Başla

YOLOv7 ve YOLOX

Bilgisayarlı görü alanındaki gelişmeler, gerçek zamanlı nesne algılamadaki hızlı ilerlemelerle şekillendi. Bu alandaki iki önemli dönüm noktası YOLOv7 ve YOLOX'tir. Her iki model de hızı ve doğruluğu artırsa da farklı mimari yaklaşımlar benimsedi. Bu kılavuz, bilgisayarlı görü projelerin için doğru mimariyi seçmene yardımcı olmak amacıyla iki modeli teknik açıdan karşılaştırır.

Modellere Giriş#

Bu modellerin kökenlerini ve temel tasarım tercihlerini anlamak, modern makine öğrenimi operasyonlarında etkili biçimde dağıtılmaları için önemlidir.

YOLOv7 Ayrıntıları#

CSPNet ve Scaled-YOLOv4 mimarilerinin bakımını yapan araştırmacılar tarafından geliştirilen YOLOv7, çıkarım maliyetini artırmadan doğruluğu en üst düzeye çıkarmak için "eğitilebilir bedava avantajlar paketi" yaklaşımını ortaya koydu.

YOLOv7 hakkında daha fazla bilgi edin

YOLOX Ayrıntıları#

YOLOX, güçlü performansını korurken başlık mimarisini basitleştirmek için çapadan bağımsız algılamaya dönerek farklı bir yol izledi.

YOLOX hakkında daha fazla bilgi edin

Mimari Farklılıklar ve Yenilikler#

YOLOv7 ile YOLOX arasındaki temel farklar; özellik çıkarma, sınırlayıcı kutu tahmini ve etiket atama yaklaşımlarında yatar.

YOLOX: Anchorsız Yaklaşımın Öncüsü#

YOLOX, YOLO ailesine çapadan bağımsız bir tasarım kazandırdı. Geleneksel çapa tabanlı algılayıcılar, büyük ölçüde veri kümesine bağlı olabilen çapa kutusu kümeleme işleminin buluşsal yöntemlerle ayarlanmasını gerektirir. YOLOX, çapa kutularını kaldırarak tasarım parametrelerinin sayısını önemli ölçüde azalttı. Ayrıca sınıflandırma ve konum belirleme görevlerini ayrı ağ dallarına ayıran ayrıştırılmış bir başlık kullanır. Bu, bir nesneyi sınıflandırma ile nesnenin uzamsal koordinatlarını regresyonla tahmin etme arasındaki çatışmayı azaltır. YOLOX, eğitim sırasında pozitif örnekleri dinamik olarak atayan SimOTA gibi gelişmiş etiket atama stratejilerini de içerir.

YOLOv7: Genişletilmiş Verimli Katman Toplama#

Bir yıl sonra yayımlanan YOLOv7, çapa tabanlı tasarımı korurken Genişletilmiş Verimli Katman Birleştirme Ağı'nı (E-ELAN) sundu. E-ELAN, farklı derinliklerde ağın etkili biçimde öğrenebilmesi için gradyan yolu uzunluğunu optimize eder. Mimari, doğruluktan ödün vermeden hızı artırmak amacıyla çıkarım sırasında evrişim katmanlarını birleştiren yeniden parametrelendirmeye büyük ölçüde dayanır. YOLOv7'nin "ücretsiz avantajlar" stratejisi, planlı yeniden parametrelendirilmiş evrişimleri ve kabadan inceye yönlendirilen etiket atamasını içerir; bunlar modelin ortalama Hassasiyetini (mAP) artırır.

Çapa Tabanlı ve Çapasız

YOLOX, çapasız yapısıyla dağıtım işlem hatlarını basitleştirse de modern Ultralytics mimarileri bu yaklaşımı daha da geliştirerek yeni nesillerde önceden tanımlanmış kutu gereksinimini ortadan kaldırdı.

Performans Karşılaştırması#

Bu modelleri üretim ortamı için değerlendirirken doğruluk ile hesaplama verimliliğini dengelemek önemlidir. Aşağıdaki tablo, en iyi performans ölçütlerini kalın yazarak ödünleşimleri gösterir.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

Yukarıda görüldüğü gibi YOLOv7x, bu karşılaştırmada en yüksek mAP değerine ulaşarak karmaşık veri kümeleri için en doğru seçenek hâline gelir. Buna karşılık YOLOX-Nano, kaynakları son derece kısıtlı cihazları hedefler. Her iki model ailesi de yeni Ultralytics mimarilerinden daha fazla eğitim belleği gerektirebilir.

Eğitim Yöntemleri ve Ekosistem#

Araştırmacılar ve geliştiriciler için uygulama kolaylığı önemli bir etkendir. Geçmişte eski YOLO sürümleri özel eğitim betikleri ve karmaşık bağımlılık yönetimi gerektiriyordu.

Ultralytics Ekosisteminin Avantajı#

YOLOv7 ve YOLOX, Ultralytics Python paketi tarafından yerel olarak desteklenmez. Yeni projeler için en etkili yol, bakımı düzenli yapılan Ultralytics ekosistemindeki bir Ultralytics YOLO modelini kullanmaktır. Ultralytics; eğitimi, doğrulamayı ve dağıtımı basitleştiren birleşik bir Python API'si sunar.

