YOLOv7 ve YOLO26#

Bilgisayarlı görü alanının gelişimi önemli dönüm noktalarıyla şekillenmiştir 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 ele alarak mimari, eğitim metodolojileri ve dağıtım verimliliğindeki ilerlemeleri vurgular.

YOLOv7: "Bag-of-Freebies" Öncüsü#

2022'nin ortalarında kullanıma sunulan YOLOv7, çıkarım maliyetini artırmadan doğruluğu iyileştiren çeşitli mimari optimizasyonlar getirerek GPU donanımında mümkün olanların sınırlarını zorladı.

Model Ayrıntıları

• 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 Belgeleri

YOLOv7, yeniden parametreleştirme tekniklerinden yoğun şekilde yararlanan ve verimli katman toplama ağlarını (E-ELAN) genişleten eğitilebilir "bag-of-freebies" kavramını tanıttı. Bu sayede model, daha çeşitli özellikler öğrenebildi ve özgün gradyan yolunu bozmadan ağın öğrenme kapasitesini sürekli olarak geliştirebildi. O dönemde COCO üzerinde etkileyici bir son teknoloji kıyaslama sonucu elde etmiş olsa da mimarisi, bağlantı noktası tabanlı çıktılara büyük ölçüde dayanmayı sürdürür ve dağıtım sırasında gecikme darboğazlarına yol açabilen karmaşık Maksimum Olmayan Bastırma (NMS) son işleme adımlarını gerektirir.

YOLOv7 hakkında daha fazla bilgi edin

YOLO26: Uçtan Önce Görü Yapay Zekâsı Standardı#

Ocak 2026'da yayımlanan Ultralytics YOLO26, dağıtım kolaylığına, eğitim kararlılığına ve donanım verimliliğine öncelik vermek için algılama işlem hattını baştan sona yeniden düşünerek bir paradigma değişimini temsil eder.

Model Ayrıntıları

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

YOLO26, modern mühendislik zorluklarını çözmek üzere sıfırdan geliştirilmiştir. Mimarisi, önceki nesillerin performansını önemli ölçüde aşan birkaç kritik yenilik sunar:

• Uçtan Uca NMS'siz Tasarım: YOLO26, ilk kez YOLOv10 tarafından öncülük edilen çığır açıcı bir yaklaşımla NMS son işlemesini yerel olarak ortadan kaldırır. Bu, yoğun sahnelerin neden olduğu değişken gecikmeyi önleyerek daha hızlı ve çok daha basit bir dağıtım işlem hattı sağlar.
• DFL'nin Kaldırılması: Dağılımsal Odak Kayıbı (DFL) kaldırılarak model dışa aktarma için büyük ölçüde sadeleştirilir ve uç cihazlar ile düşük güçlü IoT donanımlarıyla 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 Optimizasyon Algoritması: Büyük dil modeli eğitim tekniklerinden, özellikle Moonshot AI'ın Kimi K2 modelinden esinlenen YOLO26, Stokastik Gradyan İnişi ile Muon'un birleşimi olan MuSGD optimizasyon algoritmasını kullanır. Bu, bilgisayarlı görü görevlerine eşi benzeri görülmemiş bir eğitim kararlılığı ve çok daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonlarının kullanıma sunulması, hava görüntüleri, robotik ve otomatik kalite denetimi için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
• Göreve Özgü İyileştirmeler: Standart nesne algılamanın ötesinde YOLO26, segmentasyon görevleri için çok ölçekli proto ve özel anlamsal segmentasyon kaybı, poz tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutulardaki (OBB) sınır sorunlarını çözmek için özel açı kaybı algoritmaları sunar.

Performans ve Metrik Karşılaştırması#

Hesaplama ayak izi karşılaştırıldığında YOLO26, performans ve bellek gereksinimlerini dengelemede açık bir üstünlük sergiler. Transformer tabanlı modeller veya eski ağır mimariler genellikle büyük miktarda CUDA belleği tahsisi gerektirirken YOLO26, tüketici sınıfı GPU'larda verimli şekilde eğitilir.

Yukarıda görüldüğü üzere YOLO26m modeli, devasa YOLOv7x ile eşdeğer doğruluğa (53.1 mAP) ulaşırken bunu parametrelerin üçte birinden daha azıyla (20.4M'e karşı 71.3M) ve TensorRT üzerinden inanılmaz hızlı çıkarım süreleriyle gerçekleştirir.

Ultralytics Ekosisteminin Avantajı#

Eski modelleri dağıtmak genellikle karmaşık üçüncü taraf depolarıyla uğraşmayı, bağımlılık karmaşasını ve manuel dışa aktarma betiklerini gerektirir. Buna karşılık Ultralytics Platformu, tüm makine öğrenimi 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 açıklayabilir, eğitebilir ve dağıtabilirsin. ONNX veya CoreML gibi biçimlere dışa aktarma yalnızca tek satır kod gerektirir.
• Bellek Gereksinimleri: Ultralytics modelleri düşük bellek kullanımlarıyla tanınır. Bazı hantal vision Transformer'larının aksine YOLO26, bellek yetersizliği (OOM) hatalarıyla karşılaşmadan standart donanımda kolayca ince ayar yapılabilir.
• Çok Yönlülük: YOLOv7 öncelikle bir nesne algılayıcıyken (diğer görevler için bazı deneysel dalları olsa da) YOLO26, algılama, sınıflandırma, izleme, poz ve OBB görevlerini eşit yetkinlikle ele alan yerel olarak birleşik bir çerçevedir.

Kod Örneği: Eğitim ve Dağıtım#

Aşağıdaki örnek, ultralytics paketinin zarif sadeliğini gösterir. Eski modeller için uzun komut satırı bağımsız değişkenleri çağırmaya 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")

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

Gerçek Dünya Kullanım Örnekleri#

Doğru mimariyi seçmek tamamen üretim kısıtlarına bağlıdır.

YOLOv7'yi ne zaman değerlendirmelisin: YOLOv7, 2022 standartlarına göre akademik kıyaslama için değerli bir araç olmaya devam eder. Altyapın, YOLOv7'nin belirli bağlantı noktası çıktılarında yoğun şekilde sabit kodlanmış derin eski CUDA işlem hatlarını kullanıyorsa ve yeniden düzenleme için kaynak ayıramıyorsan, güçlü bir temel algılayıcı olarak çalışmayı sürdürecektir.

YOLO26'yı ne zaman seçmelisin: Yeni bir proje için kesin tercih YOLO26'dır. NMS'siz mimarisi, düşük gecikmeli otonom navigasyon ve gerçek zamanlı güvenlik sistemleri için onu ideal kılar. DFL'nin kaldırılması ve CPU hızındaki büyük artışlar, Raspberry Pi üzerinde veya tüketici elektroniği içinde dağıtım gibi uç yapay zekâ uygulamalarında onu tartışmasız lider yapar. Ayrıca ProgLoss + STAL geliştirmeleri, üretim kalite güvencesi veya uydu görüntülemedeki küçük anomalileri algılamada onu son derece yetkin kılar.

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