YOLOv7 ve YOLOv8#

Bilgisayarlı görünün hızlı gelişimi, geliştiriciler ve araştırmacılar için bir dizi güçlü araç ortaya çıkardı. Bir nesne algılama işlem hattı için doğru mimariye karar verirken, kendini kanıtlamış modelleri karşılaştırmak önemlidir. Bu teknik kılavuz, son derece etkili iki modelin (YOLOv7 ve Ultralytics YOLOv8) mimarilerini, performans ölçütlerini ve ideal kullanım alanlarını ayrıntılı olarak inceliyor.

Mimarilere Giriş#

Her iki model de performansta önemli ilerlemeler sunuyor; ancak derin sinir ağlarını optimize etme sorununa farklı yapısal yaklaşımlarla çözüm getiriyorlar.

YOLOv7: Ücretsiz Avantajlar Çantasının Öncüsü#

2022'nin ortalarında tanıtılan YOLOv7, mimaride gradyan yolu optimizasyonuna ve ileri teknoloji donanımlarda gerçek zamanlı algılamanın sınırlarını zorlamak için kullanılan "eğitilebilir ücretsiz avantajlar paketi" kavramına yoğunlaştı.

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

Mimari Öne Çıkanlar: YOLOv7, öncelikli olarak çapa tabanlı bir algılama başlığı kullanır (çapasız dalları da denemiştir) ve Genişletilmiş Verimli Katman Toplama Ağlarını (E-ELAN) sunar. Bu tasarım, özgün gradyan yolunu bozmadan ağın öğrenme becerisini geliştirir. Sunucu sınıfı GPU'larda olağanüstü performans göstererek yoğun video analitiği için son derece uygun hâle gelir.

Güçlü ve Zayıf Yönler: YOLOv7 özel donanımlarda mükemmel gecikme değerlerine ulaşsa da ekosistemi oldukça parçalıdır. Eğitim için karmaşık komut satırı argümanları, depoyu elle klonlama ve PyTorch bağımlılıklarının sıkı biçimde yönetilmesi gerekir. Ayrıca eğitim sırasındaki bellek gereksinimleri, tüketici donanımlarında karşılanamayacak düzeyde olabilir.

YOLOv7 hakkında daha fazla bilgi edin

Ultralytics YOLOv8: Çok Yönlü Standart#

2023'ün başlarında yayımlanan YOLOv8, yalnızca son teknoloji doğruluğa değil, birleşik ve üretime hazır bir çerçeve sunmaya da odaklanarak geliştirici deneyimini baştan tanımladı.

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

Mimari Öne Çıkanlar: YOLOv8, yerel olarak çapasız bir algılama başlığı sunarak MS COCO veri kümesine veya özel veri dağılımlarına göre çapa kutularını elle yapılandırma gereksinimini ortadan kaldırdı. Gradyan akışını iyileştirmek için C2f modülünü içerir ve sınıflandırma ile regresyon görevlerini birbirinden ayıran ayrık bir başlık yapısı kullanır. Bu, yakınsamayı önemli ölçüde hızlandırır ve doğruluğu artırır.

Güçlü ve Zayıf Yönler: YOLOv8, Bellek Gereksinimleri açısından olağanüstü verimlidir. Eğitim sırasında YOLOv7'ye ve daha ağır transformer modellerine kıyasla çok daha az CUDA belleği gerektirir; böylece geliştiriciler daha büyük toplu iş boyutları kullanabilir. Başlıca gücü Çok Yönlülüğüdür; yerel olarak örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler. Tek küçük dezavantajı, yalnızca YOLOv7 tensörleri için oluşturulmuş son derece özelleşmiş eski işlem hatlarında kısa bir yeniden düzenleme süresinin gerekebilmesidir.

Ayrıntılı Performans Karşılaştırması#

Aşağıdaki tabloda temel model boyutlarına göre performans ölçütleri ayrıntılandırılıyor. YOLOv8'in dünya standartlarında doğruluğu korurken uç cihazlarda hızlı çıkarım için yoğun biçimde optimize ederek sağladığı belirgin Performans Dengesine dikkat et.

Not: Bu grupta en yüksek mAP değerine YOLOv8x ulaşırken, parametre verimliliği ve çıkarım hızıyla YOLOv8n öne çıkıyor; bu da onu bilgisayarlı görüyü uç yapay zekâ cihazlarında dağıtma konusunda tartışmasız şampiyon yapıyor.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Kullanım Kolaylığı söz konusu olduğunda Ultralytics YOLOv8 kendi başına bir kategoride yer alır. YOLOv7 gibi eski mimariler, veri kümelerini ve yolları yapılandırmak için belirli depoların klonlanmasını ve ayrıntılı komut satırı betiklerinin çalıştırılmasını gerektirir.

