Ultralytics YOLO27:

YOLOv7 ve YOLOv6-3.0#

Bilgisayarlı görü alanı sürekli gelişiyor; yeni nesne algılama modelleri hız ve doğruluk sınırlarını sürekli zorluyor. Bu yolculuktaki iki önemli dönüm noktası YOLOv7 ve YOLOv6-3.0'dır. Her iki model de gerçek dünya uygulamalarında verimi ve kesinliği en üst düzeye çıkarmak üzere tasarlanmış özgün mimari yenilikler sundu. Bu sayfa, bilinçli bir karar vermene ve sonraki yapay zekâ projen için en uygun modeli seçmene yardımcı olmak amacıyla her iki mimarinin performansını, eğitim yöntemlerini ve ideal kullanım alanlarını ayrıntılı bir teknik analizle karşılaştırır.

YOLOv7: Ücretsiz Avantajların Öncüsü#

2022'nin ortalarında yayımlanan YOLOv7, çıkarım maliyetini artırmadan ağ mimarisini optimize etmek için çeşitli yenilikçi stratejiler sundu. Gerçek zamanlı performansı korurken doğruluğu artırmak için eğitilebilir "ücretsiz avantajlar paketi" yaklaşımına büyük ölçüde odaklandı.

Mimari Öne Çıkanlar#

YOLOv7, Genişletilmiş Verimli Katman Birleştirme Ağı (E-ELAN) ile karakterize edilir. Bu mimari, en kısa ve en uzun gradyan yollarını kontrol ederek modelin daha çeşitli özellikler öğrenmesini sağlar. Ayrıca YOLOv7, evrişim katmanlarını birleştirmek için çıkarım sırasında yapısal yeniden parametrelendirme tekniklerinden yararlanır; bu sayede öğrenilen temsillerden ödün vermeden parametre sayısını ve işlem süresini etkili bir şekilde azaltır.

Model ayrıca özgün bir yardımcı başlık eğitim stratejisine sahiptir. YOLOv7, nihai tahminler için bir "ana başlık" ve orta katmanlarda eğitimi yönlendirmek için bir "yardımcı başlık" kullanarak daha iyi yakınsama ve daha zengin özellik çıkarımı elde eder. Bu yaklaşım, özellikle zorlu nesne algılama görevlerinde faydalıdır.

YOLOv7 hakkında daha fazla bilgi edin

YOLOv6-3.0: Endüstriyel Düzeyde Verim#

Meituan Görsel Yapay Zekâ Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle "endüstriyel uygulamalar için yeni nesil nesne algılayıcı" olarak tasarlandı. 2023'ün başlarında yayımlanan model, özellikle NVIDIA GPU'larında donanım kullanımını en üst düzeye çıkarmaya odaklanır.

Mimari Öne Çıkanlar#

YOLOv6-3.0, GPU'larda paralel işleme için yüksek düzeyde optimize edilmiş bir EfficientRep omurgası kullanır. Bu sayede büyük ölçekli toplu işleme için son derece verimli hâle gelir. 3.0 sürümü, farklı ölçeklerde özellik birleştirmeyi geliştirmek ve modelin farklı boyutlardaki nesneleri algılama yeteneğini artırmak üzere boyun bölümüne Çift Yönlü Birleştirme (BiC) modülü ekledi.

Ayrıca YOLOv6-3.0, Çapa Destekli Eğitim (AAT) stratejisinden yararlanır. Bu yenilikçi yaklaşım, çapa tabanlı eğitimin avantajlarını çapasız çıkarımla birleştirir. Böylece model, öğrenme aşamasında çapaların kararlılığından yararlanırken dağıtım sırasında çapasız tasarımın hızını ve yalınlığını korur.

YOLOv6 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Modelleri üretim ortamı için değerlendirirken doğruluğu (mAP), çıkarım hızını ve hesaplama yükünü (FLOPs) dengelemek kritik öneme sahiptir. Aşağıda her iki modelin standart varyantlarının ayrıntılı bir karşılaştırması yer alıyor.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
Donanım Hususları

YOLOv6-3.0, yüksek verimli GPU ortamları (örneğin TensorRT) için son derece uygundur; YOLOv7 ise özelliklerin korunmasına büyük öncelik verilen sistemlerde güçlü bir denge sunar.

Ultralytics Avantajı#

YOLOv7 ve YOLOv6-3.0 için bağımsız depolar güçlü olsa da bunları Ultralytics ekosistemi içinde kullanmak geliştirici deneyimini dönüştürür. ultralytics Python paketi, bu farklı mimarileri sezgisel bir çatı altında standartlaştırır.

