YOLOv7 ve YOLO11 karşılaştırması#
Bilgisayarlı görü dünyası son birkaç yılda hızla gelişti. Doğru nesne tespiti çatısını seçen geliştiriciler ve araştırmacılar için, nesil belirleyen modeller arasındaki mimari ve pratik farkları anlamak son derece önemlidir. Bu kılavuz, YOLOv7 modelinin akademik çığır açan yönü ile son derece rafine edilmiş ve üretime hazır Ultralytics YOLO11 arasındaki ayrıntılı bir teknik karşılaştırmayı sunar.
Model 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 yayınlanmış olup alana birkaç yeni konsept kazandırmıştır. ArXiv'de yayınlanan YOLOv7 araştırma makalelerinde ayrıntılı olarak açıklandığı üzere, model büyük ölçüde bir "eğitilebilir ücretsiz öğeler torbası" yaklaşımına ve Genişletilmiş Verimli Katman Birleştirme Ağlarına (E-ELAN) odaklanır. Bu mimari tercihler, gradyan yolu verimliliğini en üst düzeye çıkarmak için özellikle tasarlanmıştır ve bu da onu üst düzey GPU'larda akademik kıyaslama için güçlü bir araç haline getirir.
YOLOv7 hakkında daha fazla bilgi edinin
Ultralytics bünyesinde Glenn Jocher ve Jing Qiu tarafından geliştirilen YOLO11, 27 Eylül 2024'te yayınlandı. YOLO11, odak noktasını saf mimari karmaşıklıktan bütünsel, geliştirici odaklı bir ekosisteme kaydırır. Ultralytics GitHub deposunda barındırılan YOLO11, hem eğitim hem de çıkarım sırasında bellek tüketimini büyük ölçüde azaltan optimize edilmiş çapasız bir tasarıma sahiptir. Veri seti etiketlemeden uçta dağıtıma kadar benzersiz bir kullanım kolaylığı sunarak Ultralytics Platform ile yerel olarak entegre edilmiştir.
YOLO11 hakkında daha fazla bilgi edinin
Bağımsız depolar genellikle akademik bir makale yayınlandıktan sonra pasifleşirken, Ultralytics modelleri sürekli güncellemelerden yararlanarak en son PyTorch sürümleri ve özel donanım hızlandırıcıları gibi modern makine öğrenimi yığınlarıyla uzun vadeli uyumluluk sağlar.
Performans Metrikleri ve Verimlilik#
Modelleri gerçek dünya uygulamalarına dağıtırken, ham doğruluk çıkarım hızı ve hesaplama yükü ile dengelenmelidir. Aşağıda, standart COCO veri seti kıyaslamalarında değerlendirilen YOLOv7 ve YOLO11 varyantlarının doğrudan bir karşılaştırması bulunmaktadır.
| 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.
Sonuçların Analizi#
Veriler verimlilikte net bir evrimi göstermektedir. YOLO11l (Large) modeli, çok daha az parametre (36,9M'ye karşı 25,3M) ve çarpıcı biçimde daha az FLOP (104,7B'ye karşı 86,9B) kullanarak, YOLOv7l'nin %51,4'lük mAPval değerine kıyasla %53,4'lük üstün bir mAPval elde eder. Hesaplama karmaşıklığındaki bu azalma, 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 temel ayrılık noktalarından biri geliştirici deneyimidir.
YOLOv7 Eğitimi#
Orijinal YOLOv7 açık kaynak kod tabanını kullanmak genellikle deponun klonlanmasını, bağımlılıkların manuel olarak çözülmesini ve ayrıntılı komut satırı argümanlarına güvenilmesini gerektirir. Farklı görevleri yönetmek veya mobil formatlara aktarmak genellikle kaynak betiklerinin değiştirilmesini veya üçüncü taraf çatalların kullanılmasını gerektirir.
YOLO11 Eğitimi#
YOLO11, ultralytics Python paketine derinlemesine entegre edilmiştir ve makine öğrenimi yaşam döngüsünü basitleştirir. Bir nesne tespiti modelini eğitmek yalnızca birkaç satır kod gerektirir ve çatı, veri indirmeyi, hiperparametre ayarlamayı ve önbelleğe almayı 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 aşırı çok yönlülüğe sahiptir. Geliştiriciler, yalnızca model sonekini değiştirerek algılamadan örnek bölütleme eşlemesine, poz kestirimi takibine veya Yönlendirilmiş Sınırlayıcı Kutu (OBB) tanımasına anında geçiş yapabilir; bu, YOLOv7'de eksik olan yerel bir çoklu görev destek düzeyidir.
YOLO11'i Apple CoreML veya Intel OpenVINO çatısı gibi uç formatlara aktarmak, eski nesil modellerin genellikle gerektirdiği karmaşık grafik ameliyatlarından kaçınarak yalnızca tek bir .export() komutu gerektirir.
İdeal Dağıtım Senaryoları#
Her modelin güçlü yönlerini anlamak, en iyi kullanım durumlarını belirlemeye yardımcı olur.
- Eski Sürüm Kıyaslama Yeniden Üretimi: YOLOv7, belirli 2022 kıyaslamalarını yeniden üretmesi veya çapa tabanlı ağlarda yeniden parametrelendirme tekniklerinin etkilerini incelemesi gereken akademik araştırmacılar için yararlı olmaya devam etmektedir.
- Ticari Üretim Ortamları: YOLO11, kurumsal sistemler için açık ara en doğru 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 güç tüketen uç cihazlar için özel olarak tasarlanmıştır ve bir Raspberry Pi sisteminde veya NVIDIA Jetson modüllerinde verimli bir şekilde çalışır.
Geleceğe 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 Tespiti: ProgLoss ve STAL kayıp fonksiyonlarının sunulması, drone hava görüntüleri ve karmaşık IoT sensör verilerinin analiz edilmesi için mükemmel olan dakika detaylarının tanımlanması açısından kritik doğruluk artışları sağlar.
YOLO26 hakkında daha fazla bilgi edin
Transformer tabanlı mimarilerle veya alternatif paradigmalarla ilgilenen kullanıcılar için Ultralytics belgeleri ayrıca RT-DETR transformer dedektörü ve YOLO-World açık kelime dağarcığı modeli gibi modelleri de kapsar.