Link to this sectionYOLOv7 ve YOLO11 karşılaştırması#
Bilgisayarlı görü dünyası son birkaç yılda hızla evrildi. 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 son derece rafine ve üretime hazır Ultralytics YOLO11 arasındaki ayrıntılı teknik karşılaştırmayı sunar.
Link to this sectionModel Kökenleri ve Mimari Felsefeler#
YOLOv7, 6 Temmuz 2022'de Academia Sinica Bilgi Bilimleri Enstitüsü'nden yazarlar Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından yayımlanarak alana birçok yeni kavram getirdi. arXiv üzerinde yayımlanan YOLOv7 araştırma makalelerinde detaylandırıldığı üzere model, "eğitilebilir bedava numaralar çantası" (trainable bag-of-freebies) yaklaşımına ve Genişletilmiş Verimli Katman Birleştirme Ağlarına (E-ELAN) büyük ölçüde odaklanır. 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 getirir.
YOLOv7 hakkında daha fazla bilgi edinin
YOLO11, Ultralytics bünyesinde Glenn Jocher ve Jing Qiu tarafından geliştirilmiş olup 27 Eylül 2024'te yayımlanmıştır. YOLO11, odağı saf mimari karmaşıklıktan bütünsel, geliştirici öncelikli bir ekosisteme kaydırır. Ultralytics GitHub deposunda barındırılan YOLO11, hem eğitim hem de çıkarım sırasında bellek tüketimini ciddi oranda azaltan optimize edilmiş, çapasız (anchor-free) bir tasarıma sahiptir. Ultralytics Platform ile yerel olarak entegre edilmiş olup veri seti etiketlemeden uç cihazda dağıtıma kadar benzersiz bir kullanım kolaylığı sunar.
YOLO11 hakkında daha fazla bilgi edinin
Bağımsız depolar genellikle bir akademik makale yayımlandıktan sonra atıl kalsa da, Ultralytics modelleri sürekli güncellemelerden yararlanarak en güncel PyTorch sürümleri ve özel donanım hızlandırıcıları gibi modern makine öğrenimi yığınlarıyla uzun vadeli uyumluluğu garanti eder.
Link to this sectionPerformans Metrikleri ve Verimlilik#
Modelleri gerçek dünya uygulamalarında dağıtırken, ham doğruluk ile çıkarım hızı ve hesaplama yükü arasında bir denge kurulmalıdır. Aşağıda, standart COCO veri seti kıyaslamalarında değerlendirilen YOLOv7 ve YOLO11 varyantlarının doğrudan bir karşılaştırması yer almaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 katmanlardaki en iyi değerler vurgulanmıştır.
Link to this sectionSonuçların Analizi#
Veriler, verimlilikteki belirgin evrimi gözler önüne seriyor. YOLO11l (Large) modeli, 53.4%'lük üstün bir mAPval değerine ulaşırken, YOLOv7l'nin 51.4%'lük değerine kıyasla önemli ölçüde daha az parametre (25.3M'ye karşı 36.9M) ve çok daha az FLOP (86.9B'ye karşı 104.7B) kullanır. Hesaplama karmaşıklığındaki bu azalma, YOLO11'in NVIDIA TensorRT uygulamalarında daha hızlı çalışmasını sağlar ve daha az VRAM gerektirerek donanım kısıtlı ortamlar için çok daha uygun hale getirir.
Link to this sectionKullanılabilirlik ve Eğitim İş Akışları#
İki çerçeve arasındaki temel ayrılık noktalarından biri geliştirici deneyimidir.
Link to this sectionYOLOv7 Eğitimi#
Orijinal YOLOv7 açık kaynak kod tabanını kullanmak genellikle depoyu klonlamayı, bağımlılıkları manuel olarak çözmeyi ve ayrıntılı komut satırı argümanlarına güvenmeyi gerektirir. Farklı görevleri yönetmek veya mobil formatlara dışa aktarmak genellikle kaynak betiklerini değiştirmeyi veya üçüncü taraf çatallara (fork) güvenmeyi içerir.
