YOLOv7 ve YOLOv10#
Bilgisayarlı görü alanı son birkaç yılda kayda değer ilerlemelere tanık oldu ve YOLO (Yalnızca Bir Kez Bak) model ailesi gerçek zamanlı nesne algılamada öncülük etti. Bilgisayarlı görü projelerin için doğru mimariyi seçmek, mevcut seçenekleri derinlemesine anlamanı gerektirir. Bu kapsamlı teknik karşılaştırmada, iki dönüm noktası niteliğindeki mimari arasındaki temel farkları inceleyeceğiz: YOLOv7 ve YOLOv10.
Modellere Giriş#
Bu iki model de yapay zekâ tarihindeki önemli dönüm noktalarını temsil ediyor; ancak nesne algılama zorluklarını çözmek için temelden farklı yaklaşımlar benimsiyor.
YOLOv7: Ücretsiz Avantajların Öncüsü#
6 Temmuz 2022'de, Institute of Information Science, Academia Sinica araştırmacıları Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından yayımlanan YOLOv7, sinir ağlarının optimize edilme biçiminde bir paradigma değişikliği başlattı. Akademik makalelerinde ayrıntıları verilen ve resmî GitHub depolarında yayımlanan özgün araştırma, mimari yeniden parametreleştirmeye ve eğitilebilir bir "bedavalar çantası" yaklaşımına büyük ölçüde odaklandı.
YOLOv7, özgün gradyan yolunu bozmadan ağın çeşitli özellikleri öğrenmesine rehberlik etmek için genişletilmiş verimli katman toplama ağı (E-ELAN) kullanır. Bu, onu akademik araştırma kıyaslamaları ve standart üst düzey GPU'lara büyük ölçüde bağımlı sistemler için sağlam bir seçenek hâline getirir.
YOLOv7 hakkında daha fazla bilgi edin
YOLOv10: Gerçek Zamanlı Uçtan Uca Algılama#
Ao Wang ve Tsinghua University'deki ekibi tarafından geliştirilen YOLOv10, 23 Mayıs 2024'te yayımlandı. arxiv makalesinde ve Tsinghua GitHub deposunda ayrıntıları verilen bu model, nesne algılamadaki uzun süredir devam eden bir darboğazı ortadan kaldırır: Maksimum Olmayan Bastırma (NMS).
YOLOv10, NMS'siz eğitim için tutarlı çiftli atamalar sunarak son işleme hattını temelden değiştirdi. Bütünsel, verimlilik-doğruluk odaklı bir model tasarım stratejisi uygulayan YOLOv10, hesaplama tekrarını azaltır. Bunun sonucunda, son derece düşük gecikme gerektiren uç cihazlar için özel olarak tasarlanmış bir mimari ortaya çıkar.
YOLOv10 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Model performansını analiz ederken kesinlik, hız ve hesaplama yükü arasındaki ödünleşimleri değerlendirmek kritik önem taşır. Aşağıdaki tablo, bu modellerin farklı boyutlarının birbiriyle nasıl karşılaştırıldığını gösterir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (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 |
Ödünleşimlerin Analizi#
Yukarıdaki metrikler nesiller arasında belirgin bir fark olduğunu ortaya koyuyor. YOLOv7x, 53.1% gibi oldukça güçlü bir mAPval değeri sunarken 71.3M parametre ve 189.9B FLOP gerektiriyor. Buna karşılık YOLOv10l, 53.3% mAP ile bu doğruluğu aşarken parametrelerin yarısından daha azını (29.5M) ve önemli ölçüde daha az FLOP'u (120.3B) gerektiriyor. Ayrıca, yüksek düzeyde optimize edilmiş YOLOv10n, 1.56 ms gibi şaşırtıcı bir çıkarım hızı sunarak gerçek zamanlı video analitiği ve mobil uygulamalar için ideal hâle geliyor.
Gerçek Dünya Kullanım Örnekleri#
Bu modeller arasındaki mimari farklılıklar, en uygun kullanım alanlarını belirler.
YOLOv7 Ne Zaman Kullanılmalı#
Zengin özellik temsili sayesinde YOLOv7, son derece karmaşık ortamlarda başarılıdır. Yoğun kentsel alanlarda trafik akışını izleme, uydu görüntülerini analiz etme veya ağır üretim otomasyonundaki kusurları belirleme gibi kullanım alanları, modelin sağlam yapısal yeniden parametreleştirmesinden yararlanır. Ayrıca belirli PyTorch 1.12 işlem hatlarıyla zaten kapsamlı biçimde entegre edilmiş eski sistem ortamlarında da büyük ölçüde tercih edilir.
YOLOv10 Ne Zaman Kullanılmalı#
YOLOv10'un NMS'siz, hafif tasarımı kısıtlı ortamlarda öne çıkar. NVIDIA Jetson Nano veya Raspberry Pi gibi uç bilişim cihazları için özellikle önerilir. Düşük gecikmeli performansı, spor analitiği, otonom drone navigasyonu ve taşıma bantlarında yüksek hızlı robotik ayıklama gibi hızlı hareket gerektiren uygulamalar için onu ideal hâle getirir.
