YOLOv7 ve YOLOv8#

Bilgisayarlı görü alanındaki hızlı gelişim, geliştiriciler ve araştırmacılar için çok sayıda güçlü araç ortaya çıkardı. Bir nesne algılama işlem hattı için doğru mimariyi seçerken, kendini kanıtlamış modelleri karşılaştırmak büyük önem taşır. Bu teknik kılavuz, son derece etkili iki model olan YOLOv7 ve Ultralytics YOLOv8'in mimarilerini, performans metriklerini ve ideal kullanım alanlarını ayrıntılı olarak inceler.

Mimari Tanıtımı#

Her iki model de performansta önemli sıçramalar sunar, ancak derin sinir ağlarını optimize etme sorununa farklı yapısal felsefelerle yaklaşırlar.

YOLOv7: Ücretsiz Avantajların Öncüsü#

2022'nin ortalarında tanıtılan YOLOv7, mimaride gradyan yolu optimizasyonuna ve üst düzey donanımlarda gerçek zamanlı algılamanın sınırlarını zorlamak için kullanılan "eğitilebilir bedavalar çantası" kavramına yoğun 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 Belgeleri

Mimari Öne Çıkanlar: YOLOv7, temel olarak bağlantı kutusu tabanlı bir algılama başlığı kullanır (bağlantı kutusu içermeyen dalları da denemiştir) ve Genişletilmiş Verimli Katman Toplama Ağlarını (E-ELAN) sunar. Bu tasarım, özgün gradyan yolunu bozmadan ağın öğrenme yeteneğini geliştirir. Sunucu sınıfı GPUs üzerinde olağanüstü performans göstererek ağır hizmet tipi video analitiği için son derece uygun hâle gelir.

Güçlü ve Zayıf Yönler: YOLOv7, özel donanımlarda mükemmel gecikme süresi elde etse de ekosistemi oldukça parçalıdır. Eğitim için karmaşık komut satırı bağımsız değişkenleri, depoyu manuel olarak klonlama ve PyTorch içinde sıkı bağımlılık yönetimi gerekir. Ayrıca eğitim sırasındaki bellek gereksinimleri tüketici donanımlarında engelleyici 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 odaklanarak geliştirici deneyimini tamamen yeniden 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 bağlantı kutusu içermeyen bir algılama başlığı sunarak MS COCO veri kümesine veya özel veri dağılımlarına göre bağlantı kutularını manuel olarak yapılandırma gereksinimini ortadan kaldırdı. Gradyan akışını iyileştirmek için C2f modülünü kullanır ve nesne olasılığı, sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrıştırılmış bir başlık yapısından yararlanır. Bu yaklaşım yakınsamayı büyük ölçüde hızlandırır ve doğruluğu artırır.

Güçlü ve Zayıf Yönler: YOLOv8, Bellek Gereksinimleri açısından olağanüstü verimlilik sunar. Eğitim sırasında YOLOv7'ye ve daha ağır Transformer modellerine kıyasla önemli ölçüde daha az CUDA belleği gerektirir; bu da geliştiricilerin daha büyük toplu iş boyutları kullanmasına olanak tanır. Temel gücü Çok Yönlülüğünde yatar; yerel olarak örnek bölütlemeyi, görüntü sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler. Tek küçük dezavantajı, yalnızca YOLOv7 tensörleri için oluşturulmuş son derece özel eski işlem hatlarının kısa bir yeniden düzenleme süresi gerektirebilmesidir.

Ayrıntılı Performans Karşılaştırması#

Aşağıdaki tablo, temel model boyutları genelindeki performans metriklerini ayrıntılı olarak gösterir. YOLOv8'in elde ettiği belirgin Performans Dengesine dikkat et; model, dünya standartlarında doğruluğu korurken uç cihazlarda hızlı çıkarım için yoğun şekilde optimize edilmiştir.

Not: YOLOv8x bu gruplandırmada en yüksek mAP değerine ulaşırken YOLOv8n, parametre verimliliği ve çıkarım hızında öne çıkarak uç AI cihazlarında bilgisayarlı görü dağıtımı için tartışmasız şampiyon olur.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Kullanım Kolaylığı söz konusu olduğunda Ultralytics YOLOv8 kendi başına bir sınıftadır. 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, son derece yalın bir geliştirici deneyimi sunar. Eğitim Verimliliği, verilerin otomatik olarak indirilmesi, kullanıma hazır önceden eğitilmiş ağırlıklar ve ONNX ile TensorRT gibi formatlara sorunsuz dışa aktarma özellikleri sayesinde en üst düzeye çıkarılır.

Ultralytics Python API'sini kullanarak modeli ne kadar kolay yükleyebileceğin, eğitebileceğin ve çıkarım çalıştırabileceğin aşağıda gösterilmiştir:

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 Alanları#

Bu mimariler arasında seçim yapmak çoğu zaman dağıtım ortamının özel kısıtlarına bağlıdır.

YOLOv7 Ne Zaman Seçilmeli#

• Eski Sistem Karşılaştırması: 2022'nin mimari standartlarıyla karşılaştırmak için sabit bir temel çizgiye ihtiyaç duyan araştırmacılar için uygundur.
• Mevcut Yoğun Altyapı: YOLOv7'nin belirli tensör yapılandırmalarının eski bir C++ işlem hattına derinlemesine gömülü olduğu, NVIDIA V100 veya A100 GPU'larına büyük ölçüde yatırım yapılmış ortamlar.

YOLOv8 Ne Zaman Seçilmeli?#

• 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 ve zengin örnek bölütleme 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 Kuşaksal Sıçrama#

YOLOv8 son derece güçlü bir seçenek olmaya devam etse de bilgisayarlı görü alanı hızla ilerliyor. Tamamen yeni, yüksek performanslı projelere başlayan geliştiriciler için Ultralytics kısa süre önce AI modellerinin bir sonraki evrimini tanıttı. Hem kapsamlı biçimde iyileştirilmiş YOLO11 modelini hem de yeni yayımlanan YOLO26 modelini incelemen şiddetle önerilir.

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

• Uçtan Uca NMS İçermeyen Tasarım: YOLO26, yerel olarak uçtan uca çalışır ve Maksimum Olmayan Bastırma (NMS) son işleme adımını tamamen ortadan kaldırır. Bu, geleneksel yoğun tahmin modellerindeki gecikme darboğazları olmadan çok daha hızlı ve basit dağıtım işlem hatları sağlar.
• DFL'nin Kaldırılması: YOLO26, Dağılımsal Odaksal Kaybı kaldırarak çok daha basit model dağıtım seçenekleri ve üstün uç cihaz uyumluluğu elde eder.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Raspberry Pi ve gömülü sistemler gibi kısıtlı ortamlar için yoğun şekilde optimize edilerek CPU aktarım hızında önceki tüm nesilleri geride bırakır.
• MuSGD Optimize Edicisi: Büyük Dil Modeli (LLM) eğitim paradigmalarından esinlenen YOLO26, SGD ve Muon'un birleşiminden oluşan hibrit bir yapı kullanır. Bu yapı, benzeri görülmemiş eğitim kararlılığı ve son derece hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, hava görüntüleri, otomatik tarım ve robotik için kritik önem taşıyan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.

YOLOv8 ile büyük video analitiği kümelerine ölçekleme yapıyor veya son teknoloji YOLO26 ile çıkarımı küçük uç cihazlara taşıyor ol; Ultralytics Platformu, tüm AI yaşam döngünü sorunsuz şekilde yönetmen için gereken araçları sunar.