YOLOv7 ve YOLO26#

Bilgisayarlı görü evrimi önemli kilometre taşlarıyla işaretlenmiştir ve eski mimarileri modern son teknoloji modellerle karşılaştırmak, ML Mühendisleri için değerli içgörüler sağlar. Bu teknik karşılaştırma, son derece etkili YOLOv7 ile devrim niteliğindeki Ultralytics YOLO26 arasındaki farkları inceler; mimari, eğitim metodolojileri ve dağıtım verimliliğindeki gelişmeleri vurgular.

YOLOv7: "Bag-of-Freebies" Öncüsü#

2022'nin ortalarında tanıtılan YOLOv7, çıkarım maliyetini artırmadan doğruluğu iyileştiren birkaç mimari optimizasyon sunarak GPU donanımı üzerinde mümkün olanın sınırlarını zorladı.

Model Detayları

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica
• Tarih: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• Belgeler: Ultralytics YOLOv7 Documentation

YOLOv7, yeniden parametrelendirme tekniklerini yoğun bir şekilde kullanan ve verimli katman toplama ağlarını (E-ELAN) genişleten eğitilebilir "ücretsiz heediyeler çantası" kavramını sunmuştur. Bu, modelin orijinal gradyan yolunu bozmadan daha çeşitli özellikler öğrenmesini ve ağın öğrenme yeteneğini sürekli olarak geliştirmesini sağlamıştır. O dönemde COCO üzerinde etkileyici bir son teknoloji kıyaslama başarısı elde etmiş olsa da, mimarisi büyük ölçüde çapa tabanlı çıkışlara dayanmaya devam eder ve dağıtım sırasında gecikme darboğazlarına yol açabilen karmaşık Non-Maximum Suppression (NMS) son işleme adımlarını gerektirir.

YOLOv7 hakkında daha fazla bilgi edinin

YOLO26: Uç Nokta Odaklı Yapay Zeka Standardı#

Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, dağıtım kolaylığına, eğitim kararlılığına ve donanım verimliliğine öncelik vermek için algılama hattını tamamen yeniden düşünerek bir paradigma değişimi temsil ediyor.

Model Detayları

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: ultralytics/ultralytics
• Platform: Ultralytics YOLO26 on Platform

YOLO26, modern mühendislik zorluklarını çözmek için sıfırdan oluşturulmuştur. Mimarisi, öncülerinden önemli ölçüde daha ileri giden birkaç kritik inovasyon getirmektedir:

• Uçtan Uca NMS İçermeyen Tasarım: YOLO26, ilk olarak YOLOv10 ile öncülük edilen çığır açan bir yaklaşımla NMS son işlemeyi yerel olarak ortadan kaldırır. Bu, kalabalık sahnelerin genellikle neden olduğu değişken gecikmeden kaçınarak daha hızlı, çok daha basit bir dağıtım boru hattı sağlar.
• DFL Kaldırma: Dağılımsal Odak Kaybını (DFL) kaldırarak model dışa aktarım için radikal bir şekilde basitleştirilir ve uç cihazlarla düşük güçlü IoT donanımları için çok daha iyi uyumluluk sunar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Mimari basitleştirmeler ve yapısal budama sayesinde YOLO26, uç bilişim ve özel GPU'su olmayan cihazlar için özel olarak optimize edilmiştir ve standart işlemciler üzerinde eski mimarileri kolayca geride bırakır.
• MuSGD Optimizer: Büyük dil modeli eğitim tekniklerinden (özellikle Moonshot AI'ın Kimi K2'sinden) esinlenen YOLO26, Stochastic Gradient Descent ve Muon'un bir melez olan MuSGD optimizer'ını kullanır. Bu, bilgisayarlı görü görevlerine benzersiz bir eğitim kararlılığı ve çok daha hızlı yakınsama getirir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonlarının sunulması, aerial imagery, robotik ve otomatik kalite kontrolü için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: Standart object detection ötesinde YOLO26; segmentation tasks için çok ölçekli proto ve özelleştirilmiş anlamsal segmentasyon kaybı, pose estimation için Residual Log-Likelihood Estimation (RLE) ve Oriented Bounding Boxes (OBB) içindeki sınır sorunlarını çözmek için özelleştirilmiş açı kaybı algoritmaları sunar.

