YOLOv7 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.
Modellere Giriş#
Bu modellerin her ikisi de yapay zeka tarihinde önemli kilometre taşlarını temsil etse de, nesne algılama zorluklarını çözmek için temelden farklı yaklaşımlar sergiliyorlar.
YOLOv7: Bag-of-Freebies'in Öncüsü#
6 Temmuz 2022'de Institute of Information Science, Academia Sinica araştırmacıları Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından yayınlanan YOLOv7, sinir ağlarının nasıl optimize edildiği konusunda bir paradigma değişimi başlattı. Akademik makalelerinde detaylandırılan ve resmi GitHub deposunda barındırılan orijinal araştırma, mimari yeniden parametrelendirmeye ve eğitilebilir bir "bedava özellikler paketine" (bag-of-freebies) yoğun bir şekilde odaklandı.
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
YOLOv10: Gerçek Zamanlı Uçtan Uca Algılama#
Ao Wang ve Tsinghua University'ndeki ekibi tarafından geliştirilen YOLOv10, 23 Mayıs 2024'te yayınlandı. Arxiv yayını ve Tsinghua GitHub deposunda detaylandırıldığı gibi bu model, nesne tespiti alanındaki uzun soluklu bir dar boğazı 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
Performans 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.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
Dengeleri Analiz Etme#
Yukarıdaki metrikler, nesiller arası keskin bir farkı ortaya koyuyor. YOLOv7x, 53.1%'lik çok güçlü bir mAPval 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.
Gerçek Dünya Kullanım Durumları#
Bu modeller arasındaki mimari farklılıklar, optimum kullanım durumlarını belirler.
YOLOv7 Ne Zaman Kullanılır?#
Zengin özellik temsili sayesinde YOLOv7, son derece karmaşık ortamlarda üstündür. Yoğun kentsel alanlarda trafik akışını izleme, uydu görüntüsü analizi veya ağır üretim otomasyonundaki kusurları belirleme gibi kullanım senaryoları, güçlü yapısal yeniden parametrelendirmesinden faydalanır. Aynı zamanda, belirli PyTorch 1.12 boru hatlarıyla halihazırda derinlemesine entegre edilmiş eski ortamlarda da oldukça fazla tercih edilir.
YOLOv10 Ne Zaman Kullanılır?#
YOLOv10'un NMS içermeyen, hafif tasarımı kısıtlı ortamlarda parıldar. NVIDIA Jetson Nano veya Raspberry Pi gibi uç bilişim cihazları için şiddetle tavsiye edilir. Düşük gecikme süreli performansı, spor analitiği, otonom drone navigasyonu ve konveyör bantları üzerinde yüksek hızlı robotik ayıklama gibi hızlı hareket eden uygulamalar için onu mükemmel kılar.
Ultralytics Ekosistemi Avantajı#
Her iki modelin de güçlü akademik kökleri olsa da, gerçek potansiyelleri birleştirilmiş Ultralytics Platform içinde kullanıldıklarında açığa çıkar. Sıfırdan bilgisayarlı görü modelleri geliştirmek kötü bir üne sahip olacak kadar 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 Bakımı Yapılan Ekosistem: Ultralytics, alttaki kodun aktif olarak geliştirilmesini garanti eder. Kullanıcılar, günlük kaydı için Weights & Biases veya hızlı web demoları için Hugging Face gibi popüler ML araçlarıyla kusursuz entegrasyonlardan faydalanır.
- Bellek Gereksinimleri: Transformer tabanlı nesne dedektörleri genellikle eğitim sırasında devasa miktarda CUDA belleği tüketir. Buna karşılık, Ultralytics YOLO modelleri çok daha az bellek gerektirir ve tüketici sınıfı donanımlarda çok daha büyük parti boyutlarına olanak tanır.
- Çok yönlülük: Ultralytics işlem hattı standart sınırlayıcı kutularla sınırlı değildir. YOLO11 ve YOLOv8 gibi desteklenen model aileleri genelinde poz tahminini, örnek segmentasyonunu ve yönlendirilmiş sınırlayıcı kutuları sorunsuz bir şekilde destekler.
Kolaylaştırılmış 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")Kullanım Durumları ve Öneriler#
YOLOv7 ve YOLOv10 arasında seçim yapmak; özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Ne 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.
Ne 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 Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Gelecek: 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, önerilen mimari YOLO26'dır. Birkaç çığır açan yeniliği bünyesine katarak kendisinden öncekilerin mirasının üzerine inşa edilir:
- 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: Dağılım Odaklı Kayıp (DFL) modülü stratejik olarak kaldırılarak YOLO26, GPU olmayan uç bilişim donanımlarındaki yürütmeyi büyük 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.