Ultralytics Ekosisteminin Avantajı#
Her iki modelin de güçlü akademik temelleri olsa da gerçek potansiyelleri birleşik Ultralytics Platformu içinde kullanıldıklarında ortaya çıkar. Bilgisayarlı görü modellerini sıfırdan geliştirmek herkesçe bilindiği üzere zordur; ancak Ultralytics ekosistemi makine öğrenimi mühendisleri için eşi benzeri olmayan bir deneyim sunar.
- Kullanım Kolaylığı: Ultralytics Python API birleşik bir arayüz sağlar. Tipik akademik depolarla ilişkilendirilen karmaşık bağımlılık sorunlarından kaçınarak modelleri yalnızca birkaç satır kodla eğitebilir, doğrulayabilir ve dışa aktarabilirsin.
- İyi Korunan Ekosistem: Ultralytics, temel kodun etkin biçimde geliştirilmeye devam etmesini sağlar. Kullanıcılar günlük kaydı için Weights & Biases veya hızlı web demoları için Hugging Face gibi popüler makine öğrenimi araçlarıyla sorunsuz entegrasyonlardan yararlanır.
- Bellek Gereksinimleri: Transformer tabanlı nesne algılayıcılar eğitim sırasında genellikle çok büyük miktarda CUDA belleği tüketir. Buna karşılık Ultralytics YOLO modelleri çok daha az bellek gerektirir ve tüketici sınıfı donanımlarda çok daha büyük batch boyutlarına olanak tanır.
- Çok Yönlülük: Ultralytics işlem hattı standart sınırlayıcı kutularla sınırlı değildir. Desteklenen model aileleri arasında yer alan YOLO11 ve YOLOv8 gibi modellerde poz tahmini, örnek bölütleme ve yönlendirilmiş sınırlayıcı kutuları sorunsuz biçimde destekler.
Basitleştirilmiş Eğitim Örneği#
Ultralytics ile bir eğitim işlem hattı çalıştırmak son derece kolaydır. İster YOLOv7'nin tarihsel sağlamlığından ister YOLOv10'un NMS'siz hızından yararlanıyor ol, söz dizimi 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 Alanları ve Öneriler#
YOLOv7 ve YOLOv10 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
YOLOv7 Ne Zaman Seçilmeli#
YOLOv7 şu durumlar için güçlü bir seçenektir:
- Akademik Karşılaştırma: 2022 döneminin son teknoloji düzeyi sonuçlarını yeniden üretmek veya E-ELAN ile eğitilebilir ücretsiz avantajlar paketi tekniklerinin etkilerini incelemek.
- Yeniden Parametrelendirme Araştırması: Planlı yeniden parametrelendirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
- Mevcut Özel İş Akışları: Kolayca yeniden düzenlenemeyen, YOLOv7'nin belirli mimarisi etrafında oluşturulmuş ve yoğun biçimde özelleştirilmiş iş akışlarına sahip projeler.
YOLOv10 Ne Zaman Seçilmeli?#
YOLOv10 şu durumlar için önerilir:
- NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Dengesi: 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 (YOLO26) Ne Zaman Seçilmeli?#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:
- NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Gelecek: YOLO26 ile Tanış#
YOLOv7 ve YOLOv10 etkileyici dönüm noktaları olsa da yapay zekânın sınırları sürekli ilerliyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, tüm uç ve bulut dağıtım senaryolarında verimlilik ve doğruluk açısından tartışmasız yeni standarttır.
Bugün yeni bir bilgisayarlı görü projesine başlıyorsan YOLO26 önerilen mimaridir. Birkaç çığır açıcı yeniliği bünyesine katarak önceki modellerin mirasını ileri taşır:
- Uçtan Uca NMS'siz Tasarım: YOLOv10'dan ilham alan YOLO26, NMS son işlemesini yerel olarak ortadan kaldırarak deterministik gerçek zamanlı robotik uygulamalar için ultra düşük gecikmeli çıkarım sağlar.
- CPU Çıkarımında %43'e Kadar Daha Hızlı: Dağılımsal Odak Kayıp (DFL) modülünü stratejik olarak kaldıran YOLO26, GPU içermeyen uç bilişim donanımlarındaki yürütmeyi büyük ölçüde hızlandırır ve onu IoT cihazları için güçlü bir çözüm hâline getirir.
- MuSGD Optimize Edicisi: Yakın dönem büyük dil modeli eğitimi yeniliklerinden ilham alan YOLO26, SGD ve Muon'un bir bileşimini kullanarak eğitim yollarını kararlı hâle getirir ve daha hızlı yakınsamayı garanti eder.
- ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, küçük nesne tanımada dikkate değer iyileştirmeler sağlayarak eski YOLO nesillerinin tarihsel bir zayıflığını giderir.
- Eşsiz Çok Yönlülük: YOLO26, poz takibi için Artık Log-Olasılık Tahmini (RLE) ve hava görüntülerinde hassas OBB algılama için özel açı kayıpları gibi yerel, göreve özgü optimizasyonlara sahiptir.
En üstün hız, doğruluk ve dağıtım kolaylığı dengesini arayan mühendisler için eski modellerden YOLO26'ya geçiş, anında ve ölçülebilir bir rekabet avantajı sağlar.