YOLOv7 ve YOLOv8#

Bilgisayarlı görüdeki hızlı gelişim, geliştiriciler ve araştırmacılar için güçlü araçlardan oluşan bir dizi ortaya çıkardı. Bir nesne tespiti boru hattı için doğru mimariye karar verirken, köklü modelleri karşılaştırmak esastır. Bu teknik kılavuz, en etkili iki modelin mimarilerini, performans metriklerini ve ideal kullanım durumlarını derinlemesine inceliyor: YOLOv7 ve Ultralytics YOLOv8.

Mimariyi Tanıma#

Her iki model de performansta önemli sıçramaları temsil ediyor, ancak derin sinir ağlarını optimize etme zorluğuna farklı yapısal felsefelerle yaklaşıyorlar.

YOLOv7: Bag-of-Freebies'in Öncüsü#

2022 ortalarında tanıtılan YOLOv7, üst düzey donanımlarda gerçek zamanlı algılamanın sınırlarını zorlamak için mimari gradyan yolu optimizasyonuna ve "eğitilebilir bedava özellikler" (trainable bag-of-freebies) kavramına yoğun bir şekilde odaklandı.

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• Belgeler: Ultralytics YOLOv7 Documentation

Mimari Öne Çıkanları: YOLOv7 temel olarak çapa tabanlı bir tespit başlığı kullanır (çapa içermeyen dallarla denemeler yapmış olmasına rağmen) ve Genişletilmiş Verimli Katman Birleştirme Ağları'nı (E-ELAN) sunar. Bu tasarım, orijinal gradyan yolunu bozmadan ağın öğrenme yeteneğini geliştirir. Sunucu sınıfı GPU'lerde olağanüstü performans göstererek onu ağır hizmet tipi video analitiği için son derece uygun hale getirir.

Güçlü ve Zayıf Yönler: YOLOv7 özel donanımda mükemmel gecikme süreleri elde ederken, ekosistemi oldukça parçalıdır. Eğitim, karmaşık komut satırı argümanları, manuel depo klonlama ve PyTorch içinde sıkı bağımlılık yönetimi gerektirir. Dahası, eğitim sırasındaki bellek gereksinimleri tüketici donanımında engelleyici olabilir.

YOLOv7 hakkında daha fazla bilgi edinin

Ultralytics YOLOv8: Çok Yönlü Standart#

2023 başlarında yayınlanan YOLOv8, geliştirici deneyimini tamamen yeniden tanımlayarak sadece son teknoloji doğruluğa değil, birleşik, üretime hazır bir çerçeve sunmaya odaklandı.

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2023-01-10
• GitHub: ultralytics/ultralytics
• Platform: Ultralytics YOLOv8

Mimari Öne Çıkanları: YOLOv8, MS COCO dataset veya özel veri dağıtımlarına göre çapa kutularını manuel olarak yapılandırma ihtiyacını ortadan kaldıran, yerel olarak çapa içermeyen bir tespit başlığı tanıttı. Gradyan akışını iyileştirmek için C2f modülünü içerir ve nesnelliği, sınıflandırmayı ve regresyon görevlerini ayıran ayrıştırılmış bir başlık yapısı kullanır. Bu durum yakınsamayı büyük ölçüde hızlandırır ve doğruluğu artırır.

Güçlü ve Zayıf Yönler: YOLOv8, olağanüstü bir Bellek Gereksinimi verimliliğine sahiptir. YOLOv7 ve daha ağır transformer modellerine kıyasla eğitim sırasında önemli ölçüde daha az CUDA belleği gerektirir, bu da geliştiricilerin daha büyük grup boyutları kullanmasına olanak tanır. Birincil gücü örnek bölütleme, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) yerel olarak desteklemesindeki Çok Yönlülüğünde yatar. Tek küçük dezavantajı, yalnızca YOLOv7 tensörleri için oluşturulmuş son derece özelleştirilmiş eski boru hatlarının kısa bir yeniden düzenleme süresi gerektirebilmesidir.

YOLOv8 hakkında daha fazla bilgi edinin

Ayrıntılı Performans Karşılaştırması#

Aşağıdaki tablo, temel model boyutlarındaki performans metriklerini parçalara ayırır. YOLOv8'in, uç cihazlarda hızlı çıkarım için yoğun bir şekilde optimize ederken dünya standartlarında doğruluğu koruyarak elde ettiği belirgin Performans Dengesine dikkat et.