Link to this sectionYOLO11 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 yönetir.
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, olağanüstü bir çok yönlülüğe sahiptir. Geliştiriciler sadece model son ekini değiştirerek algılamadan örnek bölümleme eşlemesine, poz tahmini takibine veya Yönelimli Sınırlayıcı Kutu (OBB) tanımaya anında geçiş yapabilirler; bu, YOLOv7'de eksik olan bir yerel çoklu görev desteği seviyesidir.
YOLO11'i Apple CoreML veya Intel OpenVINO çerçeveleri gibi uç formatlara dışa aktarmak, eski nesil modellerde sıklıkla gereken karmaşık grafik cerrahisinden kaçınarak sadece tek bir .export() komutu gerektirir.
Link to this sectionİdeal Dağıtım Senaryoları#
Her modelin güçlü yönlerini anlamak, en iyi kullanım durumlarını belirlemeye yardımcı olur.
- Eski Kıyaslama Yeniden Oluşturma: YOLOv7, belirli 2022 kıyaslamalarını yeniden oluşturması veya çapa tabanlı ağlarda yeniden parametrelendirme tekniklerinin etkilerini incelemesi gereken akademik araştırmacılar için yararlı olmaya devam etmektedir.
- Ticari Üretim Ortamları: YOLO11, kurumsal sistemler için net bir tercihtir. Kararlılığı, aktif bakımı ve bulut tabanlı Ultralytics Platform arayüzü ile entegrasyonu; onu büyük ölçekli perakende analitiği, güvenlik izleme ve üretim kalite kontrolü yönetimi için ideal kılar.
- Kaynak Kısıtlı Uç Bilişim: İnanılmaz derecede hafif YOLO11n varyantı, düşük güçlü uç cihazlar için özel olarak tasarlanmış olup bir Raspberry Pi sistemi veya NVIDIA Jetson modülleri üzerinde verimli bir şekilde çalışır.
Link to this sectionGeleceğe Bakış: YOLO26'nın Paradigma Değişimi#
YOLO11 son derece rafine, en son teknoloji bir çözümü temsil etse de, makine öğrenimi alanı durmaksızın ilerliyor. Bugün yepyeni görü projelerine başlayan kullanıcılar için, yeni piyasaya sürülen Ultralytics YOLO26'yı keşfetmeleri şiddetle tavsiye edilir.
Ocak 2026'da piyasaya sürülen YOLO26, hem YOLOv7 hem de YOLO11'i geride bırakan çeşitli çığır açan özellikler sunar:
- Yerel Olarak NMS-Free (NMS'siz) Mimari: YOLO26, Non-Maximum Suppression (NMS) sonrası işleme ihtiyacını ortadan kaldırır. Bu uçtan uca tasarım, dağıtım hatlarını basitleştirir ve gecikme değişkenliğini önemli ölçüde azaltır.
- 43%'e Varan Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (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 tarafından geliştirilen gelişmiş LLM eğitim tekniklerinden esinlenen bu hibrit optimize edici, benzeri görülmemiş bir eğitim kararlılığı ve daha hızlı yakınsama oranları sağlar.
- Üstün Küçük Nesne Algılama: ProgLoss ve STAL kayıp fonksiyonlarının tanıtılması, drone hava görüntülerini ve karmaşık IoT sensör verilerini analiz etmek için mükemmel olan küçük detayları tanımlamak için kritik doğruluk artışları sağlar.
YOLO26 hakkında daha fazla bilgi edin
Transformer tabanlı mimarilerle veya alternatif paradigmalarla ilgilenen kullanıcılar için, Ultralytics dokümantasyonu RT-DETR transformer dedektörü ve YOLO-World açık sözcüklü modeli gibi modelleri de kapsar.