YOLOv7 YOLO11: Gerçek Zamanlı Algılayıcıların Teknik Karşılaştırması
Nesne algılama mimarilerinin evrimi, hız, doğruluk ve dağıtım kolaylığı açısından hızlı ilerlemelerle dikkat çekmiştir. Bu kılavuz, YOLOv7 ve YOLOv8 arasında derinlemesine bir teknik karşılaştırma sunmaktadır. YOLOv7, 2022'nin en gelişmiş modeli, ve YOLO11Ultralytics derinlemesine bir Ultralytics karşılaştırma Ultralytics Mimari farklılıklarını, performans ölçütlerini ve modern bilgisayar görme uygulamaları için uygunluklarını analiz ediyoruz.
Yönetici Özeti
YOLOv7 , E-ELAN gibi önemli mimari iyileştirmeler YOLOv7 , YOLO11 kullanılabilirlik, ekosistem desteği ve verimlilik açısından nesiller arası bir sıçrama temsil ediyor. YOLO11 , modern donanımlarda üstün performans, önemli ölçüde daha kolay eğitim iş akışları ve basit algılamanın ötesinde daha geniş bir görev yelpazesi için yerel destek YOLO11 .
| Özellik | YOLOv7 | YOLO11 |
|---|---|---|
| Mimari | E-ELAN, Birleştirme tabanlı | C3k2, SPPF, GPU için optimize edilmiş |
| Görevler | Algılama, Poz, Segmentasyon (sınırlı) | Detect, Segment, Classify, Pose, OBB, Track |
| Kullanım Kolaylığı | Yüksek karmaşıklık (birden fazla komut dosyası) | Sadeleştirilmiş (Birleştirilmiş Python ) |
| Ekosistem | Dağınık (Araştırma odağı) | Entegre (Ultralytics ) |
| Dağıtım | Manuel dışa aktarma komut dosyaları gerekir | 10'dan fazla formata tek satırda dışa aktarma |
Ayrıntılı Analiz
YOLOv7: "Bag-of-Freebies" Mimarisi
2022 yılının Temmuz ayında piyasaya sürülen YOLOv7 , "bag-of-freebies" olarak bilinen bir kavramla, çıkarım maliyetini artırmadan eğitim sürecini optimize ederek gerçek zamanlı nesne algılamanın sınırlarını zorlamak için YOLOv7
Temel Teknik Özellikler:
- E-ELAN (Genişletilmiş Verimli Katman Toplama Ağı): Bu mimari, en kısa ve en uzun gradyan yollarını kontrol ederek ağın daha çeşitli özellikleri öğrenmesini sağlar ve yakınsamayı iyileştirir.
- Model Ölçeklendirme: YOLOv7 , farklı kaynak kısıtlamaları için derinlik ve genişliği aynı anda değiştiren bileşik ölçeklendirme yöntemleri YOLOv7
- Yardımcı Kafa: "Kaba-ince" kurşun kılavuzlu etiket atayıcı kullanır; burada yardımcı kafa, daha derin katmanlarda öğrenme sürecini denetlemeye yardımcı olur.
YOLOv7 Detayları:
- Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
- Kuruluş: Bilgi Bilimi Enstitüsü, Academia Sinica
- Tarih: 2022-07-06
- Arxiv: 2207.02696
- GitHub: WongKinYiu/yolov7
YOLOv7 hakkında daha fazla bilgi edinin.
YOLO11: Gelişmiş Verimlilik ve Çok Yönlülük
YOLO11 , ham performansın yanı sıra geliştirici deneyimini önceliklendirme konusunda Ultralytics YOLO11 . Yüksek doğruluğu korurken hesaplama yükünü azaltan mimari iyileştirmeler sunarak, hem uç cihazlarda hem de bulut GPU'larda olağanüstü bir hız sağlar.
Temel Teknik Özellikler:
- C3k2 Bloğu: Önceki sürümlerde kullanılan CSP (Cross Stage Partial) darboğazının bir evrimi olup, daha az parametre ile daha iyi özellik çıkarma sağlar.
- Geliştirilmiş SPPF: Uzamsal Piramit Havuzu - Hızlı katman, çok ölçekli bağlamı daha verimli bir şekilde yakalamak için optimize edilmiştir.
- Görev Çok Yönlülüğü: Bazı poz yeteneklerine sahip bir algılama modeli olan YOLOv7 farklı olarak, YOLO11 , Örnek Segmentasyonu, Poz Tahmini, Yönlendirilmiş Sınırlayıcı Kutular (OBB) ve Sınıflandırmayı yerel olarak işlemek üzere baştan sona YOLO11
- Optimize Edilmiş Eğitim: YOLO11 , eğitimi stabilize eden gelişmiş veri artırma stratejileri ve iyileştirilmiş kayıp fonksiyonları YOLO11 , böylece kullanıcıdan daha az hiperparametre ayarlaması gerektirir.
YOLO11 :
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2024-09-27
- Belgeler: Resmi Belgeler
YOLO11 hakkında daha fazla bilgi edinin
Performans Karşılaştırması
Bu modelleri karşılaştırırken, hız (gecikme) ve doğruluk (mAP) arasındaki dengeyi göz önünde bulundurmak çok önemlidir. YOLO11 daha iyi bir denge sağlar, NVIDIA gibi modern GPU'larda önemli ölçüde daha düşük hesaplama gereksinimleri (FLOP) ve daha hızlı çıkarım hızları ile yüksek doğruluk sunar.
