YOLOv7 ve YOLO26
Bilgisayarlı görüdeki gelişim önemli dönüm noktalarına sahne oldu; eski mimarileri modern modellerle karşılaştırmak makine öğrenimi mühendislerine değerli içgörüler sağlar. Bu teknik karşılaştırma, etkili YOLOv7 ve Ultralytics YOLO26 arasındaki farkları inceleyerek mimari, eğitim yöntemleri ve dağıtım verimliliğindeki ilerlemeleri vurgular.
YOLOv7: "Bag-of-Freebies" Öncüsü#
2022'nin ortalarında tanıtılan YOLOv7, çıkarım maliyetini artırmadan doğruluğu iyileştiren çeşitli mimari optimizasyonlarla GPU donanımında gerçek zamanlı algılamayı geliştirdi.
Model Ayrıntıları
- Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica Bilgi Bilimi Enstitüsü
- Tarih: 2022-07-06
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
- Belgeler: Ultralytics YOLOv7 Belgeleri
YOLOv7, yeniden parametreleştirme tekniklerinden yoğun biçimde yararlanan ve verimli katman toplama ağlarını (E-ELAN) genişleten, eğitilebilir "bedava avantajlar paketi" kavramını ortaya koydu. Bu yaklaşım, özgün gradyan yolunu bozmadan modelin daha çeşitli özellikler öğrenmesini ve ağın öğrenme kapasitesini sürekli geliştirmesini sağladı. O dönemde COCO'da son teknoloji sonuçlar elde etse de mimarisi çapa tabanlı çıktılara dayanır ve dağıtım sırasında gecikme darboğazları oluşturabilen Maksimum Olmayan Bastırma (NMS) son işlemesini gerektirir.
YOLOv7 hakkında daha fazla bilgi edin
YOLO26: Uç Öncelikli Görsel Yapay Zekâ Standardı#
Ocak 2026'da yayımlanan Ultralytics YOLO26, dağıtım kolaylığına, eğitim kararlılığına ve donanım verimliliğine öncelik vermek için algılama iş akışını yeniden ele alır.
Model Ayrıntıları
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2026-01-14
- GitHub: ultralytics/ultralytics
- Platform: Platform'da Ultralytics YOLO26
YOLO26, modern dağıtım gereksinimleri için tasarlanmıştır. Mimarisi birkaç önemli yenilik sunar:
- Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26, YOLOv10'da ilk kez sunulan bir yaklaşımı izleyerek NMS son işlemesini atlayan isteğe bağlı bire bir başlık (
nms=False) sunar. Böylece kalabalık sahnelerin yol açtığı değişken gecikmeden kaçınan daha hızlı ve basit bir dağıtım iş akışı elde edilir. - DFL'nin Kaldırılması: Distribution Focal Loss (DFL) kaldırılarak model dışa aktarma için basitleştirilir ve uç cihazlarla düşük güç tüketimli IoT donanımlarıyla uyumluluk artırılır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Mimari basitleştirmeleri sayesinde YOLO26, uç bilişim ve özel GPU'su olmayan cihazlar için optimize edilmiştir; YOLO26n CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
- MuSGD Optimizer: Büyük dil modeli eğitim tekniklerinden (özellikle Moonshot AI'nin Kimi K2'sinden) esinlenen YOLO26, Stokastik Gradyan İnişi ile Muon'un melezi olan MuSGD optimizer'ı kullanır. Bu, bilgisayarlı görü görevlerinde daha kararlı eğitim ve daha hızlı yakınsama sağlar.
- ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama stratejisi, küçük nesnelerin tanınmasını iyileştirir. Bu, hava görüntüleri, robotik ve otomatik kalite denetimi için kritik önemdedir.
- Göreve Özel İyileştirmeler: Standart nesne algılamanın ötesinde YOLO26; segmentasyon görevleri için çok ölçekli proto ve özel anlamsal segmentasyon kaybı, poz tahmini için Artık Log-Olabilirlik Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutulardaki (OBB) sınır sorunlarını çözmek için özel açı kaybı algoritmaları sunuyor.
Projelerin hâlihazırda ultralytics paketini kullanıyorsa YOLO26'ya yükseltmek için Python kodundaki model dizesini yolo26n.pt olarak değiştirmen yeterlidir; ağırlıklar otomatik indirilir. Özgün depodaki YOLOv7 projeleri, YOLO biçimindeki veri kümelerini yeniden kullanabilir ve Ultralytics API'siyle yeniden eğitilebilir.
Performans ve Metrik Karşılaştırması#
Hesaplama ayak izini karşılaştırdığında YOLO26 doğruluk, hız ve bellek gereksinimleri arasında daha iyi bir denge sunar. Transformer tabanlı modeller veya eski, ağır mimariler çoğu zaman büyük CUDA bellek tahsisleri gerektirir; ancak YOLO26 tüketici sınıfı GPU'larda verimli biçimde eğitilir.
| Model | boyut (piksel) | mAPval50-95 | 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Yukarıda görüldüğü gibi YOLO26m modeli, çok daha büyük YOLOv7x modeliyle aynı doğruluğa (53,1 mAP) daha az parametreyle (20,4M'ye karşı 71,3M; üçte birinden az) ve TensorRT üzerinden daha hızlı çıkarımla (4,7 ms'ye karşı 11,57 ms) ulaşır.