YOLO26 hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Hesaplama ayak izini karşılaştırırken, YOLO26 performans ve bellek gereksinimlerini dengelemede açık bir üstünlük sergiler. Transformer tabanlı modeller veya eski ağır mimariler genellikle büyük CUDA bellek tahsisleri gerektirir, ancak YOLO26 tüketici sınıfı GPU'larda verimli bir şekilde eğitilir.

Yukarıda görüldüğü gibi, YOLO26m modeli devasa YOLOv7x ile eşdeğer doğruluk (53.1 mAP) elde eder, ancak parametrelerin üçte birinden azıyla (20.4M'ye karşı 71.3M) ve TensorRT aracılığıyla inanılmaz derecede hızlı çıkarım süreleriyle bunu yapar.

Ultralytics Ekosistemi Avantajı#

Eski modelleri dağıtmak genellikle karmaşık üçüncü taraf depoları, bağımlılık cehennemi ve manuel dışa aktarma betikleriyle uğraşmayı gerektirir. Buna karşılık, Ultralytics Platform, tüm makine öğrenimi yaşam döngüsünü kolaylaştıran iyi korunan, tutarlı bir ekosistem sunar.

• Kullanım Kolaylığı: Sezgisel bir Python API ve kapsamlı belgelerle dakikalar içinde modelleri etiketleyebilir, eğitebilir ve dağıtabilirsiniz. ONNX veya CoreML gibi formatlara aktarmak yalnızca tek bir satır kod gerektirir.
• Bellek Gereksinimleri: Ultralytics modelleri, düşük bellek kullanımlarıyla ünlüdür. Bazı hantal görü transformer'larının aksine, YOLO26 bellek yetersizliği (OOM) hatalarıyla karşılaşmadan standart donanımlarda kolayca ince ayar (fine-tune) yapılabilir.
• Çok Yönlülük: YOLOv7 temel olarak bir nesne algılayıcı iken (diğer görevler için bazı deneysel dalları olsa da), YOLO26 algılama, sınıflandırma, izleme, poz ve OBB'yi eşit yetkinlikle işleyen yerel olarak birleşik bir çerçevedir.

Kod Örneği: Eğitim ve Dağıtım#

ultralytics paketinin zarif basitliğini aşağıdaki örnek göstermektedir. Eski modeller için uzun komut satırı argümanları çağırmakla karşılaştırıldığında arayüzün ne kadar temiz olduğuna dikkat edin.

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Efficient memory usage allows larger batch sizes
    device=0,
)

# Run an NMS-free, end-to-end inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

Gerçek Dünya Kullanım Durumları#

Doğru mimariyi seçmek tamamen üretim kısıtlamalarınıza bağlıdır.

YOLOv7 ne zaman değerlendirilmeli: YOLOv7, 2022 standartlarına karşı akademik kıyaslama için değerli bir araç olmaya devam etmektedir. Altyapınız, YOLOv7'nin belirli çapa çıkışlarına yoğun bir şekilde sabit kodlanmış eski CUDA pipelines kullanıyorsa ve yeniden yapılandırma için kaynak ayıramıyorsanız, sağlam bir temel dedektör olarak çalışmaya devam edecektir.

YOLO26 ne zaman seçilmeli: Herhangi bir yeni proje için YOLO26 kesin tercihtir. NMS içermeyen mimarisi onu düşük gecikmeli autonomous navigation ve gerçek zamanlı güvenlik sistemleri için mükemmel kılar. DFL'nin kaldırılması ve devasa CPU hız artışları, Raspberry Pi üzerinde veya tüketici elektroniği içinde dağıtma gibi uç yapay zeka dağıtımları için onu tartışmasız şampiyon yapmaktadır. Ayrıca, ProgLoss + STAL geliştirmeleri, üretim kalite güvencesindeki veya uydu görüntülerindeki küçük anomalileri tespit etmede onu son derece becerikli hale getirir.

Sonuç olarak YOLO26, açık kaynak topluluğunun kapsamlı desteğiyle desteklenen, doğruluk, hız ve basitliğin eşsiz bir karışımını geliştiricilere sunar.