YOLOv7 ve YOLOX#

Bilgisayarlı görüdeki gelişmeler, gerçek zamanlı nesne algılamada hızlı ilerlemelerle şekillendi. Bu yolculuğun iki önemli dönüm noktası YOLOv7 ve YOLOX'tur. Her iki model de hızın ve doğruluğun sınırlarını zorlasa da sonuçlarına farklı mimari yaklaşımlarla ulaştı. Bu kılavuz, bu iki güçlü modelin kapsamlı bir teknik karşılaştırmasını sunarak bilgisayarlı görü projelerin için doğru mimariyi seçmene yardımcı olur.

Modellere Giriş#

Bu modellerin kökenini ve temel tasarım tercihlerini anlamak, onları modern makine öğrenimi operasyonlarında etkili biçimde dağıtmak için kritik önem taşır.

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.

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kurum: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub: https://github.com/WongKinYiu/yolov7
• Belgeler: Ultralytics YOLOv7 Belgeleri

YOLOv7 hakkında daha fazla bilgi edin

YOLOX Ayrıntıları#

YOLOX, çapasız algılamaya geri dönerek farklı bir yol izledi; güçlü performansını korurken başlık mimarisini önemli ölçüde basitleştirdi.

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Belgeler: YOLOX Resmî Belgeleri

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, çapasız tasarıma geçerek YOLO ailesinde devrim yarattı. Geleneksel çapa tabanlı dedektörlerde çapa kutularını kümelemek için karmaşık sezgisel ayarlamalar gerekir ve bu ayarlamalar veri kümesine fazlasıyla bağlı olabilir. YOLOX, çapa kutularını kaldırarak tasarım parametrelerinin sayısını önemli ölçüde azalttı. Ayrıca sınıflandırma ve konum belirleme görevlerini ayrı ağ dallarına ayıran ayrık bir başlık kullanır. Böylece bir nesneyi sınıflandırma ile nesnenin uzamsal koordinatlarını kestirme arasındaki doğal çatışmayı giderir. YOLOX, eğitim sırasında pozitif örnekleri dinamik biçimde tahsis eden SimOTA gibi gelişmiş etiket atama stratejilerini de içerir.

YOLOv7: Genişletilmiş Verimli Katman Toplama#

YOLOv7, çapa tabanlı yöntemlere geri dönerken Genişletilmiş Verimli Katman Toplama Ağını (E-ELAN) da tanıttı. E-ELAN, gradyan yolu uzunluğunu optimize ederek ağın farklı derinliklerde etkili biçimde öğrenmesini sağlar. Mimari, doğruluktan ödün vermeden hızı artırmak için çıkarım sırasında evrişim katmanlarını birleştiren yeniden parametrelendirme tekniklerine yoğun biçimde dayanır. YOLOv7'nin "bedava avantajlar paketi" stratejisi; planlı yeniden parametrelendirilmiş evrişimler ve kabadan inceye yönlendirmeli etiket atama gibi yenilikler içerir ve modelin Ortalama Hassasiyet Ortalaması değerini etkileyici düzeylere çıkarır.

Performans Karşılaştırması#

Bu modelleri üretim için değerlendirirken doğruluk ile hesaplama verimliliğini dengelemek önemlidir. Aşağıdaki tablo, en iyi performans gösteren ölçütleri kalın biçimde vurgulayarak ödünleşimleri gösterir.

Yukarıda görüldüğü üzere YOLOv7x en yüksek mAP değerine ulaşarak karmaşık veri kümelerinde olağanüstü doğruluk sağlar. Buna karşılık YOLOX-Nano, kaynakların son derece kısıtlı olduğu ortamlar için optimize edilmiştir. Ancak her iki model de eğitim sırasında modern mimarilere kıyasla görece yüksek bellek kullanır.

Eğitim Yöntemleri ve Ekosistem#

Araştırmacılar ve geliştiriciler için önemli bir etken, uygulama kolaylığıdır. Geçmişte eski YOLO sürümleri, kapsamlı biçimde özelleştirilmiş C++ betikleri veya karmaşık bağımlılık yönetimi gerektiriyordu.

Ultralytics Ekosisteminin Avantajı#

YOLOv7 ve YOLOX, Ultralytics Python paketi tarafından yerel olarak desteklenmez. Yeni projeler için en etkili yol, bakımı iyi yapılan Ultralytics ekosisteminde bir Ultralytics YOLO modeli kullanmaktır. Ultralytics, eğitimi, doğrulamayı ve dağıtımı büyük ölçüde basitleştiren birleşik ve son derece sezgisel bir Python API'si sunar.