  • Kullanım Kolaylığı: Birkaç satır kodla eğitim başlatabilir ve ham PyTorch uygulamalarının öğrenme eğrisini azaltabilirsin.
  • Eğitim Verimliliği: Ultralytics YOLO modelleri, RT-DETR gibi Transformer modellerine kıyasla genellikle eğitim sırasında daha az bellek kullanır ve böylece tüketici donanımlarında daha büyük paket boyutlarına olanak tanır.
  • Çok yönlülük: Sınırlayıcı kutuların yanı sıra aynı API, örnek segmentasyonu ve poz tahmini gibi görevleri de destekler.

Aşağıdaki çalıştırılabilir örnek, Ultralytics API'siyle bir model eğitir ve dışa aktarır:

from ultralytics import YOLO

# Önceden eğitilmiş bir model yükle
model = YOLO("yolov8n.pt")  # Hızlı aktarım öğrenimi için hazır ağırlıklar

# Modeli kendi verilerinle verimli biçimde eğit
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device="0",  # İlk CUDA GPU'yu kullan
)

# ONNX veya TensorRT'ye aktar
model.export(format="onnx")

Standartlaştırılmış bir dışa aktarma işlem hattı sayesinde geliştiriciler, hedef donanımda hızlı çıkarım için ağırlıklarını TensorRT veya ONNX gibi biçimlere dönüştürebilir.

Uygun Kullanım Alanları ve Gerçek Dünya Uygulamaları#

YOLOX ile YOLOv7 arasında seçim yapmak büyük ölçüde dağıtım hedeflerine bağlıdır:

  • Uç Yapay Zekâ için YOLOX: YOLOX-Nano ve YOLOX-Tiny çeşitleri, düşük güç tüketimli cihazlara dağıtım için son derece uygundur. Raspberry Pi üzerinde akıllı bir güvenlik kamerası geliştiriyorsan YOLOX'in basit, anchorsız evrişimleri uç hızlandırıcılara kolayca uyarlanır.
  • Yüksek Doğruluklu Analitik için YOLOv7: Yüksek çözünürlüklü uydu görüntülerini işliyorsan veya karmaşık üretim kalite kontrolü gerçekleştiriyorsan YOLOv7x'in üst düzey NVIDIA GPU'lardaki yüksek mAP değeri, küçük anormallikleri yakalamaya yardımcı olur.

Gelecek: Ultralytics YOLO26'ya Yükseltme#

YOLOv7 ve YOLOX yayımlandıklarında etkili modellerdi, ancak alan o zamandan beri önemli ölçüde ilerledi. Yeni dağıtımlar için Ultralytics, Ocak 2026'da yayımlanan ve bu mimari dersleri üretime hazır bir modelde bir araya getiren Ultralytics YOLO26 modelini önerir.

Başlıca iyileştirmeler şunlardır:

  • Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), son işleme sırasında Maksimum Olmayan Bastırma'yı (NMS) ortadan kaldırır. YOLO modellerine YOLOv10 tarafından kazandırılan bu yaklaşım, gecikmeyi sürekli olarak düşük tutar ve verimli NMS desteği olmayan cihazlarda dağıtımı basitleştirir.
  • DFL'nin Kaldırılması: Dağılımsal Odak Kayıp (DFL) yönteminin kaldırılması, düşük güçlü uç cihazlarla uyumluluğu artırır ve ONNX dışa aktarımını basitleştirir.
  • MuSGD Optimizasyon Algoritması: Büyük dil modeli eğitiminden ilham alan YOLO26, daha hızlı yakınsama ve daha kararlı eğitim için SGD ile Muon'un bir hibriti olan MuSGD'yi kullanır.
  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: YOLO26n, CPU'da ONNX çıkarımı sırasında YOLO11n'den %43'e kadar daha hızlı çalışır ve özel GPU altyapısı olmadan standart CPU'larda iyi performans gösterir.
  • ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket atama yöntemi, VisDrone veri kümesi gibi hava görüntülerinde ve IoT kamera ağlarında kritik öneme sahip küçük nesne algılamayı iyileştirir.

Nesne algılama, segmentasyon ve diğer görevler üzerinde çalışan ekipler için Ultralytics Platform, verileri etiketlemek, modelleri eğitmek ve dağıtmak için tek bir merkez sunar.

Sonuç#

YOLOX ve YOLOv7, açık kaynaklı görsel yapay zekâyı şekillendiren teknikler sundu. YOLOX, çapadan bağımsız ayrıştırılmış başlıkların uygulanabilirliğini gösterirken YOLOv7, gradyan yolu tasarımının ve yeniden parametrelendirmenin değerini ortaya koydu. Bugün Ultralytics ekosistemi, bu fikirleri modern Ultralytics YOLO modelleriyle geliştirmene olanak tanır; yeni bilgisayarlı görü uygulamaları için önerilen seçenek YOLO26'dır.

Katkıda Bulunanlar

Yorumlar

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