YOLOv7 vs YOLOX: Detaylı Teknik Karşılaştırma
En uygun nesne algılama modelini seçmek, bilgisayarla görme projeleri için kritik bir karardır. Ultralytics , son teknoloji modellerden oluşan bir paket sunar ve bunların belirli güçlü yönlerini anlamak, en iyi performansı elde etmenin anahtarıdır. Bu sayfa, iki popüler model olan YOLOv7 ve YOLOX'un mimari nüanslarını, performans kıyaslamalarını ve ideal dağıtım senaryolarını detaylandıran teknik bir karşılaştırma sağlar.
YOLOv7: Verimli ve Yüksek Doğrulukta Algılama
Tayvan, Academia Sinica, Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından Temmuz 2022'de tanıtılan YOLOv7, verimli ve doğru nesne tespiti için tasarlanmıştır. Önceki YOLO modelleri üzerine inşa edilmiş olup, gelişmiş hız ve hassasiyet için mimari iyileştirmeler içermektedir.
Mimari ve Temel Özellikler
YOLOv7 (makale: arXiv, GitHub: Resmi Repo), parametre ve hesaplama kullanımını optimize eden Verimli Katman Toplama Ağı (E-ELAN) dahil olmak üzere çeşitli yenilikler sunmaktadır. Ayrıca, eğitim verimliliğini ve tespit doğruluğunu daha da artırmak için model ölçeklendirme teknikleri ve planlı yeniden parametrelendirme kullanır. Bu özellikler, YOLOv7'nin nispeten kompakt bir model boyutuyla son teknoloji ürünü sonuçlar elde etmesini sağlayarak onu gerçek zamanlı uygulamalar ve sınırlı kaynaklara sahip cihazlarda dağıtım için uygun hale getirir. Daha ayrıntılı bilgi için resmi YOLOv7 belgelerine başvurun.
Performans Ölçütleri ve Kullanım Örnekleri
YOLOv7, hem hızlı çıkarım hem de yüksek doğruluk gerektiren senaryolarda mükemmeldir. Etkileyici mAP ve hız ölçümleri, onu gerçek zamanlı video analizi, otonom sürüş sistemleri ve yüksek çözünürlüklü görüntü işleme gibi uygulamalar için güçlü bir seçim haline getirmektedir. Akıllı şehir dağıtımlarında YOLOv7, trafik yönetimi için kullanılabilir veya anında tehdit tespiti için güvenlik sistemlerini geliştirebilir.
YOLOv7 hakkında daha fazla bilgi edinin
YOLOX: Nesne Algılamada Çapasız Mükemmellik
Megvii'de Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından geliştirilen ve Temmuz 2021'de yayınlanan YOLOX (makale: arXiv, GitHub: Resmi Repo), nesne algılamaya çapasız bir yaklaşım getirerek algılama işlem hattını basitleştiriyor ve genellemeyi iyileştiriyor.
Mimari ve Temel Özellikler
YOLO (dokümantasyon: ReadTheDocs) önceden tanımlanmış bağlantı kutularını ortadan kaldırarak geleneksel YOLO modellerinden ayrılır. Bu çapasız tasarım karmaşıklığı azaltır ve özellikle farklı şekillere sahip nesneler için daha iyi performans sağlayabilir. Ayrı sınıflandırma ve regresyon görevleri için ayrılmış başlıklar içerir ve SimOTA (Basitleştirilmiş Optimal Taşıma Ataması) gibi gelişmiş etiket atama stratejileri kullanır. Bu mimari seçimler YOLOX'un sağlamlığına ve uygulama kolaylığına katkıda bulunur.
Performans Ölçütleri ve Kullanım Örnekleri
YOLOX, hız ve doğruluk arasında cazip bir denge sağlar. Ankrajsız yapısı, çeşitli nesne boyutları ve en boy oranları ile ilgili uygulamalarda özellikle avantajlı olabilir. YOLOX robotik, endüstriyel denetim ve perakende analitiği gibi uygulamalar için çok uygundur. Örneğin, üretimde, önceden tanımlanmış çapa şekilleri ile sınırlı kalmadan kusurları verimli bir şekilde tespit etmek için kalite denetimi için kullanılabilir.
YOLOX hakkında daha fazla bilgi edinin
| Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (M) |
FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Diğer YOLO modelleriyle ilgilenen kullanıcılar da incelemeyi düşünebilir:
- YOLOv8: Ultralytics'in YOLO serisindeki en son yineleme, son teknoloji performans ve çok yönlülük sunuyor.
- YOLOv5: Farklı ihtiyaçlar için birden fazla model boyutu ile kullanım kolaylığı ve verimliliği ile bilinir.
- YOLOv6: Yüksek performanslı tek aşamalı bir nesne algılama çerçevesi.
- YOLO11: Verimlilik ve performans iyileştirmelerine odaklanan yeni bir model.
