Link to this sectionYOLOv7 ve YOLOv10#

Bilgisayarlı görü alanı, son birkaç yılda gerçek zamanlı nesne algılamada öncü olan YOLO (You Only Look Once) model ailesiyle dikkate değer gelişmelere tanık oldu. Bilgisayarlı görü projelerin için doğru mimariyi seçmek, mevcut seçenekler hakkında derin bir anlayış gerektirir. Bu kapsamlı teknik karşılaştırmada, iki dönüm noktası niteliğindeki mimari arasındaki temel farkları inceleyeceğiz: YOLOv7 ve YOLOv10.

Link to this sectionModellere Giriş#

Bu modellerin her ikisi de yapay zeka tarihinde önemli kilometre taşlarını temsil etse de, nesne algılama zorluklarını çözmek için temelden farklı yaklaşımlar sergiliyorlar.

Link to this sectionYOLOv7: Bag-of-Freebies'in Öncüsü#

Institute of Information Science, Academia Sinica araştırmacıları Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından 6 Temmuz 2022'de yayınlanan YOLOv7, sinir ağlarının optimize edilme biçiminde bir paradigma değişimi getirdi. Akademik makalelerinde detaylandırılan ve resmi GitHub depolarında barındırılan orijinal araştırma, büyük ölçüde mimari yeniden parametrelendirmeye ve eğitilebilir bir "bag-of-freebies" (ücretsiz araç çantası) yaklaşımına odaklanmıştır.

YOLOv7, orijinal gradyan yolunu bozmadan ağın çeşitli özellikleri öğrenmesini sağlamak için genişletilmiş verimli katman toplama ağından (E-ELAN) yararlanır. Bu, onu akademik araştırma kıyaslamaları ve standart yüksek kaliteli GPU'lara büyük ölçüde bağımlı sistemler için sağlam bir seçim haline getirir.

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionYOLOv10: Gerçek Zamanlı Uçtan Uca Algılama#

Tsinghua University'den Ao Wang ve ekibi tarafından geliştirilen YOLOv10, 23 Mayıs 2024'te yayınlandı. Arxiv yayınında ve Tsinghua GitHub deposunda detaylandırıldığı gibi, bu model nesne algılamadaki uzun süredir devam eden bir darboğazı ortadan kaldırıyor: Non-Maximum Suppression (NMS).

YOLOv10, NMS gerektirmeyen eğitim için tutarlı ikili atamalar getirerek işlem sonrası hattını kökten değiştirdi. Bütünsel bir verimlilik-doğruluk odaklı model tasarım stratejisi uygulayarak, YOLOv10 hesaplama yedekliliğini azaltır. Bu, son derece düşük gecikme süresi gerektiren uç cihazlar için özel olarak tasarlanmış bir mimariyle sonuçlanır.

YOLOv10 hakkında daha fazla bilgi edin

Link to this sectionPerformans ve Metrik Karşılaştırması#

Model performansını analiz ederken, hassasiyet, hız ve hesaplama ağırlığı arasındaki dengeleri değerlendirmek çok önemlidir. Aşağıdaki tablo, bu modellerin farklı boyutlarının birbirine karşı nasıl bir performans sergilediğini göstermektedir.

Link to this sectionDengeleri Analiz Etme#

Yukarıdaki metrikler, nesiller arası keskin bir farkı ortaya koyuyor. YOLOv7x, 53.1%'lik çok güçlü bir mAP^val sunsa da, 71.3M parametre ve 189.9B FLOPs gerektirir. Buna karşılık, YOLOv10l bu doğruluğu (53.3% mAP) aşarken, parametrelerin yarısından azını (29.5M) ve önemli ölçüde daha az FLOPs (120.3B) gerektirir. Ayrıca, yüksek düzeyde optimize edilmiş YOLOv10n, 1.56ms'lik şaşırtıcı bir çıkarım hızı sunarak onu gerçek zamanlı video analitiği ve mobil uygulamalar için ideal hale getirir.

Link to this sectionGerçek Dünya Kullanım Durumları#

Bu modeller arasındaki mimari farklılıklar, optimum kullanım durumlarını belirler.

Link to this sectionYOLOv7 Ne Zaman Kullanılır?#

Zengin özellik gösterimi nedeniyle, YOLOv7 son derece karmaşık ortamlarda öne çıkar. Yoğun kentsel alanlarda trafik akışını izleme, uydu görüntülerini analiz etme veya ağır üretim otomasyonunda kusurları tespit etme gibi kullanım durumları, sağlam yapısal yeniden parametrelendirmesinden yararlanır. Ayrıca, belirli PyTorch 1.12 hatlarına derinlemesine entegre edilmiş eski ortamlarda da oldukça tercih edilir.

Link to this sectionYOLOv10 Ne Zaman Kullanılır?#

YOLOv10'un NMS'siz, hafif tasarımı kısıtlı ortamlarda parlar. NVIDIA Jetson Nano veya Raspberry Pi gibi uç bilişim cihazları için şiddetle tavsiye edilir. Düşük gecikmeli performansı, spor analitiği, otonom drone navigasyonu ve konveyör bantlarında yüksek hızlı robotik sıralama gibi hızlı hareket eden uygulamalar için mükemmeldir.

