzey GPU'larda akademik kıyaslamalar için güçlü bir araç haline getirmiştir.
YOLOv7 hakkında daha fazla bilgi edinin
YOLO11, Ultralytics bünyesinde Glenn Jocher ve Jing Qiu tarafından geliştirilmiş ve 27 Eylül 2024'te yayınlanmıştır. YOLO11, odağı saf mimari karmaşıklıktan bütünsel, geliştirici odaklı bir ekosisteme kaydırır. Ultralytics GitHub deposunda barındırılan YOLO11, hem eğitim hem de çıkarım sırasında bellek tüketimini ciddi oranda azaltan optimize edilmiş bir anchor-free (çapasız) tasarım sunar. Ultralytics Platform ile yerel olarak entegre edilmiş olup, veri kümesi etiketlemeden uç cihazda dağıtıma kadar benzersiz bir kullanım kolaylığı sağlar.
YOLO11 hakkında daha fazla bilgi edin
Bağımsız depolar genellikle akademik bir makale yayınlandıktan sonra atıl hale gelse de, Ultralytics modelleri sürekli güncellemelerden yararlanır ve bu da en yeni PyTorch sürümleri ve özel donanım hızlandırıcıları gibi modern makine öğrenimi yığınlarıyla uzun vadeli uyumluluğu sağlar.
Performans Metrikleri ve Verimlilik
Modelleri gerçek dünya uygulamalarında dağıtırken, ham doğruluk, çıkarım hızı ve hesaplama yüküne karşı dengelenmelidir. Aşağıda, standart COCO dataset kıyaslamalarında değerlendirilen YOLOv7 ve YOLO11 varyantlarının doğrudan karşılaştırması yer almaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Not: YOLOv7 için eksik CPU hızları, ONNX CPU kıyaslamalarını standartlaştırmayan eski test ortamlarını gösterir. Karşılaştırılabilir kademelerdeki en iyi değerler vurgulanmıştır.
Sonuçların Analizi
Veriler, verimlilikteki net bir evrimi göstermektedir. YOLO11l (Large) modeli, 36.9M yerine 25.3M parametre ve 104.7B yerine 86.9B FLOP kullanarak, YOLOv7l'nin %51.4'lük sonucuna kıyasla %53.4'lük üstün bir mAPval değerine ulaşır. Bu hesaplama karmaşıklığı azalması, YOLO11'in NVIDIA TensorRT uygulamalarında daha hızlı çalışmasını sağlar ve daha az VRAM gerektirir, bu da onu donanım kısıtlı ortamlar için çok daha uygun hale getirir.
Kullanılabilirlik ve Eğitim İş Akışları
İki çerçeve arasındaki en büyük ayrım noktası geliştirici deneyimidir.
YOLOv7 Eğitimi
Orijinal YOLOv7 açık kaynak kod tabanını kullanmak genellikle deponun kopyalanmasını, bağımlılıkların manuel olarak çözülmesini ve ayrıntılı komut satırı argümanlarına güvenmeyi gerektirir. Farklı görevleri yönetmek veya mobil formatlara dışa aktarmak, genellikle kaynak betiklerin değiştirilmesini veya üçüncü taraf çatallara güvenmeyi içerir.
YOLO11 Eğitimi
YOLO11, ultralytics Python paketine derinlemesine entegre edilmiştir ve makine öğrenimi yaşam döngüsünü basitleştirir. Bir nesne algılama modeli eğitmek sadece birkaç satır kod gerektirir ve çerçeve; veri indirme, hiperparametre ayarlama ve önbelleğe alma işlemlerini yerel olarak halleder.
from ultralytics import YOLO
# Load a pretrained YOLO11 Nano model for maximum speed
model = YOLO("yolo11n.pt")
# Train the model on the COCO8 example dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Export the trained model to ONNX format for deployment
export_path = model.export(format="onnx")Ayrıca, YOLO11 aşırı çok yönlülüğe sahiptir. Geliştiriciler, yalnızca model sonekini değiştirerek algılamadan örnek bölümleme eşlemesine, poz tahmini takibine veya Yönelimli Sınırlayıcı Kutu (OBB) tanımaya anında geçiş yapabilir; bu, YOLOv7'de eksik olan bir yerel çoklu görev desteği seviyesidir.