Not: YOLOv8x bu gruptaki en yüksek mAP'ye ulaşırken, YOLOv8n parametre verimliliği ve çıkarım hızında hakimiyet kurarak onu uç AI cihazlarında bilgisayarlı görü dağıtımı için tartışmasız şampiyon yapar.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Kullanım Kolaylığı söz konusu olduğunda, Ultralytics YOLOv8 kendi liginde faaliyet gösterir. YOLOv7 gibi eski mimariler, veri kümelerini ve yolları yapılandırmak için belirli depoları klonlamayı ve ayrıntılı komut satırı betikleri çalıştırmayı gerektirir.

Buna karşılık, YOLOv8'in ultralytics paketi son derece akıcı bir geliştirici deneyimi sunar. Eğitim Verimliliği, otomatik veri indirme, kullanıma hazır ön eğitilmiş ağırlıklar ve ONNX ve TensorRT gibi formatlara kusursuz dışa aktarma yetenekleri sayesinde maksimize edilir.

İşte Ultralytics Python API'sini kullanarak ne kadar kolay yükleme yapabileceğin, eğitim verebileceğin ve çıkarım çalıştırabileceğin:

from ultralytics import YOLO

# Load a pretrained YOLOv8 nano model
model = YOLO("yolov8n.pt")

# Train the model efficiently on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
predictions[0].show()

İdeal Kullanım Senaryoları#

Bu mimariler arasında seçim yapmak genellikle dağıtım ortamının özel kısıtlamalarına dayanır.

Ne Zaman YOLOv7 Seçilmeli#

• Eski Kıyaslama: 2022'nin mimari standartlarına karşı karşılaştırma yapmak için sabit bir temele ihtiyaç duyan araştırmacılar için uygundur.
• Önceden Var Olan Ağır Altyapı: YOLOv7'nin özel tensör yapılandırmalarının eski bir C++ hattına derinlemesine gömülü olduğu NVIDIA V100 veya A100 GPU'larına yoğun yatırım yapmış ortamlar.

YOLOv8 Ne Zaman Seçilmeli#

• Platformlar Arası Üretim: Bulut GPU'ları, mobil cihazlar ve tarayıcılar arasında sorunsuz bir şekilde dağıtım yapması gereken ekipler için idealdir.
• Çoklu Görev Gereksinimleri: Projenizin sınırlayıcı kutuların ötesine geçmesi ve zengin örnek bölütleme maskeleri veya poz anahtar noktalarından yararlanması gerekiyorsa.
• Kaynak Kısıtlı Uç (Edge): YOLOv8 Nano (yolov8n), robotik, dronlar ve IoT sensörleri için inanılmaz doğruluk-hız oranları sağlar.

İleriye Bakış: YOLO26'ya Nesilsel Sıçrama#

YOLOv8 son derece sağlam bir seçenek olmaya devam ederken, bilgisayarlı görü alanı hızla ilerlemektedir. Tamamen yeni, yüksek performanslı projeler başlatan geliştiriciler için Ultralytics kısa süre önce yapay zeka modellerinin bir sonraki evrimini tanıttı. Hem derinlemesine geliştirilmiş YOLO11 modelini hem de yeni yayınlanan YOLO26 modelini keşfetmeniz şiddetle tavsiye edilir.

Ocak 2026'da yayınlanan YOLO26, uç cihazlarda mümkün olanın sınırlarını zorlar:

• Uçtan Uca NMS'siz Tasarım: YOLO26 yerel olarak uçtan uca olup, Maksimum Olmayan Bastırma (NMS) sonrası işlemeyi tamamen ortadan kaldırır. Bu, geleneksel yoğun tahmin modellerinin gecikme darboğazları olmadan önemli ölçüde daha hızlı, daha basit dağıtım hatları sağlar.
• DFL Kaldırma: Dağılım Odak Kaybı (Distribution Focal Loss) kaldırılarak, YOLO26 çok daha basit model dağıtım seçenekleri ve üstün uç uyumluluğu elde eder.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Raspberry Pi ve gömülü sistemler gibi kısıtlı ortamlar için yoğun bir şekilde optimize edilmiş olup, CPU veriminde önceki tüm nesilleri geride bırakır.
• MuSGD Optimize Edici: Büyük Dil Modeli (LLM) eğitim paradigmalarından ilham alan YOLO26, SGD ve Muon'un bir hibritini içerir. Bu, benzeri görülmemiş bir eğitim kararlılığı ve ışık hızında yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri, otomatik tarım ve robotik için çok kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.

İster YOLOv8 ile devasa video analitiği kümelerine ölçekleniyor olun ister son teknoloji YOLO26 ile çıkarımı küçük uç cihazlara taşıyor olun, Ultralytics Platform tüm yapay zeka yaşam döngünüzü sorunsuz bir şekilde yönetmeniz için gereken araçları sağlar.