Ultralytics Ekosisteminin Avantajı#
Eski modelleri dağıtmak çoğu zaman karmaşık üçüncü taraf depoları, bağımlılık çakışmalarını ve elle hazırlanan dışa aktarma komut dosyalarını gerektirir. Buna karşılık Ultralytics Platform, tüm makine öğrenimi yaşam döngüsünü kolaylaştıran, bakımı iyi yapılan ve uyumlu bir ekosistem sunar.
- Kullanım Kolaylığı: Sezgisel bir Python API'si ve kapsamlı belgeler sayesinde modellerine dakikalar içinde açıklama ekleyebilir, modelleri eğitebilir ve dağıtabilirsin. ONNX veya CoreML gibi biçimlere dışa aktarmak için tek satır kod yeterlidir.
- Bellek Gereksinimleri: Ultralytics modelleri düşük bellek kullanımıyla tanınır. Bazı büyük görüntü Transformer'larının aksine YOLO26, bellek yetersizliği (OOM) hatalarıyla karşılaşmadan standart donanımlarda ince ayar yapabilir.
- Çok Yönlülük: YOLOv7 öncelikli olarak bir nesne algılayıcıyken (diğer görevler için bazı deneysel dalları olsa da), YOLO26 algılama, örnek bölümleme, anlamsal bölümleme, derinlik tahmini, sınıflandırma, poz tahmini ve OBB'nin yanı sıra çoklu nesne takibini de kapsayan birleşik bir çerçevedir.
YOLO26 önerilen standart olsa da eski sistemleri taşıyan geliştiriciler, Ultralytics ürün ailesinin önceki nesli olan ve uzun süreli destek projeleri için kanıtlanmış kararlılık sunan YOLO11'i de değerlendirebilir.
Kod Örneği: Eğitim ve Dağıtım#
Aşağıdaki örnek, eski depolarda kullanılan uzun komut satırı bağımsız değişkenlerinin yerine geçen ultralytics iş akışını gösterir.
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", nms=False)
# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")Gerçek Dünya Kullanım Senaryoları#
Doğru mimariyi seçmek, üretim kısıtlamalarına bağlıdır.
YOLOv7'yi ne zaman değerlendirmeli: YOLOv7, 2022 standartlarına göre akademik kıyaslamalar için değerli bir araç olmaya devam ediyor. Altyapında YOLOv7'nin belirli çapa çıktılarına sabit kodlanmış eski CUDA iş akışları kullanılıyorsa ve yeniden düzenleme için kaynak ayıramıyorsan YOLOv7, güvenilir bir temel algılayıcı olarak çalışmaya devam eder.
YOLO26'yı ne zaman seçmeli: Yeni projeler için önerilen seçenek YOLO26'dır. İsteğe bağlı NMS gerektirmeyen başlığı, düşük gecikmeli otonom navigasyon ve gerçek zamanlı güvenlik sistemleri için uygun bir seçenek olmasını sağlar. DFL'nin kaldırılması ve daha hızlı CPU çıkarımı, modeli Raspberry Pi üzerinde veya tüketici elektroniğinde çalıştırmak gibi uç yapay zekâ dağıtımları için çok uygun kılar. Ayrıca ProgLoss + STAL iyileştirmeleri, üretim kalite güvencesi veya uydu görüntülemedeki küçük anormallikleri algılamasına yardımcı olur.
Sonuç olarak YOLO26, etkin bir açık kaynak topluluğunun desteğiyle geliştiricilere doğruluk, hız ve basitliği güçlü biçimde bir arada sunar.
Yorumlar2
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
Murat Raimbekov(düzenlendi)hey @bit-scientist, you're right - the YOLOv7 vs YOLO26 comparison tables only included
YOLOv7l(51.4 mAP, 36.9M params) andYOLOv7x(53.1 mAP, 71.3M params) at 640px. they didn't includeYOLOv7-tinyor the higher-resolution variants (W6, E6, D6, E6E at 1280px).these variants do exist in the yolov7 model docs with the numbers from the original paper:
variant imgsz mAP params (M) flops (B) YOLOv7-tiny-SiLU 640 38.7 6.2 13.8 YOLOv7 640 51.4 36.9 104.7 YOLOv7-X 640 53.1 71.3 189.9 YOLOv7-W6 1280 54.9 70.4 360.0 YOLOv7-E6 1280 56.0 97.2 515.2 YOLOv7-D6 1280 56.6 154.7 806.8 YOLOv7-E6E 1280 56.8 151.7 843.2 the comparison focused on the two 640-resolution scales that line up most directly with the modern yolo26 sizes (n/s/m/l/x @ 640).
worth noting: yolov7 is a third-party model from wang et al. and is not natively supported in the ultralytics package. we publish docs for reference, but training/inference uses the original WongKinYiu/yolov7 repo.
1
bit-scientistwhy were the smaller yolov7 models not included in comparison tables and graphs?