  • Kullanım Kolaylığı: Karmaşık kurulum betiklerinin dönemi sona erdi. Ultralytics API'si, minimum miktarda tekrarlayan kodla YOLOv7 veya YOLOv6 modellerini yüklemene, eğitmene ve dağıtmana olanak tanır. Yalnızca model ağırlıkları dosyasını değiştirerek mimariler arasında kolayca geçiş yapabilirsin.
  • İyi Bakımı Yapılan Ekosistem: Ultralytics, sık güncellemelerle desteklenen güçlü bir ortam sunarak en yeni PyTorch dağıtımları ve CUDA sürümleriyle yerel uyumluluğu güvence altına alır.
  • Eğitim Verimliliği: Eğitim işlem hatları, GPU kaynaklarını etkili biçimde kullanmak üzere derinlemesine optimize edilmiştir. Ayrıca Ultralytics YOLO modelleri, eğitim sırasında genellikle ağır Transformer tabanlı modellere (örneğin RT-DETR) kıyasla daha az bellek gerektirir ve tüketici sınıfı donanımlarda daha büyük toplu iş boyutlarının kullanılmasını sağlar.
  • Çok Yönlülük: Standart sınırlayıcı kutu algılamaya ek olarak Ultralytics çatısı, uyumlu model ailelerinde poz tahmini ve örnek bölütleme gibi gelişmiş görevleri sorunsuz biçimde destekler. Bu özellik, bağımsız araştırma depolarında çoğu zaman bulunmaz.

Kod Örneği: Eğitim ve Çıkarım#

Bu modelleri Python işlem hattına entegre etmek oldukça kolaydır. Veri kümenin doğru biçimlendirildiğinden (örneğin standart COCO biçiminde) emin ol ve aşağıdakini çalıştır:

from ultralytics import YOLO

# Load a pretrained YOLOv7 model (or 'yolov6n.pt' for YOLOv6)
model = YOLO("yolov7.pt")

# Train the model with built-in hyperparameter management
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image URL or local path
predictions = model("https://ultralytics.com/images/bus.jpg")

# Visualize the detection results
predictions[0].show()

İdeal Kullanım Alanları#

YOLOv7 Ne Zaman Seçilmeli#

YOLOv7, yüksek doğruluk ve yoğun özellik çıkarımı gerektiren senaryolarda üstün performans gösterir.

  • Karmaşık Gözetim: Ayrıntıları ince düzeyde koruyabilmesi, modeli kalabalık sahneleri izlemek veya akıllı şehir altyapısındaki küçük anormallikleri algılamak için uygun hâle getirir.
  • Akademik Karşılaştırma: Kapsamlı "ücretsiz avantajlar" tasarım felsefesi sayesinde araştırmalarda güçlü bir temel model olarak sıklıkla kullanılır.

YOLOv6-3.0 Ne Zaman Seçilmeli?#

YOLOv6-3.0, yüksek hacimli ve GPU hızlandırmalı işlem hatlarının iş gücüdür.

  • Endüstriyel Otomasyon: Sunucu sınıfı GPU'ların birden fazla video akışını eş zamanlı işlediği fabrika hatları ve üretim kusuru algılama için mükemmeldir.
  • Yüksek Verimli Analitik: Saniyedeki kare sayısını en üst düzeye çıkarmanın temel hedef olduğu çevrim dışı video arşivlerini işlemek için mükemmeldir.

Gelecek: YOLO26#

YOLOv7 ve YOLOv6-3.0 son derece yetenekli olsa da yapay zekâ yeniliklerinin hızlı temposu daha da yüksek verimlilik gerektiriyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, eski mimarilerin sınırlamalarını sistematik olarak ele alarak bilgisayarlı görüde nesil atlayan bir ilerlemeyi temsil ediyor.

Yeni bir projeye başlıyorsan önceki nesiller yerine YOLO26 kesinlikle önerilir. Model, çığır açan çeşitli özellikler sunar:

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından atılan temeller üzerine inşa edilen YOLO26, Maksimum Olmayan Bastırmayı (NMS) yerel olarak ortadan kaldırır. Bu, son işleme yükünü azaltır, mobil uygulamalara dağıtımı basitleştirir ve son derece deterministik, düşük gecikmeli çıkarım sağlar.
  • MuSGD Optimize Edicisi: Moonshot AI'ın Kimi K2'sinde kullanılanlar gibi gelişmiş LLM eğitim tekniklerinden ilham alan YOLO26, SGD ve Muon'u birleştiren hibrit bir optimize edici kullanır. Bu, daha kararlı eğitim dinamikleri ve çok daha hızlı yakınsama sağlar.
  • CPU Çıkarımında %43'e Kadar Daha Hızlı: YOLO26, Dağılımsal Odak Kayıbını (DFL) stratejik olarak kaldırarak CPU'larda büyük hız artışları elde eder. Bu, onu Raspberry Pi ve uzak IoT sensörleri gibi uç ortamlar için tartışmasız en iyi seçenek hâline getirir.
  • ProgLoss + STAL: Tek aşamalı algılayıcıların tarihsel zayıflığı olan küçük nesne tanıma performansını geliştirmek üzere özel olarak tasarlanmış gelişmiş kayıp işlevleri.

Bu yenilikleri güçlü Ultralytics Platformu ile birleştiren YOLO26, modern makine öğrenimi mühendisi için eşsiz performans, çok yönlülük ve dağıtım kolaylığı sunar.

Katkıda Bulunanlar
GLglenn-jocher16

Yorumlar