Başla

YOLOv7 ve YOLOv8

Bilgisayarlı görü alanındaki hızlı gelişim, geliştiriciler ve araştırmacılar için birçok yetenekli araç ortaya çıkardı. Bir nesne algılama işlem hattı için mimari seçerken yerleşik modelleri karşılaştırmak çok önemlidir. Bu kılavuz, iki etkili modelin (YOLOv7 ve Ultralytics YOLOv8) mimarilerini, performans ölçütlerini ve ideal kullanım alanlarını inceliyor.

Mimarilere Giriş#

Her iki model de performansta önemli kazanımlar sağladı ancak derin sinir ağlarını optimize etmek için farklı tasarım yaklaşımları benimsiyor.

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.

Mimari Öne Çıkanlar: YOLOv7 çoğunlukla çapa tabanlı bir algılama başlığı kullanır (ancak çapadan bağımsız dalları da denemiştir) ve Genişletilmiş Verimli Katman Birleştirme Ağlarını (E-ELAN) tanıtır. Bu tasarım, özgün gradyan yolunu bozmadan ağın öğrenme yeteneğini iyileştirir. Sunucu sınıfı GPU'larda iyi performans göstererek onu yoğun video analitiği için uygun kılar.

Güçlü ve Zayıf Yönler: YOLOv7 özel donanımlarda düşük gecikme sağlasa da araçları daha az entegredir. Eğitim için depoyu klonlamak, PyTorch bağımlılıklarını elle yönetmek ve çok sayıda komut satırı argümanı geçirmek gerekir. Eğitim belleği gereksinimleri tüketici sınıfı donanımlar için yüksek olabilir.

YOLOv7 hakkında daha fazla bilgi edin

Ultralytics YOLOv8: Çok Yönlü Standart#

2023'ün başlarında yayımlanan YOLOv8, güçlü doğruluğu; eğitim, doğrulama ve dağıtım için birleşik, üretime hazır bir çerçeveyle bir araya getirdi.

Mimari Öne Çıkanlar: YOLOv8, yerel bir çapadan bağımsız 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 kullanır ve sınıflandırma ile regresyon görevlerini ayıran ayrıştırılmış bir başlık yapısı içerir; bu da yakınsamayı hızlandırır ve doğruluğu artırır.

Güçlü ve Zayıf Yönler: YOLOv8 bellek açısından verimlidir: eğitim sırasında genellikle YOLOv7'den veya daha ağır Transformer modellerinden daha az CUDA belleğine ihtiyaç duyar ve daha büyük yığın boyutlarına olanak tanır. Başlıca güçlü yanı çok yönlülüğüdür; örnek segmentasyonu, görüntü sınıflandırmasını, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) yerel olarak destekler. Başlıca dezavantajı, YOLOv7 çıktı tensörleri etrafında oluşturulan eski işlem hatlarının yeniden düzenlenmesinin gerekebilmesidir.

Ekosistem Avantajı

Ultralytics YOLOv8, etkin biçimde bakımı yapılan bir ekosistemin parçasıdır. Bağımsız araştırma depolarına kıyasla Python API'si, düzenli sürümleri ve topluluk desteği, yerel testten üretim dağıtımına geçişi hızlandırır.

Ayrıntılı Performans Karşılaştırması#

Aşağıdaki tabloda temel model boyutları için performans ölçütleri ayrıntılı olarak gösteriliyor. YOLOv8, uç cihazlara yönelik kompakt modellerden bu karşılaştırmada en yüksek doğruluğu sunan daha büyük modellere kadar geniş bir hız-doğruluk dengesi yelpazesini kapsar.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Not: Bu grupta en yüksek mAP değerine YOLOv8x ulaşırken en az parametreye ve en hızlı çıkarıma YOLOv8n sahiptir; bu da onu uç yapay zekâ cihazlarında bilgisayarlı görü dağıtımı için güçlü bir seçenek yapar.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Ultralytics YOLOv8, kolay kullanım için tasarlanmıştır. YOLOv7 gibi eski mimariler, veri kümelerini ve yolları yapılandırmak için belirli depoları klonlamayı ve uzun komut satırı betikleri çalıştırmayı gerektirir.

