Sayfayı GitHub üzerinde düzenle (EN)

YOLOv7 ve YOLO26: Gerçek Zamanlı Nesne Algılamada Nesiller Arası Bir Sıçrama

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

YOLOv7: "Ücretsiz Hediyeler Çantası"nın Öncüsü

2022'nin ortalarında tanıtılan YOLOv7, çıkarım maliyetini artırmadan doğruluğu geliştiren çeşitli mimari optimizasyonlar getirerek GPU donanımı üzerinde mümkün olanın sınırlarını zorladı.

Model Detayları

YOLOv7, yeniden parametrelendirme tekniklerini ve genişletilmiş verimli katman toplama ağlarını (E-ELAN) yoğun bir şekilde kullanan, eğitilebilir "ücretsiz hediyeler çantası" kavramını tanıttı. Bu, modelin daha çeşitli özellikleri öğrenmesine ve orijinal gradyan yolunu bozmadan ağın öğrenme kapasitesini sürekli olarak geliştirmesine olanak tanıdı. Zamanında COCO üzerinde etkileyici bir son teknoloji benchmark'ına ulaşmış olsa da, mimarisi hala yoğun bir şekilde çapa tabanlı çıktılara dayalıdır ve konuşlandırma sırasında gecikme darboğazları oluşturabilen karmaşık Non-Maximum Suppression (NMS) işlem sonrası adımlarını gerektirir.

YOLOv7 hakkında daha fazla bilgi edinin

YOLO26: Uç Birim Öncelikli Yapay Zeka Standardı

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

Model Detayları

YOLO26, modern mühendislik zorluklarını çözmek için temelden inşa edilmiştir. Mimarisi, seleflerinden önemli ölçüde daha iyi performans gösteren birkaç kritik yenilik getiriyor:

  • Uçtan Uca NMS-Free Tasarım: YOLO26, ilk kez YOLOv10 ile öncülük edilen çığır açıcı bir yaklaşımla, NMS işlem sonrası adımını yerel olarak ortadan kaldırır. Bu, kalabalık sahnelerin genellikle neden olduğu değişken gecikmeyi önleyerek daha hızlı ve çok daha basit bir dağıtım hattı sağlar.
  • DFL Kaldırma: Dağılım Odaklı Kaybı (DFL) kaldırarak, model dışa aktarım için radikal bir şekilde basitleştirilir ve uç cihazlar ile düşük güçlü IoT donanımıyla çok daha iyi uyumluluk sunar.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Mimari sadeleştirmeler ve yapısal budama sayesinde, YOLO26 uç bilişim ve özel GPU'su olmayan cihazlar için özel olarak optimize edilmiştir ve standart işlemcilerde eski mimarilerden kolayca daha iyi performans gösterir.
  • MuSGD Optimizer: Büyük dil modeli eğitim tekniklerinden (özellikle Moonshot AI'nın Kimi K2'sinden) esinlenen YOLO26, Stochastic Gradient Descent ve Muon'un bir melezi 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 tanıtılması, hava görüntüleme, robotik ve otomatik kalite kontrolü için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
  • Göreve Özel İyileştirmeler: Standart nesne algılamanın ötesinde, YOLO26 segmentasyon görevleri için çok ölçekli proto ve özelleşmiş anlamsal segmentasyon kaybı, poz tahmini için Artık Log-Likelihood Tahmini (RLE) ve Yönelimli Sınırlayıcı Kutulardaki (OBB) sınır sorunlarını çözmek için özelleşmiş açı kaybı algoritmaları sunar.

YOLO26 hakkında daha fazla bilgi edin

YOLO26'ya Geçiş

Eski bir mimariden YOLO26'ya yükseltme yapmak, Python kodundaki model dizesini yolo26n.pt olarak değiştirmek kadar kolaydır. Ultralytics paketi, otomatik ağırlık indirmeleri ve yapılandırma ölçeklendirmesi dahil olmak üzere tüm geçişi yönetir.

Performans ve Metrik Karşılaştırması

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

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9

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

Ultralytics Ekosistem Avantajı

Eski modelleri dağıtmak genellikle karmaşık üçüncü taraf depoları, bağımlılık cehennemi ve manuel dışa aktarma komut dosyalarıyla uğraşmayı içerir. Buna karşılık, Ultralytics Platform, tüm makine öğrenimi yaşam döngüsünü kolaylaştıran, iyi bakılan ve uyumlu bir ekosistem sunar.

  • Kullanım Kolaylığı: Sezgisel bir Python API ve kapsamlı dokümantasyonla, modelleri dakikalar içinde açıklayabilir, eğitebilir ve dağıtabilirsin. ONNX veya CoreML gibi formatlara dışa aktarmak sadece tek bir satır kod gerektirir.
  • Bellek Gereksinimleri: Ultralytics modelleri, düşük bellek kullanımlarıyla ünlüdür. Bazı hantal görüntü transformer'larının aksine, YOLO26 bellek yetersizliği (OOM) hatalarıyla karşılaşmadan standart donanım üzerinde kolayca ince ayar yapılabilir.
  • Çok Yönlülük: YOLOv7 öncelikle bir nesne dedektörü iken (diğer görevler için bazı deneysel dalları olsa da), YOLO26 algılama, sınıflandırma, izleme, poz ve OBB'yi eşit yeterlilikle yöneten, yerel olarak birleşik bir çerçevedir.
Diğer Ultralytics Modelleri

YOLO26 önerilen standart olsa da, eski sistemleri taşıyan geliştiriciler, uzun vadeli destek projeleri için mükemmel kararlılık sunan Ultralytics serisindeki başka bir yetenekli nesil olan YOLO11 modelini de inceleyebilirler.

Kod Örneği: Eğitim ve Dağıtım

Aşağıdaki örnek, ultralytics paketinin zarif sadeliğini göstermektedir. Arayüzün, eski modeller için uzun komut satırı argümanlarını çağırmaya kıyasla ne kadar temiz olduğuna dikkat et.

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 senin üretim kısıtlamalarına bağlıdır.

Ne zaman YOLOv7'yi düşünmeli: YOLOv7, 2022 standartlarına göre akademik kıyaslama için değerli bir araç olmaya devam ediyor. Altyapın, YOLOv7'nin belirli çapa çıktılarına ağır bir şekilde kodlanmış derin eski CUDA hatlarını kullanıyorsa ve yeniden düzenleme için kaynak ayıramıyorsan, sağlam bir temel dedektör olarak çalışmaya devam edecektir.

Ne zaman YOLO26'yı seçmeli: Herhangi bir yeni proje için YOLO26 kesin tercihtir. NMS-free mimarisi, onu düşük gecikmeli otonom navigasyon ve gerçek zamanlı güvenlik sistemleri için mükemmel kılar. DFL'nin kaldırılması ve devasa CPU hız artışları, onu Raspberry Pi üzerinde dağıtmak veya tüketici elektroniği içinde kullanmak gibi uç yapay zeka dağıtımları için tartışmasız şampiyon yapar. Ayrıca, ProgLoss + STAL geliştirmeleri, onu üretim kalite güvencesindeki veya uydu görüntülemesindeki küçük anomalileri tespit etmede oldukça yetenekli kılar.

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

Contributors
Sayfayı GitHub üzerinde düzenle (EN)
GLglenn-jocher5

Yorumlar