YOLOv7 ve YOLO11#
Bilgisayarlı görü alanı son birkaç yılda hızla gelişti. Doğru nesne algılama çerçevesini seçen geliştiriciler ve araştırmacılar için, nesillere yön veren modeller arasındaki mimari ve uygulamaya dönük farklılıkları anlamak kritik önem taşıyor. Bu kılavuz, akademik alanda çığır açan YOLOv7 ile incelikle geliştirilmiş, üretime hazır Ultralytics YOLO11 arasında ayrıntılı bir teknik karşılaştırma sunuyor.
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
Glenn Jocher ve Jing Qiu tarafından Ultralytics bünyesinde geliştirilen YOLO11, 27 Eylül 2024'te yayımlandı. YOLO11, odağı salt mimari karmaşıklıktan geliştiriciyi önceleyen bütünsel bir ekosisteme kaydırıyor. Ultralytics GitHub deposunda barındırılan YOLO11, eğitim ve çıkarım sırasında bellek tüketimini önemli ölçüde azaltan, optimize edilmiş anchor-free bir tasarıma sahip. Model, veri kümesi açıklamasından uçta dağıtıma kadar benzersiz bir kullanım kolaylığı sunan Ultralytics Platformu ile yerel olarak bütünleşik.
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.
| 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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
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 olduğunu gösteriyor. YOLO11l (Large) modeli, YOLOv7l'nin %51,4'lük değerine kıyasla %53,4'lük üstün bir mAPval değerine ulaşıyor; üstelik çok daha az parametre (25,3M'ye karşı 36,9M) ve çok daha az FLOP (87,2B'ye karşı 104,7B) kullanıyor. Hesaplama karmaşıklığındaki bu azalma, YOLO11'in NVIDIA TensorRT uygulamalarında daha hızlı çalışmasını ve daha az VRAM gerektirmesini sağlayarak donanım kısıtlı ortamlara çok daha uygun hâle getiriyor.
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, ultralytics Python paketine derinlemesine entegre edilerek makine öğrenimi yaşam döngüsünü basitleştiriyor. Bir nesne algılama modelini eğitmek yalnızca birkaç satır kod gerektiriyor; çerçeve veri indirme, hiperparametre ayarlama ve önbelleğe alma işlemlerini yerel olarak gerçekleştiriyor.
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")Üstelik YOLO11 son derece çok yönlü. Model sonekini değiştirerek algılamadan örnek segmentasyonu eşlemesine, poz kestirimi takibine veya Yönlendirilmiş Sınırlayıcı Kutu (OBB) tanımaya anında geçebilirsin. Bu, YOLOv7'nin sunmadığı düzeyde yerel çoklu görev desteğidir.
YOLO11'i Apple CoreML veya Intel OpenVINO çerçeveleri gibi uç biçimlere dışa aktarmak için tek bir .export() komutu yeterlidir; böylece eski nesil modellerin sıklıkla gerektirdiği karmaşık grafik cerrahisine gerek kalmaz.
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 anchor tabanlı ağlardaki yeniden parametrelendirme tekniklerinin etkilerini incelemesi gereken akademik araştırmacılar için kullanışlı olmaya devam ediyor.
- Ticari Üretim Ortamları: YOLO11, kurumsal sistemler için açık ara en iyi seçimdir. Kararlılığı, etkin bakımı ve bulut tabanlı Ultralytics Platformu arayüzüyle bütünleşmesi, onu büyük ölçekli perakende analitiği, güvenlik izleme ve üretim kalite kontrolü yönetimi için ideal kılıyor.
- Kaynakları Kısıtlı Uç Bilişim: Son derece hafif YOLO11n varyantı, düşük güçlü uç cihazlar için özel olarak tasarlandı ve Raspberry Pi sisteminde veya NVIDIA Jetson modüllerinde verimli biçimde çalışıyor.
Geleceğe Bakış: YOLO26'nın Getirdiği Paradigma Değişimi#
YOLO11 son derece gelişmiş, son teknoloji ürünü bir çözüm olsa da makine öğrenimi alanı durmaksızın ilerliyor. Bugün yepyeni bilgisayarlı görü projelerine başlayan kullanıcılara, yeni yayımlanan Ultralytics YOLO26'yı incelemeleri önemle tavsiye edilir.
Ocak 2026'da yayımlanan YOLO26, hem YOLOv7'yi hem de YOLO11'i geride bırakan çığır açıcı özellikler sunuyor:
- Doğası Gereği NMS İçermeyen Mimari: YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), Maksimum Olmayan Bastırma son işleme adımını ortadan kaldırıyor. Bu uçtan uca tasarım, dağıtım işlem hatlarını basitleştiriyor ve gecikme değişkenliğini önemli ölçüde azaltıyor. - CPU Çıkarımında %43'e Varan Hız Artışı: Dağılım Odaklı Kayıp (DFL) modülünü stratejik olarak kaldıran YOLO26, uç cihazlar ve özel GPU bulunmayan ortamlar için büyük ölçüde optimize edilmiştir.
- MuSGD Optimizasyon Algoritması Entegrasyonu: Moonshot AI tarafından geliştirilen ileri düzey LLM eğitim tekniklerinden ilham alan bu hibrit optimizasyon algoritması, eşi benzeri görülmemiş bir eğitim kararlılığı ve daha hızlı yakınsama sağlıyor.
- Üstün Küçük Nesne Algılama: ProgLoss ve STAL kayıp fonksiyonlarının kullanıma sunulması, drone hava görüntülerini ve karmaşık IoT sensör verilerini analiz etmek için ideal olan, küçük ayrıntıları belirlemede kritik doğruluk artışları sağlıyor.
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.