YOLOv7 ve YOLO11#
Bilgisayarlı görü alanı son birkaç yılda hızla gelişti. Doğru nesne algılama çatısını seçen geliştiriciler ve araştırmacılar için, nesil belirleyici modeller arasındaki mimari ve pratik farkları anlamak kritik önem taşır. Bu kılavuz, akademik bir dönüm noktası olan YOLOv7 ile son derece geliştirilmiş, üretime hazır Ultralytics YOLO11 arasında ayrıntılı bir teknik karşılaştırma sunar.
Model Kökenleri ve Mimari Yaklaşımlar#
YOLOv7, 6 Temmuz 2022'de, Academia Sinica Bilgi Bilimleri Enstitüsü bünyesinden Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından yayımlandı ve alana birçok yeni kavram kazandırdı. arXiv'de yayımlanan YOLOv7 araştırma makalesinde ayrıntılı olarak açıklanan model, "eğitilebilir ücretsiz avantajlar çantası" yaklaşımına ve Genişletilmiş Verimli Katman Birleştirme Ağlarına (E-ELAN) büyük ölçüde odaklanır. Bu mimari seçimler, gradyan yolu verimliliğini en üst düzeye çıkarmak için özel olarak tasarlanmış olup modeli üst düzey GPU'larda akademik kıyaslama için güçlü bir araç hâline getirir.
YOLOv7 hakkında daha fazla bilgi edin
Ultralytics bünyesinde Glenn Jocher ve Jing Qiu tarafından geliştirilen YOLO11, 27 Eylül 2024'te yayımlandı. YOLO11, odağı salt mimari karmaşıklıktan bütünsel ve geliştirici öncelikli bir ekosisteme kaydırır. Ultralytics GitHub deposunda barındırılan YOLO11, hem eğitim hem de çıkarım sırasında bellek tüketimini büyük ölçüde azaltan optimize edilmiş, anchorsız bir tasarıma sahiptir. Model, Ultralytics Platformuna yerel olarak entegre edilmiştir ve veri kümesi açıklamasından uç dağıtıma kadar benzersiz bir kullanım kolaylığı sunar.
Bağımsız depolar, akademik bir makale yayımlandıktan sonra çoğu zaman atıl hâle gelirken Ultralytics modelleri sürekli güncellemelerden yararlanır ve bu sayede en yeni PyTorch sürümleri ile özel donanım hızlandırıcıları gibi modern makine öğrenimi yığınlarıyla uzun vadeli uyumluluk sağlar.
Performans Ölçütleri ve Verimlilik#
Modelleri gerçek dünya uygulamalarına dağıtırken ham doğruluk, çıkarım hızı ve hesaplama yüküyle dengelenmelidir. Aşağıda, standart COCO veri kümesi kıyaslamalarında değerlendirilen YOLOv7 ve YOLO11 varyantlarının doğrudan karşılaştırması yer alır.
| 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 CPU hızlarının eksik olması, ONNX CPU kıyaslamalarını standartlaştırmayan eski test ortamlarına işaret eder. Karşılaştırılabilir katmanlardaki en iyi değerler vurgulanmıştır.
Sonuçların Analizi#
Veriler, verimlilikte belirgin bir gelişim olduğunu gösteriyor. YOLO11l (Large) modeli, YOLOv7l'nin %51,4'lük değerine kıyasla %53,4'lük daha yüksek bir mAPval değerine ulaşırken çok 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 ve daha az VRAM gerektirmesini sağlar; bu da onu donanım kaynakları kısıtlı ortamlar için çok daha uygun hâle getirir.
Kullanılabilirlik ve Eğitim İş Akışları#
İki çatı arasındaki temel ayrım noktalarından biri geliştirici deneyimidir.
YOLOv7'yi Eğitme#
Orijinal YOLOv7 açık kaynak kod tabanını kullanmak çoğu zaman depoyu klonlamayı, bağımlılıkları manuel olarak çözmeyi ve ayrıntılı komut satırı bağımsız değişkenlerine güvenmeyi gerektirir. Farklı görevleri yönetmek veya mobil formatlara dışa aktarmak, sıklıkla kaynak betiklerini değiştirmeyi ya da üçüncü taraf çatallarına güvenmeyi gerektirir.
