YOLOv7 ve YOLOv8: Gerçek Zamanlı Dedektörlerin Teknik Karşılaştırması

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 mimarilerini, performans metriklerini ve ideal kullanım durumlarını derinlemesine inceliyor.

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 Öncüsü

2022'nin ortalarında tanıtılan YOLOv7, üst düzey donanımlarda gerçek zamanlı algılamanın sınırlarını zorlamak için mimari gradyan yolu optimizasyonuna ve "eğitilebilir bedava özellikler çantası" (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 Documentation

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

Güçlü ve Zayıf Yönler: YOLOv7 özel donanımda mükemmel gecikme süresi 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

Ultralytics YOLOv8: Çok Yönlü Standart

2023'ün başlarında piyasaya sürülen YOLOv8, sadece son teknoloji doğruluğa değil, aynı zamanda birleşik, üretime hazır bir çerçeve sunmaya odaklanarak geliştirici deneyimini tamamen yeniden tanımladı.

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Organizasyon: 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, doğal olarak çapa içermeyen (anchor-free) bir algılama kafası tanıttı. Gradyan akışını iyileştirmek için C2f modülünü içerir ve nesnelik, sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir kafa yapısı kullanır. Bu, yakınsamayı büyük ölçüde hızlandırır ve doğruluğu artırır.

Güçlü ve Zayıf Yönler: YOLOv8, Bellek Gereksinimleri verimliliğinde olağanüstü bir başarıya sahiptir. Eğitim sırasında YOLOv7 ve daha ağır Transformer modellerine kıyasla önemli ölçüde daha az CUDA belleği gerektirir, bu da daha büyük yığın boyutları (batch sizes) kullanmana 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 aşırı uzmanlaşmış eski hatların kısa bir yeniden düzenleme dönemi gerektirebilmesidir.

YOLOv8 hakkında daha fazla bilgi edin

Ayrıntılı Performans Karşılaştırması

Aşağıdaki tablo, temel model boyutlarındaki performans metriklerini parçalara ayırıyor. YOLOv8'in elde ettiği belirgin Performans Dengesine, uç cihazlarda hızlı çıkarım için yoğun bir şekilde optimize edilirken dünya standartlarında doğruluğu koruduğuna 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.

Kullanım Kolaylığı ve Eğitim Verimliliği

Kullanım Kolaylığı söz konusu olduğunda, Ultralytics YOLOv8 kendi liginde faaliyet gösterir. YOLOv7 gibi eski mimariler, belirli depoların kopyalanmasını ve veri kümelerini ve yolları yapılandırmak için ayrıntılı komut satırı betiklerinin çalıştırılmasını 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 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 Durumları

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

Ne Zaman YOLOv7 Seçilmeli

• Eski Kıyaslama (Legacy Benchmarking): 2022'nin mimari standartlarına göre karşılaştırma yapmak için sabit bir temele ihtiyaç duyan araştırmacılar için uygundur.
• Mevcut Ağır Altyapı: YOLOv7'nin belirli tensör konfigürasyonlarının eski bir C++ hattına derinlemesine gömülü olduğu NVIDIA V100 veya A100 GPU'lara yoğun yatırım yapan 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: Projenin sınırlayıcı kutuların ötesine geçmesi ve zengin örnek bölümleme maskelerinden veya poz ana noktalarından yararlanması gerekiyorsa.
• Kaynak Kısıtlı Uç (Edge): YOLOv8 Nano (yolov8n), robotik, drone'lar ve IoT sensörleri için inanılmaz doğruluk-hız oranları sağlar.

İleriye Bakış: YOLO26'ya Nesilsel Sıçrama

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

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

• Uçtan Uca NMS'siz Tasarım: YOLO26 doğal olarak uçtan ucadır ve Maksimum Olmayan Bastırma (NMS) sonrası işlemini tamamen ortadan kaldırır. Bu, geleneksel yoğun tahmin modellerinin gecikme darboğazları olmadan önemli ölçüde daha hızlı ve daha basit dağıtım hatları sağlar.
• DFL Kaldırma: Dağılımsal Odak Kaybını (Distribution Focal Loss) kaldırarak, YOLO26 çok daha basit model dağıtım seçenekleri ve üstün uç uyumluluğu elde eder.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Raspberry Pi ve gömülü sistemler gibi kısıtlı ortamlar için yoğun bir şekilde optimize edilmiştir ve CPU veriminde önceki tüm nesilleri geride bırakır.
• MuSGD Optimize Edici: Büyük Dil Modeli (LLM) eğitim paradigmalarından esinlenen YOLO26, SGD ve Muon'un bir hibritini içerir. Bu, benzeri görülmemiş eğitim kararlılığı ve ışık hızında yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleme, otomatik tarım ve robotik için oldukça 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 taşıyor ol, Ultralytics Platformu tüm yapay zeka yaşam döngünü sorunsuz bir şekilde yönetmen için gerekli araçları sağlar.