Başla

YOLOv7 ve YOLOv10

Bilgisayarlı görü alanı son birkaç yılda hızla ilerledi ve YOLO (You Only Look Once) model ailesi gerçek zamanlı nesne algılamadaki gelişmelere öncülük etti. Bilgisayarlı görü projelerin için doğru mimariyi seçmek, mevcut seçenekleri net biçimde anlamayı gerektirir. Bu teknik karşılaştırma, iki önemli mimarinin temel farklarını ele alır: YOLOv7 ve YOLOv10.

Modellere Giriş#

Bu modellerin ikisi de nesne algılamada önemli dönüm noktalarını temsil eder, ancak nesne algılama zorluklarını çözmek için temelden farklı yaklaşımlar benimser.

YOLOv7: Ücretsiz Avantajlar Çantasının Öncüsü#

6 Temmuz 2022'de Academia Sinica Bilgi Bilimi Enstitüsü araştırmacıları Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından yayımlanan YOLOv7, gerçek zamanlı algılayıcıları optimize etmek için yeni yöntemler sundu. Akademik makalelerinde ayrıntılandırılan ve resmî GitHub depolarında barındırılan özgün araştırma, mimari yeniden parametreleştirmeye ve eğitilebilir bir "bedava avantajlar paketi"ne yoğun biçimde odaklandı.

YOLOv7, özgün gradyan yolunu bozmadan ağın çeşitli özellikleri öğrenmesine rehberlik etmek için genişletilmiş verimli katman toplama ağı (E-ELAN) kullanıyor. Bu özellikleriyle akademik araştırma kıyaslamaları ve standart üst düzey GPU'lara büyük ölçüde bağımlı sistemler için sağlam bir seçenek sunuyor.

YOLOv7 hakkında daha fazla bilgi edin

YOLOv10: Gerçek Zamanlı Uçtan Uca Algılama#

Ao Wang ve çalışma arkadaşları tarafından Tsinghua Üniversitesi'nde geliştirilen YOLOv10, 23 Mayıs 2024'te yayımlandı. arXiv yayınında ve Tsinghua GitHub deposunda ayrıntılı olarak açıklandığı üzere bu model, nesne tespitindeki uzun süredir devam eden bir darboğazı ortadan kaldırıyor: Maksimum Olmayan Bastırma (NMS).

YOLOv10, NMS gerektirmeyen eğitim için tutarlı ikili atamalar sunarak son işleme iş akışını değiştirdi. Verimlilik ve doğruluk odaklı bütüncül model tasarımı hesaplama tekrarını azaltır ve düşük gecikme gerektiren uç cihazlara uygun bir mimari ortaya çıkarır.

YOLOv10 hakkında daha fazla bilgi edin

NMS İçermeyen Mimari

YOLOv10'da Maksimum Olmayan Bastırma'nın (NMS) kaldırılması, modelin tamamının tek bir hesaplama grafiği olarak dışa aktarılmasını sağlar. Bu, TensorRT veya OpenVINO gibi çalışma zamanlarını kullanarak dağıtımı basitleştirir.

Performans ve Metrik Karşılaştırması#

Model performansını incelerken doğruluk, hız ve hesaplama yükü arasındaki ödünleşimleri değerlendirmek önemlidir. Aşağıdaki tablo, bu modellerin farklı boyutlarının birbiriyle nasıl karşılaştırıldığını gösterir.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

Ödünleşimlerin Analizi#

Yukarıdaki ölçümler, nesiller arasında belirgin bir fark olduğunu ortaya koyuyor. YOLOv7x, %53.1 mAPval50-95 ile güçlü bir sonuç verse de 71.3M parametre ve 189.9B FLOPs gerektirir. Buna karşılık YOLOv10l, parametrelerin yaklaşık üçte birini (24.4M) ve önemli ölçüde daha düşük FLOPs değerini (120.3B) gerektirirken bu doğruluk değerini aşar (%53.2 mAP). Ayrıca YOLOv10n, TensorRT ile T4 GPU üzerinde 1.84 ms'de çalışır; bu da onu gerçek zamanlı video analizi ve mobil uygulamalar için uygun kılar.

Gerçek Dünya Kullanım Senaryoları#

Bu modeller arasındaki mimari farklılıklar, her model için en uygun kullanım alanlarını belirliyor.

YOLOv7 Ne Zaman Kullanılmalı#

YOLOv7'nin zengin özellik temsili, GPU donanımında karmaşık sahneler için uygundur. Yoğun kentsel alanlarda trafik akışını izleme, uydu görüntülerini analiz etme veya ağır üretim otomasyonunda kusurları belirleme gibi kullanım alanları, yeniden parametreleştirilmiş mimarisinden yararlanabilir. Belirli PyTorch 1.x işlem hatları etrafında kurulmuş eski ortamlarda da yaygın olarak kullanılmaya devam eder.

YOLOv10 Ne Zaman Kullanılmalı#

YOLOv10'un NMS gerektirmeyen hafif tasarımı, NVIDIA Jetson modülleri veya Raspberry Pi gibi uç bilişim cihazları dahil olmak üzere kaynakları kısıtlı ortamlar için uygundur. Düşük gecikmeli performansı, spor analitiği, otonom drone navigasyonu ve konveyör bantlarında yüksek hızlı robotik ayıklama gibi hızlı hareket eden uygulamalar için iyi bir seçenek olmasını sağlar.