Buna karşılık YOLOv8'in ultralytics paketi; otomatik veri kümesi indirmeleri, kullanıma hazır önceden eğitilmiş ağırlıklar ve dışa aktarma desteği ile ONNX ve TensorRT gibi biçimler için yerleşik destek sunan kolaylaştırılmış bir iş akışı sağlar.

Aşağıdaki örnek, Ultralytics Python API'siyle bir modeli yükler, eğitir ve çıkarım çalıştırır:

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()
Deney Takibi

YOLOv8, Weights & Biases ve ClearML gibi popüler MLOps araçlarıyla entegre olur; böylece hiperparametre ayarlama sürecini ve eğitim ölçütlerini gerçek zamanlı izleyebilirsin.

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.
  • Önceden Kurulmuş Ağır Altyapı: YOLOv7'nin çıktı tensörlerinin eski bir C++ işlem hattına gömülü olduğu NVIDIA V100 veya A100 GPU'lar etrafında oluşturulmuş ortamlar.

YOLOv8'i Ne Zaman Seçmeli?#

  • Platformlar Arası Üretim: Bulut GPU'larına, mobil cihazlara ve tarayıcılara dağıtım yapması gereken ekipler için idealdir.
  • Çoklu Görev Gereksinimleri: Projen sınırlayıcı kutulara ek olarak örnek segmentasyon maskelerine veya poz anahtar noktalarına ihtiyaç duyuyorsa.
  • Kaynakları Kısıtlı Uç Cihazlar: YOLOv8 Nano (yolov8n), robotik, dronlar ve IoT cihazları için güçlü bir doğruluk-hız dengesi sunar.

Geleceğe Bakış: YOLO26'ya Nesil Atlayışı#

YOLOv8 güvenilir bir seçenek olmaya devam ediyor ancak yeni projeler için daha yeni Ultralytics modelleri mevcut: YOLO11 ve şu anda önerilen model olan YOLO26.

Ocak 2026'da yayımlanan YOLO26, uç cihazlara verimli dağıtım için tasarlanmıştır:

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26, yerel uçtan uca çıkarımı destekler; isteğe bağlı bire bir başlığıyla (nms=False) Non-Maximum Suppression (NMS) son işlemesini atlar. Bu, dağıtım işlem hatlarını basitleştirir ve ayrı bir NMS adımının gecikmesini ortadan kaldırır.
  • DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması algılama başlığını basitleştirir, model dağıtım seçeneklerini genişletir ve uç cihaz uyumluluğunu artırır.
  • CPU Çıkarımında %43'e Varan Hız Artışı: YOLO26n, CPU'da ONNX çıkarımında YOLO11n'den %43'e kadar daha hızlı çalışır; bu da onu Raspberry Pi ve diğer gömülü sistemler gibi kaynakları kısıtlı cihazlar için uygun kılar.
  • MuSGD Optimizasyon Algoritması: Büyük dil modeli (LLM) eğitiminden 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 (STAL), hava görüntüleri, tarım ve robotik alanlarında önem taşıyan küçük nesne algılamayı iyileştirir.

YOLOv8'i büyük video analitiği kümelerine veya YOLO26'yı küçük uç cihazlara dağıtıyor olsan da Ultralytics Platform, yapay zekâ yaşam döngüsünün tamamında verileri etiketleme, modelleri eğitme ve dağıtma araçları sunar.

Katkıda Bulunanlar

Yorumlar1

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

  1. rosin7596GitHub(düzenlendi)

    Well-explained comparison! YOLOv7 continues to perform impressively in terms of speed and accuracy, especially for real-time detection tasks on limited hardware. However, this YOLOv8 comparison shows how v8 introduces improvements like a more modular architecture, better support for multi-task learning, and streamlined training. Both models serve different needs, making the choice highly use-case dependent.