YOLO11'i Apple CoreML veya Intel OpenVINO çerçeveleri gibi uç formatlara aktarmak, eski nesil modeller için genellikle gereken karmaşık grafik operasyonlarından kaçınarak tek bir .export() komutu gerektirir.
İdeal Dağıtım Senaryoları
Her modelin güçlü yönlerini anlamak, en iyi kullanım durumlarını belirlemeye yardımcı olur.
- Eski Kıyaslama Yeniden Oluşturma: YOLOv7, belirli 2022 kıyaslamalarını yeniden oluşturması gereken veya anchor-based (çapa tabanlı) ağlar üzerinde yeniden parametrelendirme tekniklerinin etkilerini inceleyen akademik araştırmacılar için yararlı olmaya devam etmektedir.
- Ticari Üretim Ortamları: YOLO11, kurumsal sistemler için net tercihtir. Kararlılığı, aktif bakımı ve bulut tabanlı Ultralytics Platform arayüzü ile entegrasyonu, onu büyük ölçekli perakende analitiği, güvenlik izleme ve üretim kalite kontrolünü yönetmek için ideal kılar.
- Kaynak Kısıtlı Uç Bilişim: İnanılmaz derecede hafif olan YOLO11n varyantı, düşük güçlü uç cihazlar için özel olarak tasarlanmış olup bir Raspberry Pi sistemi veya NVIDIA Jetson modülleri üzerinde verimli bir şekilde çalışır.
Geleceğe Bakış: YOLO26'nın Paradigma Değişimi
YOLO11, oldukça rafine edilmiş ve son teknoloji bir çözümü temsil etse de, makine öğrenimi alanı durmaksızın ilerler. Bugün yeni vizyon projelerine başlayan kullanıcılar için, yeni yayınlanan Ultralytics YOLO26'yı keşfetmeleri şiddetle önerilir.
Ocak 2026'da yayınlanan YOLO26, hem YOLOv7 hem de YOLO11'i aşan birkaç çığır açan özellik sunar:
- Yerel Olarak NMS'siz Mimari: YOLO26, Non-Maximum Suppression (NMS) sonrası işleme ihtiyacını ortadan kaldırır. Bu uçtan uca tasarım, dağıtım hatlarını basitleştirir ve gecikme değişkenliğini dramatik şekilde azaltır.
- %43'e Varan Daha Hızlı CPU Çıkarımı: Dağıtım Odak Kaybı (DFL) modülünü stratejik olarak kaldırarak, YOLO26 uç cihazlar ve özel GPU'ları olmayan ortamlar için yoğun bir şekilde optimize edilmiştir.
- MuSGD Optimize Edici Entegrasyonu: Moonshot AI'den gelişmiş LLM eğitim tekniklerinden ilham alan bu hibrit optimize edici, benzersiz eğitim kararlılığı ve daha hızlı yakınsama oranları sağlar.
- Üstün Küçük Nesne Algılama: ProgLoss ve STAL kayıp fonksiyonlarının tanıtılması, drone hava görüntüleri ve karmaşık IoT sensör verilerini analiz etmek için mükemmel olan küçük ayrıntıları tanımlamak adına kritik doğruluk artışları sağlar.
YOLO26 hakkında daha fazla bilgi edin
Transformer tabanlı mimariler veya alternatif paradigmalarla ilgilenen kullanıcılar için, Ultralytics belgeleri ayrıca RT-DETR transformer dedektörü ve YOLO-World açık kelime dağarcıklı model gibi modelleri de kapsar.