Link to this sectionYOLOv7 ve YOLO26: Gerçek Zamanlı Nesne Algılamada Nesiller Arası Bir Sıçrama#

Bilgisayarlı görü evrimi önemli dönüm noktalarıyla işaretlenmiştir ve eski mimarileri modern, en son teknoloji modellerle karşılaştırmak, ML Mühendisleri için değerli içgörüler sağlar. Bu teknik karşılaştırma, oldukça etkili YOLOv7 ile devrim niteliğindeki Ultralytics YOLO26 arasındaki farkları incelemekte; mimari, eğitim metodolojileri ve dağıtım verimliliğindeki ilerlemeleri vurgulamaktadır.

Link to this sectionYOLOv7: "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
• Dokümanlar: Ultralytics YOLOv7 Dokümantasyonu

YOLOv7, yeniden parametrelendirme tekniklerini yoğun bir şekilde kullanan ve genişletilmiş verimli katman toplama ağlarını (E-ELAN) içeren, eğitilebilir "bag-of-freebies" kavramını tanıttı. Bu, modelin daha çeşitli özellikleri öğrenmesine ve orijinal gradyan yolunu bozmadan ağın öğrenme kapasitesini sürekli iyileştirmesine olanak tanıdı. O dönemde COCO üzerinde etkileyici bir en iyi benchmark sonucuna ulaşmış olsa da, mimarisi hala büyük ölçüde çapa tabanlı (anchor-based) çıktılara bağımlıdır ve dağıtım sırasında gecikme darboğazları oluşturabilecek karmaşık Non-Maximum Suppression (NMS) işlem sonrası adımları gerektirir.

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionYOLO26: 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 Platformda

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

• Uçtan Uca NMS-Free Tasarım: YOLO26, ilk kez YOLOv10 ile öncülük edilen bir çığır açıcı yaklaşımla, NMS işlem sonrası adımını yerel olarak ortadan kaldırır. Bu, kalabalık sahnelerin neden olduğu değişken gecikmeden kaçınarak daha hızlı ve çok daha basit bir dağıtım 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 Optimize Edici: Büyük dil modeli eğitim tekniklerinden (özellikle Moonshot AI'ın Kimi K2'si) ilham alan YOLO26, Stochastic Gradient Descent ve Muon'un bir melezi olan MuSGD optimize edicisini kullanır. Bu, bilgisayarlı görü görevlerine benzersiz bir eğitim kararlılığı ve çok daha hızlı yakınsama getirir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonlarının tanıtılması, hava görüntüleri, robotik ve otomatik kalite denetimi için kritik öneme sahip olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: Standart nesne algılamanın ötesinde YOLO26, segmentasyon görevleri için çok ölçekli proto ve özel semantik segmentasyon kaybını, poz tahmini için Residual Log-Likelihood Estimation (RLE) ve Yönelimli Sınırlayıcı Kutularda (OBB) sınır sorunlarını çözmek için özel açı kaybı algoritmalarını tanıtır.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionPerformans 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 büyük YOLOv7x ile eşdeğer doğrulukta (53.1 mAP) çalışır, ancak parametrelerin üçte birinden daha azıyla (20.4M'ye karşı 71.3M) ve TensorRT aracılığıyla inanılmaz derecede hızlı çıkarım süreleri ile bunu gerçekleştirir.

Link to this sectionUltralytics Ekosistemi Avantajı#

Eski modelleri dağıtmak genellikle karmaşık üçüncü taraf depolarla, bağımlılık sorunlarıyla (dependency hell) ve manuel dışa aktarma betikleriyle uğraşmayı gerektirir. Buna karşılık Ultralytics Platformu, tüm makine öğrenimi yaşam döngüsünü kolaylaştıran, iyi korunmuş ve tutarlı bir ekosistem sunar.

• Kullanım Kolaylığı: Sezgisel bir Python API'si ve kapsamlı dokümantasyon ile modelleri dakikalar içinde etiketleyebilir, eğitebilir ve dağıtabilirsiniz. ONNX veya CoreML gibi formatlara dışa aktarmak sadece 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.

Link to this sectionKod Örneği: Eğitim ve Dağıtım#

Aşağıdaki örnek, ultralytics paketinin zarif basitliğini göstermektedir. Arayüzün, eski modeller için uzun komut satırı argümanları çağırmaya kıyasla 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}")

Link to this sectionGerçek Dünya Kullanım Durumları#

Doğru mimariyi seçmek tamamen üretim kısıtlamalarınıza bağlıdır.

YOLOv7'yi ne zaman düşünmelisin: YOLOv7, 2022 standartlarına karşı akademik benchmark oluşturmak için değerli bir araç olmaya devam ediyor. Altyapınız, YOLOv7'nin belirli çapa çıktılarına sıkı sıkıya kodlanmış eski CUDA hatlarını yoğun bir şekilde kullanıyorsa ve yeniden yapılandırma için kaynak ayıramıyorsanız, sağlam bir temel algılayıcı olarak çalışmaya devam edecektir.

YOLO26'yı ne zaman seçmelisin: 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 büyük CPU hızı artışları, onu Raspberry Pi üzerinde dağıtmak veya tüketici elektroniği içine yerleştirmek gibi uç nokta AI dağıtımları için tartışmasız şampiyon yapar. Ayrıca, ProgLoss + STAL geliştirmeleri, üretim kalite güvencesi veya uydu görüntülerindeki küçük anormallikleri tespit etmede onu son derece yetenekli kılar.

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