Ultralytics YOLO27:
Get Started

YOLOv7 ve YOLO26#

Bilgisayarlı görünün gelişimi önemli kilometre taşlarıyla doludur. Eski mimarileri modern, son teknoloji ürünü modellerle karşılaştırmak, makine öğrenmesi mühendisleri için değerli bilgiler sunar. Bu teknik karşılaştırma, etkisi büyük YOLOv7 ile devrim niteliğindeki Ultralytics YOLO26 arasındaki farkları ele alarak mimari, eğitim yöntemleri ve dağıtım verimliliğindeki gelişmeleri öne çıkarıyor.

YOLOv7: "Bag-of-Freebies" Öncüsü#

2022'nin ortalarında tanıtılan YOLOv7, çıkarım maliyetini artırmadan doğruluğu iyileştiren çeşitli mimari optimizasyonlar sunarak GPU donanımında mümkün olanın sınırlarını zorladı.

Model Ayrıntıları

YOLOv7, yeniden parametrelendirme tekniklerinden büyük ölçüde yararlanan ve verimli katman toplama ağlarını (E-ELAN) genişleten, eğitilebilir "bag-of-freebies" kavramını ortaya koydu. Bu sayede model, özgün gradyan yolunu bozmadan daha çeşitli özellikler öğrenebildi ve ağın öğrenme kapasitesini sürekli geliştirebildi. O dönemde COCO'da etkileyici, son teknoloji ürünü bir kıyaslama sonucu elde etse de mimarisi hâlâ büyük ölçüde çapa tabanlı çıktılara dayanıyor ve dağıtım sırasında gecikme darboğazları oluşturabilen karmaşık Maksimum Olmayan Bastırma (NMS) son işlemesini gerektiriyor.

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 işlem hattını baştan ele alarak bir paradigma değişimini temsil ediyor.

Model Ayrıntıları

YOLO26, modern mühendislik zorluklarını çözmek için sıfırdan geliştirildi. Mimarisi, önceki modellerini önemli ölçüde geride bırakan birkaç kritik yenilik sunuyor:

  • Uçtan Uca NMS'siz Tasarım: YOLO26, NMS son işlemesini atlayan isteğe bağlı bire bir başlık (nms=False) sunuyor; bu çığır açan yaklaşımın öncülüğünü YOLOv10 yaptı. Bu, kalabalık sahnelerin yol açtığı değişken gecikmeyi önleyerek daha hızlı ve çok daha basit bir dağıtım işlem hattı sağlar.
  • DFL'nin Kaldırılması: Distribution Focal Loss (DFL) kaldırılarak model, dışa aktarma için önemli ölçüde basitleştirildi ve uç cihazlar ile düşük güç tüketen IoT donanımlarıyla çok daha iyi uyumluluk sağlandı.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Mimari basitleştirmeleri sayesinde YOLO26, uç bilişim ve özel GPU'su olmayan cihazlar için özel olarak optimize edilmiştir ve standart işlemcilerde eski mimarileri kolayca geride bırakır.
  • MuSGD Optimizer: Büyük dil modeli eğitim tekniklerinden, özellikle Moonshot AI'ın Kimi K2 modelinden ilham alan YOLO26, Stokastik Gradyan İnişi ile Muon'un hibriti olan MuSGD optimizasyon algoritmasını kullanır. Bu, bilgisayarlı görü görevlerinde benzersiz eğitim kararlılığı ve çok daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Bu gelişmiş kayıp işlevlerinin kullanıma sunulması, hava görüntüleri, robotik ve otomatik kalite denetimi için kritik olan küçük nesne tanımada kayda değer iyileşmeler sağlıyor.
  • 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.
YOLO26'ya Geçiş

Eski bir mimariden YOLO26'ya geçmek, Python kodundaki model dizesini yolo26n.pt olarak değiştirmek kadar kolaydır. Ultralytics paketi, otomatik ağırlık indirme ve yapılandırma ölçeklendirme dâhil tüm geçişi yönetir.