Verimlilik Önemlidir
YOLO11 , daha az parametre ile eski modellere kıyasla benzer veya daha iyi bir doğruluk YOLO11 . Bu "parametre verimliliği", eğitim sırasında daha düşük bellek kullanımı ve NVIDIA Orin Nano gibi uç cihazlarda daha hızlı yürütme ile doğrudan sonuçlanır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (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 |
Tabloda gösterildiği gibi, YOLO11x, benzer GPU hızlarını korurken, doğruluk açısından YOLOv7 geride bırakmaktadır (54,7%'ye karşı 53,1%). Daha da önemlisi, YOLO11 daha küçük varyantları YOLO11 n/s/m), video analizi gibi gerçek zamanlı işlemenin kritik olduğu uygulamalar için inanılmaz hız avantajları sunmaktadır.
Ekosistem ve Kullanım Kolaylığı
Geliştiriciler için en önemli fark, modeli çevreleyen ekosistemdir. Ultralytics bu konuda üstünlük sağlar.
Ultralytics'in Avantajı
YOLO11 , ultralytics Python , tüm makine öğrenimi yaşam döngüsü için birleşik bir arayüz sağlar.
- Basit API: Sadece birkaç satırlık Python ile modeli yükleyebilir, eğitebilir ve doğrulayabilirsiniz.
- İyi Bakımlı Ekosistem: Ultralytics , aktif destek, sık güncellemeler ve veri yönetimi için Ultralytics gibi araçlarla sorunsuz entegrasyon sağlar.
- Dağıtım Esnekliği: YOLO11 ONNX, TensorRT, CoreML veya TFLite aktarmak YOLO11 tek bir komut TFLite . Buna karşılık, YOLOv7 farklı aktarım formatları için karmaşık üçüncü taraf depoları veya manuel komut dosyası ayarlamaları gerektirir.
Kod Karşılaştırması:
YOLO11 Eğitimi:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt")
# Train on COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
YOLOv7 eğitmek: Genellikle depoyu klonlamak, belirli bağımlılıkları yüklemek ve uzun komut satırı argümanları çalıştırmak gerekir:
python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights 'yolov7_training.pt'
Gerçek Dünya Kullanım Durumları
YOLOv7 Ne Zaman Tercih Edilmeli?
- Eski Benchmarking: Akademik araştırma yapıyorsanız ve yeni mimarileri 2022'nin en son teknoloji standartlarıyla karşılaştırmanız gerekiyorsa.
- Özel Uygulamalar: Mevcut bir boru hattınız varsa ve bu boru hattı belirli YOLOv7 tensor etrafında büyük ölçüde özelleştirilmişse ve yeniden yapılandırmaya gücünüz yetmiyorsa.
Ne Zaman YOLO11 Seçmeli
- Üretim Dağıtımı: Güvenilirlik ve bakım kolaylığının çok önemli olduğu perakende, güvenlik veya üretim alanlarındaki ticari uygulamalar için.
- Edge Computing: YOLO11n ve YOLO11s'in verimliliği, bunları Raspberry Pi veya sınırlı güce sahip mobil cihazlarda çalıştırmak için ideal hale getirir.
- Çoklu Görev Uygulamaları: Projeniz nesneleri algılama, segmentlere ayırma ve pozlarını aynı anda tahmin etmeyi gerektiriyorsa, YOLO11 bunu doğal olarak YOLO11 .
En Son Teknoloji: YOLO26
YOLO11 çoğu uygulama için mükemmel bir seçim YOLO11 da, Ultralytics yeniliklere Ultralytics . Yakın zamanda piyasaya sürülen YOLO26 (Ocak 2026), sınırları daha da ileriye taşıyor.
- Uçtan uca NMS: YOLO26, Non-Maximum Suppression (NMS) özelliğini ortadan kaldırarak daha basit dağıtım süreçleri ve daha düşük gecikme süresi sağlar.
- Kenar Optimizasyonu: Dağıtım Odak Kaybını (DFL) ortadan kaldırarak, YOLO26 CPU %43'e kadar hızlandırır ve kenar AI için üstün bir seçim haline gelir.
- MuSGD Optimizer: LLM eğitiminden esinlenilen bu hibrit optimizer, istikrarlı bir yakınsama sağlar.
Bugün yeni bir yüksek performanslı projeye başlayan geliştiriciler için YOLO26'yı keşfetmeleri şiddetle tavsiye edilir.
YOLO26 hakkında daha fazla bilgi edinin
Sonuç
Hem YOLOv7 YOLO11 , bilgisayar görme tarihinin dönüm noktalarını YOLO11 . YOLOv7 , bu alanı ileriye taşıyan güçlü mimari kavramlar YOLOv7 . Ancak, YOLO11 bu fikirleri daha pratik, daha hızlı ve kullanıcı dostu bir pakete dönüştürmüştür.
Araştırmacılardan kurumsal mühendislere kadar kullanıcıların büyük çoğunluğu içinYOLO11 veya daha yeni olan YOLO26), sağlam Ultralytics tarafından desteklenen doğruluk, hız ve geliştirici deneyiminin en iyi kombinasyonunu sunar.
Keşfedilecek Diğer Modeller
- YOLO26: En yüksek hız ve doğruluk için en yeni NMS model.
- YOLOv10: Gerçek zamanlı algılama için NMS eğitimin öncüsü.
- RT-DETR: Yüksek hassasiyetli senaryolar için transformatör tabanlı bir dedektör.
- SAM : Meta'nın sıfır atış segmentasyonu için Segment Anything Modeli.