Link to this sectionYOLOv7 ve YOLOv8#

Bilgisayarlı görüdeki hızlı gelişim, geliştiriciler ve araştırmacılar için bir dizi güçlü araç ortaya çıkardı. Bir nesne algılama hattı için doğru mimariye karar verirken, yerleşik modelleri karşılaştırmak şarttır. Bu teknik rehber, oldukça etkili iki model olan YOLOv7 ve Ultralytics YOLOv8'in mimarileri, performans metrikleri ve ideal kullanım durumları hakkında derinlemesine bir inceleme sunar.

Link to this sectionMimariyi Tanıma#

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

Link to this sectionYOLOv7: 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, Tayvan
• Tarih: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• Dokümantasyon: Ultralytics YOLOv7 Dokümantasyonu

Mimari Öne Çıkanlar: YOLOv7 temel olarak çapa tabanlı (anchor-based) bir algılama başlığı kullanır (her ne kadar çapasız dallarla denemeler yapmış olsa da) ve Genişletilmiş Verimli Katman Birleştirme Ağlarını (E-ELAN) tanıtır. Bu tasarım, orijinal gradyan yolunu bozmadan ağın öğrenme yeteneğini geliştirir. Sunucu sınıfı GPU'larda olağanüstü iyi performans gösterir ve bu da onu ağır hizmet tipi video analitiği için oldukça uygun kılar.

Güçlü ve Zayıf Yönler: YOLOv7 özel donanımda mükemmel gecikme süreleri elde etse de, ekosistemi oldukça parçalıdır. Eğitim, karmaşık komut satırı argümanları, manuel depo kopyalama ve PyTorch içinde katı bağımlılık yönetimi gerektirir. Ayrıca, eğitim sırasındaki bellek gereksinimleri tüketici donanımlarında engelleyici olabilir.

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionUltralytics 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
• Kuruluş: Ultralytics
• Tarih: 2023-01-10
• GitHub: ultralytics/ultralytics
• Platform: Ultralytics YOLOv8

Mimari Öne Çıkanlar: YOLOv8, MS COCO veri kümesine veya özel veri dağılımlarına göre çapa kutularını manuel olarak yapılandırma ihtiyacını ortadan kaldıran, yerel olarak çapasız (anchor-free) bir algılama başlığı tanıttı. Gradyan akışını iyileştirmek için C2f modülünü içerir ve nesnellik, sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir başlık yapısı kullanır. Bu, yakınsamayı ciddi şekilde hızlandırır ve doğruluğu artırır.

Güçlü ve Zayıf Yönler: YOLOv8, olağanüstü Bellek Gereksinimleri verimliliğine sahiptir. Eğitim sırasında YOLOv7 ve daha ağır Transformer modellerine kıyasla önemli ölçüde daha az CUDA belleği gerektirir, bu da geliştiricilerin daha büyük yığın boyutları kullanmasına olanak tanır. Temel gücü Çok Yönlülüğünde yatar; örnek bölümleme, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) yerel olarak destekler. Tek küçük dezavantajı, yalnızca YOLOv8 tensörleri için oluşturulmuş son derece özel eski sistemlerin kısa bir yeniden yapılandırma dönemi gerektirebilmesidir.

YOLOv8 hakkında daha fazla bilgi edinin

Link to this sectionAyrıntılı 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'yi elde ederken, YOLOv8n parametre verimliliği ve çıkarım hızında baskındır, bu da onu uç yapay zeka cihazlarında bilgisayarlı görü dağıtımı için tartışmasız şampiyon yapar.

Link to this sectionKullanım 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.

Conversely, YOLOv8's ultralytics package offers a highly streamlined developer experience. Training Efficiency is maximized through automatic data downloading, ready-to-use pretrained weights, and seamless exporting capabilities to formats like ONNX and TensorRT.

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()

Link to this sectionİdeal Kullanım Senaryoları#

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

Link to this sectionNe 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.

Link to this sectionYOLOv8 Ne Zaman Seçilmeli#

• Platformlar Arası Üretim: Bulut GPU'ları, mobil cihazlar ve tarayıcılar arasında sorunsuz bir şekilde dağıtım yapması gereken ekipler için idealdir.
• Çok Görevli Gereksinimler: Projenin sınırlayıcı kutuların ötesine geçmesi ve zengin örnek bölümleme maskelerinden veya poz ana noktalarından yararlanması gerekiyorsa.
• Kaynak Kısıtlı Uç (Edge): YOLOv8 Nano (yolov8n), robotik, dronlar ve IoT sensörleri için inanılmaz doğruluk-hız oranları sağlar.

Link to this sectionİleriye Bakış: YOLO26'ya Nesilsel Sıçrama#

YOLOv8 oldukça sağlam bir seçenek olmaya devam etse de, bilgisayarlı görü alanı hızla ilerliyor. Tamamen yeni, yüksek performanslı projelere başlayan geliştiriciler için Ultralytics, yakın zamanda AI modellerinin bir sonraki evrimini tanıttı. Hem derinlemesine rafine edilmiş YOLO11 hem de yeni yayınlanan YOLO26'yı keşfetmen şiddetle tavsiye edilir.

Ocak 2026'da piyasaya sürülen 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 Odaklı Kaybı (Distribution Focal Loss) kaldırarak, 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 ol, ister en son teknoloji YOLO26 ile çıkarımı küçük uç cihazlara zorluyor ol, Ultralytics Platformu tüm yapay zeka yaşam döngünü sorunsuz bir şekilde yönetmen için gereken araçları sağlar.