Performans ve Metrik Karşılaştırması#

Hesaplama ayak izleri karşılaştırıldığında YOLO26, performans ile bellek gereksinimlerini dengelemede açıkça üstünlük gösteriyor. Transformer tabanlı modeller veya eski, büyük mimariler çoğu zaman çok büyük CUDA bellek tahsisleri gerektirirken YOLO26, tüketici sınıfı GPU'larda verimli biçimde 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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Yukarıda görüldüğü gibi YOLO26m modeli, devasa YOLOv7x ile eşdeğer doğruluğa (53,1 mAP) daha az parametreyle (20,4 milyon yerine 71,3 milyonun üçte birinden azı) ve TensorRT aracılığıyla çok hızlı çıkarım süreleriyle ulaşıyor.

Ultralytics Ekosisteminin Avantajı#

Eski modelleri dağıtmak çoğu zaman karmaşık üçüncü taraf depolarıyla uğraşmayı, bağımlılık sorunlarını çözmeyi ve dışa aktarma komut dosyalarını elle çalıştırmayı gerektirir. Buna karşılık Ultralytics Platform, tüm makine öğrenmesi yaşam döngüsünü kolaylaştıran, bakımı iyi yapılan ve bütünleşik bir ekosistem sunar.

  • Kullanım Kolaylığı: Sezgisel bir Python API'si ve kapsamlı belgeler sayesinde modelleri dakikalar içinde etiketleyebilir, eğitebilir ve dağıtabilirsin. ONNX veya CoreML gibi biçimlere dışa aktarma işlemi yalnızca tek satır kod gerektirir.
  • Bellek Gereksinimleri: Ultralytics modelleri düşük bellek kullanımlarıyla tanınır. Bazı hantal görsel Transformer modellerinin aksine YOLO26, bellek yetersiz (OOM) hatalarıyla karşılaşmadan standart donanımlarda kolayca ince ayar yapılabilir.
  • Çok yönlülük: YOLOv7 öncelikli olarak bir nesne algılayıcıydı (diğer görevler için bazı deneysel dalları olsa da); YOLO26 ise algılama, segmentasyon, sınıflandırma, poz ve OBB'nin yanı sıra çoklu nesne takibini de gerçekleştiren, doğası gereği birleşik bir çerçevedir.
Diğer Ultralytics Modelleri

YOLO26 önerilen standart olsa da eski sistemleri taşıyan geliştiriciler, Ultralytics ürün ailesinde uzun süreli destek projeleri için mükemmel kararlılık sunan ve son derece yetenekli başka bir nesil olan YOLO11'i de değerlendirebilir.

Kod Örneği: Eğitim ve Dağıtım#

Aşağıdaki örnek, ultralytics paketinin zarif sadeliğini gösteriyor. Eski modeller için uzun komut satırı bağımsız değişkenlerini kullanmaya kıyasla arayüzün 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", 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 tamamen üretim kısıtlarına bağlıdır.

YOLOv7'yi ne zaman değerlendirmeli: YOLOv7, 2022 standartlarına göre akademik kıyaslama için değerli bir araç olmayı sürdürüyor. Altyapın, YOLOv7'nin belirli anchor çıktılarına yoğun biçimde sabit kodlanmış derin eski CUDA işlem hatlarını kullanıyorsa ve yeniden düzenleme için kaynak ayıramıyorsan, YOLOv7 sağlam bir temel algılayıcı olarak çalışmaya devam edecektir.

YOLO26'yı ne zaman seçmeli: Yeni projelerin tümü için kesin tercih YOLO26'dır. NMS içermeyen mimarisi, düşük gecikmeli otonom navigasyon ve gerçek zamanlı güvenlik sistemleri için idealdir. DFL'nin kaldırılması ve CPU hızındaki büyük artışlar, YOLO26'yı Raspberry Pi üzerinde veya tüketici elektroniğinde dağıtım gibi uç yapay zekâ uygulamalarının tartışmasız şampiyonu hâline getiriyor. Ayrıca ProgLoss + STAL iyileştirmeleri, üretimde kalite güvencesi veya uydu görüntülemedeki küçük anormallikleri algılamada son derece başarılı olmasını sağlıyor.

Sonuç olarak YOLO26, açık kaynak topluluğunun kapsamlı desteğiyle geliştiricilere eşsiz bir doğruluk, hız ve sadelik bileşimi sunuyor.

Katkıda Bulunanlar
GLglenn-jocher11

Yorumlar