YOLO11 Eğitimi#
YOLO11, ultralytics Python paketine derinlemesine entegre edilmiştir ve makine öğrenimi yaşam döngüsünü basitleştirir. Bir nesne algılama modelini eğitmek yalnızca birkaç satır kod alır; çatı, 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 son derece çok yönlüdür. Geliştiriciler yalnızca model son ekini değiştirerek algılamadan örnek segmentasyonu eşlemeye, poz tahmini takibine veya Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamaya anında geçebilir; bu, YOLOv7'de bulunmayan bir yerel çoklu görev desteği düzeyidir.
YOLO11'i Apple CoreML veya Intel OpenVINO çatılarına benzer uç formatlara dışa aktarmak yalnızca tek bir .export() komutu gerektirir ve eski nesil modellerde sıklıkla gereken karmaşık grafik cerrahisini ortadan kaldırır.
İdeal Dağıtım Senaryoları#
Her modelin güçlü yönlerini anlamak, en uygun kullanım alanlarını belirlemene yardımcı olur.
- Eski Kıyaslamanın Yeniden Üretilmesi: YOLOv7, belirli 2022 kıyaslamalarını yeniden üretmesi veya anchorsız ağlarda yeniden parametreleştirme tekniklerinin etkilerini incelemesi gereken akademik araştırmacılar için hâlâ kullanışlıdır.
- Ticari Üretim Ortamları: YOLO11, kurumsal sistemler için net tercihtir. Kararlılığı, etkin bakımı ve bulut tabanlı Ultralytics Platform arayüzüyle entegrasyonu, onu büyük ölçekli perakende analitiği, güvenlik izleme ve üretim kalite kontrolünü yönetmek için ideal hâle getirir.
- Kaynakları Kısıtlı Uç Bilişim: Son derece hafif YOLO11n varyantı, düşük güç tüketimli uç cihazlar için özel olarak tasarlanmıştır ve bir Raspberry Pi sistemi veya NVIDIA Jetson modülleri üzerinde verimli biçimde çalışır.
Geleceğe Bakış: YOLO26'nın Paradigma Değişimi#
YOLO11 son derece geliştirilmiş, son teknoloji bir çözümü temsil etse de makine öğrenimi alanı durmaksızın ilerliyor. Bugün yepyeni görü projelerine başlayan kullanıcıların yeni yayımlanan Ultralytics YOLO26'yı incelemesi önemle tavsiye edilir.
Ocak 2026'da yayımlanan YOLO26, hem YOLOv7'yi hem de YOLO11'i geride bırakan birçok çığır açıcı özellik sunar:
- Yerel NMS'siz Mimari: YOLO26, Maksimum Olmayan Bastırma son işleme adımına duyulan ihtiyacı ortadan kaldırır. Uçtan uca bu tasarım, dağıtım işlem hatlarını basitleştirir ve gecikme değişkenliğini büyük ölçüde azaltır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kayıp (DFL) modülünü stratejik olarak kaldıran YOLO26, uç cihazlar ve özel GPU'ların bulunmadığı ortamlar için büyük ölçüde optimize edilmiştir.
- MuSGD Optimize Edici Entegrasyonu: Moonshot AI tarafından geliştirilen gelişmiş LLM eğitim tekniklerinden ilham alan bu hibrit optimize edici, benzeri görülmemiş eğitim kararlılığı ve daha hızlı yakınsama oranları sağlar.
- Üstün Küçük Nesne Algılama: ProgLoss ve STAL kayıp işlevlerinin kullanıma sunulması, küçük ayrıntıları belirlemede kritik doğruluk artışları sağlar; bu da onu drone hava görüntülerini ve karmaşık IoT sensör verilerini analiz etmek için mükemmel kılar.
Transformer tabanlı mimariler veya alternatif paradigmalarla ilgilenen kullanıcılar için Ultralytics belgeleri, RT-DETR transformer algılayıcı ve YOLO-World açık kelime dağarcıklı model gibi modelleri de kapsar.