Buna karşılık YOLOv8'in ultralytics paketi, geliştiricilere son derece akıcı bir deneyim sunar. Otomatik veri indirme, kullanıma hazır önceden eğitilmiş ağırlıklar ve ONNX ile TensorRT gibi biçimlere sorunsuz dışa aktarma özellikleri, Eğitim Verimliliğini en üst düzeye çıkarır.

Ultralytics Python API'sini kullanarak modeli yüklemek, eğitmek ve çıkarım çalıştırmak ne kadar kolay, şöyle görebilirsin:

from ultralytics import YOLO

# Önceden eğitilmiş YOLOv8 nano modelini yükle
model = YOLO("yolov8n.pt")

# COCO8 veri kümesinde modeli verimli bir şekilde eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Bir test görüntüsünde hızlı çıkarım çalıştır
predictions = model("https://ultralytics.com/images/bus.jpg")

# Tahminleri görüntüle
predictions[0].show()

İdeal Kullanım Alanları#

Bu mimariler arasındaki seçim genellikle dağıtım ortamının belirli kısıtlarına bağlıdır.

YOLOv7 Ne Zaman Seçilmeli#

• Eski Nesil Karşılaştırma Ölçütleri: 2022'nin mimari standartlarıyla karşılaştırmak için sabit bir temel modele ihtiyaç duyan araştırmacılara uygundur.
• Mevcut Ağır Altyapı: YOLOv7'nin belirli tensör yapılandırmalarının eski bir C++ işlem hattına derinlemesine gömülü olduğu ve NVIDIA V100 veya A100 GPU'larına yoğun yatırım yapılmış ortamlar.

YOLOv8'i Ne Zaman Seçmeli?#

• Platformlar Arası Üretim: Bulut GPU'ları, mobil cihazlar ve tarayıcılar arasında sorunsuz dağıtım yapması gereken ekipler için idealdir.
• Çoklu Görev Gereksinimleri: Projenin sınırlayıcı kutuların ötesine geçmesi, kapsamlı örnek segmentasyon maskelerinden veya poz anahtar noktalarından yararlanması gerekiyorsa.
• Kaynakları Kısıtlı Uç Cihazlar: YOLOv8 Nano (yolov8n), robotik, dronlar ve IoT sensörleri için olağanüstü doğruluk-hız oranları sunar.

Geleceğe Bakış: YOLO26'ya Nesil Atlayışı#

YOLOv8 son derece sağlam bir seçenek olmaya devam etse de bilgisayarlı görü alanı hızla ilerliyor. Tamamen yeni, yüksek performanslı projelere başlayan geliştiriciler için Ultralytics kısa süre önce yapay zekâ modellerinin bir sonraki evrimini tanıttı. Derinlemesine geliştirilmiş YOLO11 ve yeni yayımlanan YOLO26 modellerini incelemen önemle tavsiye edilir.

Ocak 2026'da yayımlanan YOLO26, uç cihazlarda mümkün olanın sınırlarını zorluyor:

• Uçtan Uca NMS İçermeyen Tasarım: YOLO26, isteğe bağlı bire bir başlığıyla (nms=False) yerel uçtan uca çıkarımı destekler ve Maksimum Olmayan Bastırma (NMS) son işlemesini atlar. Bu, geleneksel yoğun tahmin modellerindeki gecikme darboğazlarını ortadan kaldırarak dağıtım işlem hatlarını önemli ölçüde hızlandırır ve basitleştirir.
• DFL'nin Kaldırılması: Distribution Focal Loss'u kaldıran YOLO26, çok daha basit model dağıtım seçenekleri ve üstün uç uyumluluğu sunar.
• CPU Çıkarımında %43'e Kadar Daha Hızlı: Raspberry Pi ve gömülü sistemler gibi kısıtlı ortamlar için yoğun biçimde optimize edilmiştir ve CPU veriminde önceki tüm nesilleri geride bırakır.
• MuSGD Optimizer: Büyük Dil Modeli (LLM) eğitim paradigmalarından esinlenen YOLO26, SGD ile Muon'un hibritini içerir. Bu, benzeri görülmemiş bir eğitim kararlılığı ve ışık hızında yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, havadan görüntüleme, otomatik tarım ve robotik için son derece kritik olan küçük nesne tanımada kayda değer iyileşmeler sağlar.

YOLOv8 ile devasa video analitiği kümelerini ölçeklendiriyor veya en yeni YOLO26 ile çıkarımı minik uç cihazlara taşıyor ol, Ultralytics Platformu tüm yapay zekâ yaşam döngünü sorunsuzca yönetmen için gerekli araçları sunar.