Başla

YOLOv7 ve YOLO11

Bilgisayarlı görü son birkaç yılda hızla gelişti. Nesne algılama çerçevesi seçen geliştiriciler ve araştırmacılar için model nesilleri arasındaki mimari ve pratik farkları anlamak önemlidir. Bu kılavuz, akademik YOLOv7 ile üretime hazır Ultralytics YOLO11 arasında ayrıntılı bir teknik karşılaştırma sunar.

Modellerin Kökeni ve Mimari Felsefeleri#

YOLOv7, Chien-Yao Wang, Alexey Bochkovskiy ve Academia Sinica Bilgi Bilimleri Enstitüsü'nden Hong-Yuan Mark Liao tarafından 6 Temmuz 2022'de yayımlandı ve alana birçok yeni kavram kazandırdı. arXiv'de yayımlanan YOLOv7 araştırma makalesinde ayrıntıları verilen model, "eğitilebilir ücretsiz avantajlar paketi" yaklaşımına ve Genişletilmiş Verimli Katman Toplama Ağlarına (E-ELAN) odaklanıyor. Bu mimari tercihler, gradyan yolu verimliliğini en üst düzeye çıkarmak için özel olarak tasarlandı ve modeli üst düzey GPU'larda akademik kıyaslama için güçlü bir araç hâline getirdi.

YOLOv7 hakkında daha fazla bilgi edin

YOLO11, Glenn Jocher ve Jing Qiu tarafından Ultralytics bünyesinde geliştirildi ve 27 Eylül 2024'te yayımlandı. YOLO11, odağı salt mimari karmaşıklıktan geliştirici odaklı bütüncül bir ekosisteme kaydırır. Ultralytics GitHub deposunda barındırılan YOLO11, hem eğitim hem de çıkarım sırasında bellek tüketimini azaltan optimize edilmiş çapasız bir tasarıma sahiptir. YOLO11, veri kümesi anotasyonundan uç dağıtımına kadar iş akışını kapsayacak şekilde Ultralytics Platform ile yerel olarak entegre edilmiştir.

Ekosistem Avantajı

Bağımsız depolar akademik makalenin yayımlanmasının ardından çoğu zaman atıl kalırken, Ultralytics modelleri sürekli güncellemelerden yararlanarak en yeni PyTorch sürümleri ve özel donanım hızlandırıcıları gibi modern makine öğrenimi yığınlarıyla uzun vadeli uyumluluk sağlar.

Performans Ölçütleri ve Verimlilik#

Modelleri gerçek dünya uygulamalarına dağıtırken ham doğruluğu çıkarım hızı ve hesaplama yüküyle dengelemek gerekir. Aşağıda, standart COCO veri kümesi kıyaslamalarında değerlendirilen YOLOv7 ve YOLO11 varyantlarının doğrudan karşılaştırması yer alıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Not: YOLOv7 için CPU hızlarının verilmemesi, ONNX CPU kıyaslamalarının standartlaştırılmadığı eski test ortamlarından kaynaklanıyor. Karşılaştırılabilir sınıflardaki en iyi değerler vurgulanmıştır.

Sonuçların Analizi#

Veriler, verimlilikte belirgin bir gelişim gösteriyor. YOLO11l (Large) modeli, YOLOv7l'nin %51.4 değerine kıyasla %53.4'lük daha yüksek bir mAPval50-95 değerine ulaşırken önemli ölçüde daha az parametre (25.3M'ye karşı 36.9M) ve daha düşük FLOPs (87.2B'ye karşı 104.7B) kullanır. Hesaplama karmaşıklığındaki bu azalma, YOLO11'in NVIDIA TensorRT uygulamalarında daha hızlı çalışmasını ve daha az VRAM gerektirmesini sağlayarak modeli donanım kaynaklarının kısıtlı olduğu ortamlar için çok daha uygun hâle getirir.

Kullanılabilirlik ve Eğitim İş Akışları#

İki çerçevenin birbirinden ayrıldığı başlıca noktalardan biri geliştirici deneyimidir.

YOLOv7 Eğitimi#

Orijinal YOLOv7 açık kaynak kod tabanını kullanmak çoğu zaman depoyu klonlamayı, bağımlılıkları elle çözümlemeyi ve uzun komut satırı bağımsız değişkenlerine güvenmeyi gerektirir. Farklı görevleri yönetmek veya mobil biçimlere dışa aktarmak için genellikle kaynak betiklerini değiştirmek ya da üçüncü taraf çatallarına başvurmak gerekir.