• Kullanım Kolaylığı: Yalnızca birkaç satır kodla bir eğitim döngüsü başlatabilir ve ham PyTorch uygulamalarının beraberinde getirdiği dik öğrenme eğrisini hafifletebilirsin.
• Eğitim Verimliliği: Ultralytics YOLO modelleri, RT-DETR gibi büyük Transformer modellerine kıyasla eğitim sırasında doğal olarak daha az bellek kullanır. Bu sayede geliştiriciler tüketici sınıfı donanımlarda toplu iş boyutlarını en üst düzeye çıkarabilir.
• Çok Yönlülük: Ekosistem, basit sınırlayıcı kutuların ötesinde Örnek Segmentasyonu ve Poz Tahmini gibi görevlere de kolayca genişletilebilir.

Ultralytics API'sini kullanarak model eğitiminin nasıl yapılacağını gösteren, tümüyle çalıştırılabilir bir örnek:

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",  # Optimum CUDA bellek yönetimini kullanır
)

# ONNX veya TensorRT biçimlerine sorunsuzca aktar
model.export(format="onnx")

Dışa aktarma işlem hattını standartlaştırarak ağırlıklarını kolayca TensorRT veya ONNX gibi biçimlere aktarabilir ve hedef donanımda yüksek hızlı çıkarım sağlayabilirsin.

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 Analizler için YOLOv7: Yüksek çözünürlüklü uydu görüntülerini işliyorsan veya karmaşık üretim kalite kontrolü gerçekleştiriyorsan, üst düzey NVIDIA GPU'larla desteklenen YOLOv7x'in yüksek mAP değeri en küçük anormalliklerin bile algılanmasını sağlar.

Gelecek: Ultralytics YOLO26'ya Yükseltme#

YOLOv7 ve YOLOX ilk ortaya çıktıklarında çığır açmış olsalar da bilgisayarlı görü alanı önemli ölçüde ilerledi. Yeni dağıtımlar için geliştiriciler, Ocak 2026'da yayımlanan Ultralytics YOLO26'ya yönelmelidir. Bu son teknoloji model, en iyi mimari yaklaşımları bir araya getirerek üretime hazır nihai sistemi sunar.

Yükseltmenin neden şiddetle önerildiği şöyle açıklanabilir:

• Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), son işleme sırasında Maksimum Olmayan Bastırma (NMS) işlemini ortadan kaldırır. İlk olarak YOLOv10 ile öncülüğü yapılan bu yaklaşım, sürekli düşük gecikme sağlayarak NMS donanım desteği olmayan cihazlara dağıtımı kolaylaştırır.
• DFL'nin Kaldırılması: YOLO26, Dağılımsal Odak Kayıp işlevini kaldırarak düşük güç tüketimli uç cihazlarla çok daha iyi uyumluluk ve kolay ONNX dışa aktarımı sağlar.
• MuSGD İyileştiricisi: LLM eğitimi yeniliklerinden ilham alan YOLO26, hibrit MuSGD iyileştiricisinden yararlanarak daha hızlı yakınsama ve son derece kararlı eğitim dinamikleri sağlar.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Gerçek dünya donanımı için kapsamlı biçimde optimize edilen YOLO26, pahalı GPU altyapısı gerektirmeden standart CPU'larda üstün performans gösterir.
• ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama, küçük nesnelerin tanınmasını büyük ölçüde iyileştirir; bu, havadan drone incelemeleri ve gelişmiş IoT ağları için kritik bir özelliktir.

Nesne algılama, segmentasyon ve daha fazlasında en iyi performans dengesini arayan geliştiriciler için modelleri Ultralytics Platformu üzerinden dağıtmak benzersiz, sorunsuz bir deneyim sunar.

Sonuç#

Hem YOLOX hem de YOLOv7, açık kaynaklı görsel yapay zekânın gelişim yönünü şekillendiren önemli teknikleri kullanıma sundu. YOLOX, anchorsız ayrık başlıkların uygulanabilirliğini kanıtlarken YOLOv7, gradyan yolu yeniden parametrelendirmenin muazzam gücünü gösterdi. Günümüzde Ultralytics ekosistemi, modern Ultralytics YOLO modelleriyle bu fikirlerden yararlanmanı ve bir sonraki bilgisayarlı görü uygulamanı geleceğe hazırlamak için en son teknoloji YOLO26 modeline sorunsuzca geçmeni sağlıyor.