Ultralytics Ekosisteminin Avantajı#

Her iki model de güçlü akademik temellere sahip olsa da YOLOv10'u eğitmek ve dağıtıma almak en kolay şekilde Ultralytics ekosistemi ve Ultralytics Platform içinde yapılır. Bilgisayarlı görü modellerini sıfırdan geliştirmek zordur; Ultralytics ekosistemi, makine öğrenimi mühendislerinin iş akışını basitleştirir.

  • Kullanım Kolaylığı: Ultralytics Python API'si birleşik bir arayüz sunar. Modelleri yalnızca birkaç satır kodla eğitebilir, doğrulayabilir ve dışa aktarabilir; akademik depolarda sıkça görülen bağımlılık çakışmalarından kaçınabilirsin.
  • İyi Bakımı Yapılan Ekosistem: Ultralytics kod tabanı etkin biçimde geliştiriliyor ve kullanıcılar günlük kaydı için Weights & Biases veya hızlı web demoları için Gradio gibi popüler ML araçlarıyla entegrasyonlardan yararlanıyor.
  • Bellek Gereksinimleri: Transformer tabanlı nesne algılayıcıları, eğitim sırasında genellikle yüksek miktarda CUDA belleği kullanır. Buna karşılık Ultralytics YOLO modelleri çok daha az bellek gerektirir ve tüketici sınıfı donanımlarda çok daha büyük yığın boyutlarına olanak tanır.
  • Çok Yönlülük: Ultralytics işlem hattı, standart sınırlayıcı kutularla sınırlı değildir. Örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve YOLO11 ile YOLOv8 gibi desteklenen model ailelerinde yönlendirilmiş sınırlayıcı kutuları destekler.

Kolaylaştırılmış Eğitim Örneği#

Ultralytics ile bir eğitim işlem hattı çalıştırmak kolaydır. YOLOv10'un NMS gerektirmeyen hızından veya desteklenen başka bir modelden yararlanıyor olsan da söz dizimi tutarlıdır (Ultralytics paketinin YOLOv7 eğitimini desteklemediğini unutma):

from ultralytics import YOLO

# Tercih edilen modeli yükle (ör. YOLOv10 Nano)
model = YOLO("yolov10n.pt")

# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Örnek bir görüntü üzerinde çıkarım tahmini çalıştır
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# ONNX gibi uç cihazlara uygun bir biçime aktar
model.export(format="onnx")

Kullanım Alanları ve Öneriler#

YOLOv7 ile YOLOv10 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv7 Ne Zaman Seçilmeli#

YOLOv7 şu durumlar için güçlü bir seçenektir:

  • Akademik Kıyaslama: 2022 dönemi son teknoloji sonuçlarını yeniden üretmek veya E-ELAN ile eğitilebilir ücretsiz avantajlar paketi tekniklerinin etkilerini incelemek.
  • Yeniden Parametreleştirme Araştırması: Planlanan yeniden parametreleştirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
  • Mevcut Özel İşlem Hatları: YOLOv7'nin belirli mimarisi etrafında oluşturulmuş ve kolayca yeniden düzenlenemeyen, kapsamlı biçimde özelleştirilmiş işlem hatlarına sahip projeler.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlarda önerilir:

  • NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
  • Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
  • Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Gelecek: YOLO26 ile Tanış#

YOLOv7 ve YOLOv10 etkileyici kilometre taşları olsa da yapay zekânın sınırları sürekli ilerliyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, uç ve bulut dağıtımlarında verimlilik ve doğruluk için önerilen modeldir.

Bugün yeni bir bilgisayarlı görü projesine başlıyorsan önerilen mimari YOLO26'dır. YOLO26, önceki modellerin üzerine çeşitli yenilikler ekler:

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLOv10'dan esinlenen YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), NMS son işlemesini atlayarak gerçek zamanlı robotik uygulamalarında daha düşük ve daha tutarlı gecikme sağlar.
  • CPU Çıkarımında %43'e Varan Hız Artışı: Distribution Focal Loss (DFL) modülünü kaldırarak YOLO26, GPU olmayan uç donanımlarındaki çalışmayı hızlandırır. YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır ve bu da onu IoT cihazları için iyi bir seçenek hâline getirir.
  • MuSGD Optimizasyon Algoritması: Büyük dil modeli eğitimindeki son yeniliklerden esinlenen YOLO26, daha kararlı eğitim ve daha hızlı yakınsama için SGD ile Muon'un hibritini kullanır.
  • ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket ataması, küçük nesnelerin tanınmasını iyileştirerek eski YOLO nesillerinin tarihsel bir zayıflığını giderir.
  • Çoklu Görev Çok Yönlülüğü: YOLO26; algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve OBB görevlerini kapsar. Poz tahmini için Residual Log-Likelihood Estimation (RLE) ve hava görüntülerinde hassas OBB algılama için özel açı kayıpları gibi göreve özgü optimizasyonlar içerir.

Hız, doğruluk ve dağıtım kolaylığı arasında en iyi dengeyi arayan mühendisler için YOLO26, eski modellerden doğal bir yükseltme seçeneğidir.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.