Link to this sectionUltralytics Ekosistemi Avantajı#

Her iki modelin de güçlü akademik kökleri olsa da, gerçek potansiyelleri birleşik Ultralytics Platform içinde kullanıldıklarında ortaya çıkar. Sıfırdan bilgisayarlı görü modelleri geliştirmek oldukça zordur, ancak Ultralytics ekosistemi makine öğrenimi mühendisleri için benzersiz bir deneyim sunar.

• Kullanım Kolaylığı: Ultralytics Python API, birleşik bir arayüz sağlar. Tipik akademik depolarla ilişkili karmaşık bağımlılık kabuslarından kaçınarak, sadece birkaç satır kodla modelleri eğitebilir, doğrulayabilir ve dışa aktarabilirsin.
• İyi Bakılan Ekosistem: Ultralytics, temel kodun aktif olarak geliştirilmesini garanti eder. Kullanıcılar, günlük kaydı için Weights & Biases veya hızlı web demoları için Hugging Face gibi popüler ML araçlarıyla sorunsuz entegrasyonlardan yararlanır.
• Bellek Gereksinimleri: Transformer tabanlı nesne dedektörleri, eğitim sırasında genellikle çok miktarda CUDA belleği tüketir. Buna karşılık, Ultralytics YOLO modelleri çok daha az bellek gerektirir ve tüketici sınıfı donanımlarda çok daha büyük yığın boyutlarına olanak tanır.
• Versatility: The Ultralytics pipeline is not restricted to standard bounding boxes. It seamlessly supports pose estimation, instance segmentation, and oriented bounding boxes across supported model families like YOLO11 and YOLOv8.

Link to this sectionKolaylaştırılmış Eğitim Örneği#

Ultralytics ile bir eğitim hattı çalıştırmak oldukça basittir. İster YOLOv7'nin geçmişteki sağlamlığından, ister YOLOv10'un NMS'siz hızından yararlanıyor ol, sözdizimi tutarlı kalır:

from ultralytics import YOLO

# Load the preferred model (e.g., YOLOv10 Nano)
model = YOLO("yolov10n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run an inference prediction on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to an edge-friendly format like ONNX
model.export(format="onnx")

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv7 ve YOLOv10 arasında seçim yapmak; özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLOv7 Seçilmeli#

YOLOv7 şunlar için güçlü bir seçimdir:

• Akademik Kıyaslama: 2022 dönemi en son teknoloji sonuçlarını yeniden üretmek veya E-ELAN ve eğitilebilir ücretsizler çantası tekniklerinin etkilerini incelemek.
• Yeniden Parametrelendirme Araştırması: Planlı yeniden parametrelendirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
• Mevcut Özel Boru Hatları: YOLOv7'nin belirli mimarisi etrafında inşa edilmiş, kolayca yeniden düzenlenemeyen, yoğun şekilde özelleştirilmiş boru hatlarına sahip projeler.

Link to this sectionNe Zaman YOLOv10 Seçilmeli#

YOLOv10 şunlar için önerilir:

• NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionGelecek: YOLO26 ile Tanışın#

YOLOv7 ve YOLOv10 etkileyici kilometre taşları olsa da, yapay zekanın sınırı her zaman ilerlemektedir. Ocak 2026'da yayınlanan Ultralytics YOLO26, tüm uç ve bulut dağıtım senaryolarında verimlilik ve doğruluk için tartışmasız yeni standarttır.

Bugün yeni bir bilgisayarlı görü projesine başlıyorsan, YOLO26 önerilen mimaridir. Birkaç çığır açan yeniliği bünyesinde barındırarak seleflerinin mirasının üzerine inşa edilmiştir:

• Uçtan Uca NMS-Free Tasarım: YOLOv10'dan ilham alan YOLO26, NMS sonrası işlemeyi yerel olarak ortadan kaldırarak deterministik gerçek zamanlı robotik için ultra düşük gecikmeli çıkarım sağlar.
• 43%'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) modülünü stratejik olarak kaldırarak, YOLO26 GPU olmayan uç bilişim donanımlarında yürütmeyi önemli ölçüde hızlandırır ve onu IoT cihazları için bir güç merkezi haline getirir.
• MuSGD Optimize Edici: Son büyük dil modeli eğitim yeniliklerinden esinlenen YOLO26, eğitim yollarını dengeleyen ve daha hızlı yakınsama garanti eden SGD ve Muon hibritini içerir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, eski YOLO nesillerindeki tarihsel bir zayıflığın üstesinden gelerek küçük nesne tanımada kayda değer iyileştirmeler sağlar.
• Eşsiz Çok Yönlülük: YOLO26, poz takibi için Residual Log-Likelihood Estimation (RLE) ve hava görüntülerinde hassas OBB algılama için özel açı kayıpları gibi yerel, göreve özel optimizasyonlar içerir.

Hız, doğruluk ve dağıtım basitliğinin nihai dengesini arayan mühendisler için, eski modellerden YOLO26'ya geçiş, anında ve ölçülebilir bir rekabet avantajı sağlar.