YOLO11 Eğitimi#

YOLO11, makine öğrenimi yaşam döngüsünü basitleştiren ultralytics Python paketine derinlemesine entegre edilmiştir. Bir nesne algılama modelini eğitmek için yalnızca birkaç satır kod yeterlidir; çerçeve veri kümesinin indirilmesini, artırılmasını ve önbelleğe alınmasını yönetir.

from ultralytics import YOLO

# Maksimum hız için önceden eğitilmiş bir YOLO11 Nano modeli yükle
model = YOLO("yolo11n.pt")

# Modeli COCO8 örnek veri kümesi üzerinde eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Eğitilmiş modeli dağıtım için ONNX biçiminde dışa aktar
export_path = model.export(format="onnx")

YOLO11 ayrıca çok yönlüdür. Model sonekini değiştirerek algılamadan örnek bölümlemeye, görüntü sınıflandırmaya, poz tahminine veya Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamaya geçebilirsin. Yerel çoklu görev desteği, YOLOv7'de bulunmaz.

Kolaylaştırılmış Dışa Aktarma

YOLO11'i Apple CoreML veya Intel OpenVINO gibi uç biçimlere aktarmak için tek bir .export() komutu yeterlidir; böylece eski nesil modellerde sıklıkla gereken karmaşık grafik düzenlemelerinden kaçınılır.

İdeal Dağıtım Senaryoları#

Her modelin güçlü yanlarını anlamak, en uygun kullanım alanlarını belirlemeye yardımcı olur.

  • Eski Kıyaslamaları Yeniden Üretme: YOLOv7, belirli 2022 kıyaslamalarını yeniden üretmesi veya çapa tabanlı ağlarda yeniden parametreleştirme tekniklerinin etkilerini incelemesi gereken akademik araştırmacılar için yararlı olmaya devam eder.
  • Ticari Üretim Ortamları: YOLO11, kurumsal sistemler için güçlü bir seçenektir. Kararlılığı, etkin bakımı ve bulut tabanlı Ultralytics Platform ile entegrasyonu, modeli büyük ölçekli perakende analitiği, güvenlik izleme ve üretim kalite kontrolü için çok uygun kılar.
  • Kaynakları Kısıtlı Uç Bilişim: Hafif YOLO11n varyantı, düşük güç tüketimli uç cihazlar için tasarlanmıştır ve Raspberry Pi veya NVIDIA Jetson modüllerinde verimli biçimde çalışır.

Geleceğe Bakış: YOLO26#

YOLO11 olgun ve iyi desteklenen bir model olmaya devam etse de alan gelişmeyi sürdürüyor. Yeni görüntü projeleri için önerilen seçenek Ultralytics YOLO26'dır.

Ocak 2026'da yayımlanan YOLO26, hem YOLOv7'yi hem de YOLO11'i geliştiren çeşitli özellikler sunar:

  • İsteğe Bağlı NMS Gerektirmeyen Mimari: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma son işlemesini gereksiz kılar. Bu uçtan uca tasarım, dağıtım iş akışlarını basitleştirir ve gecikme değişkenliğini azaltır.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) modülünü kaldırarak YOLO26, uç cihazlar ve özel GPU'su olmayan ortamlar için optimize edilmiştir; YOLO26n CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • MuSGD Optimizer Entegrasyonu: Moonshot AI tarafından geliştirilen ileri düzey LLM eğitim tekniklerinden esinlenen bu hibrit optimizer, eğitim kararlılığını ve yakınsama hızını artırır.
  • Geliştirilmiş Küçük Nesne Algılama: Aşamalı Kayıp (ProgLoss) ve küçük hedef farkındalıklı etiket ataması (STAL), küçük nesnelerde doğruluğu artırır; bu da drone hava görüntülerini ve karmaşık IoT sensör verilerini analiz ederken yardımcı olur.

Transformer tabanlı mimariler veya alternatif yaklaşımlarla ilgilenen kullanıcılar, Ultralytics belgelerinde RT-DETR transformer algılayıcısı ve YOLO-World açık kelime dağarcıklı model gibi modeller hakkında da bilgi bulabilir.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.