YOLOv8 ve YOLOv7
Bilgisayarlı görü alanı sürekli gelişiyor ve yeni mimariler gerçek zamanlı nesne algılamada mümkün olanları genişletiyor. Bu kılavuz iki etkili modeli karşılaştırıyor: Ultralytics YOLOv8 ve YOLOv7. Her iki model de karmaşık görsel görevleri çözmek için farklı yaklaşımlar sunarak geliştirici topluluğunu ve akademik araştırmaları önemli ölçüde etkiledi.
Bu iki model arasındaki yapısal ve yöntemsel farklılıkları anlamak, dağıtım işlem hatlarını optimize etmek isteyen makine öğrenimi mühendisleri için kritik öneme sahiptir. YOLOv7 ham işlem hacmine göre uyarlanmış bir "bedava kazanımlar paketi" yaklaşımı sunarken Ultralytics YOLOv8, yüksek doğruluğu düşük bellek tüketimi ve çok görevli esneklikle dengeleyen bütünsel, kullanımı kolay bir ekosistem oluşturmaya odaklandı.
Ultralytics YOLOv8: Çok Yönlü Ekosistem Standardı#
2023'ün başlarında Ultralytics tarafından yayımlanan YOLOv8, önceki sürümlerinden mimari açıdan büyük bir değişimi temsil ediyor. Yalnızca gerçek zamanlı bir nesne algılayıcısı olmanın ötesinde, kutudan çıktığı hâliyle çok çeşitli görsel görevleri yerine getirebilen birleşik bir çerçeve olarak baştan tasarlandı.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2023-01-10
- GitHub: ultralytics/ultralytics
- Belgeler: YOLOv8 Belgeleri
Mimari Yenilikler#
YOLOv8, çapasız bir algılama başlığı sundu. Bu tasarım, özel veri kümenin dağılımına göre çapa kutularını elle yapılandırma gereksinimini ortadan kaldırarak eğitim sürecini basitleştirir; böylece model daha dayanıklı olur ve farklı ortamlara daha kolay genellenir.
Mimari ayrıca C2f modülünü (iki evrişimli, aşamalar arası kısmi darboğaz) içerir. Bu yapısal iyileştirme, gradyan akışını geliştirir ve hesaplama maliyetini önemli ölçüde artırmadan sinir ağının daha zengin özellik temsilleri öğrenmesini sağlar. Böylece model, PyTorch gibi standart derin öğrenme çerçeveleri üzerinden çıkarım çalıştırırken verimli olur.
Ultralytics YOLO modelleri verimli eğitim için tasarlanmıştır. Eğitim sırasında genellikle Transformer tabanlı mimarilere veya daha ağır CNN'lere kıyasla çok daha az CUDA belleği gerektirirler. Bu sayede tüketici sınıfı donanımlarda daha büyük yığın boyutlarıyla eğitim yapabilir ve geliştirme döngünü hızlandırabilirsin.
YOLOv7: "Ücretsiz Avantajlar" Yaklaşımı#
YOLOv7 2022'nin ortalarında tanıtıldı ve akademik çevrelerde kısa sürede popüler bir temel model hâline geldi. Üst düzey GPU'larda gerçek zamanlı nesne tespitinin sınırlarını zorlamak için mimari yeniden parametreleştirmeye ve gradyan yolu optimizasyonuna yoğun biçimde odaklandı.
- Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
- Tarih: 2022-07-06
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
Mimari Yenilikler#
YOLOv7, modelin daha çeşitli özellikleri sürekli öğrenmesini sağlayan bir Genişletilmiş Verimli Katman Toplama Ağı (E-ELAN) kullanır. Çapa tabanlı bir tasarıma dayanır ve çıkarım maliyetini artırmadan doğruluğu iyileştiren bir dizi optimizasyon yönteminden oluşan, eğitilebilir bir "bedava kazanımlar paketi" sunar.
YOLOv7, MS COCO veri kümesi gibi standart akademik kıyaslamalarda mükemmel performans gösterse de mimarisi sunucu sınıfı hızlandırıcılar için yoğun biçimde optimize edilmiştir. Bu modelleri uç cihazlara aktarmak ve dağıtmak, daha modern ve yalın çerçevelere kıyasla bazen daha fazla elle yapılandırma gerektirebilir.
YOLOv7 hakkında daha fazla bilgi edin
Ayrıntılı Performans Karşılaştırması#
Bu modelleri değerlendirirken hız, doğruluk ve model boyutu arasındaki denge temel ölçüttür. Aşağıdaki tabloda her iki modelin metrikleri özetleniyor.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Verilerde görüldüğü gibi YOLOv8x en yüksek doğruluğa (53,9 mAP) ulaşırken nano varyant (YOLOv8n) hızlı çıkarım ve düşük kaynak kullanımı sunar. Bu boyut çeşitliliği, YOLOv8'i kaynakları kısıtlı donanım ortamlarına daha kolay uyarlanabilir kılar.
Ultralytics'in Avantajı: Kullanım Kolaylığı ve Ekosistem#
YOLOv7 güçlü ham algılama ölçütleri sunsa da Ultralytics YOLOv8 daha iyi bir geliştirici deneyimi, daha derin ekosistem entegrasyonu ve çoklu görev desteği sağlar.
Çok Yönlülük#
YOLOv7 öncelikle bir algılama modelidir ve diğer görevler için deneysel dallara sahiptir. Buna karşılık YOLOv8, yerel olarak Nesne Tespiti, Örnek Segmentasyonu, Görüntü Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler. Bu birleşik yaklaşım, ekibin tek bir API öğrenip bunu birbirinden tamamen farklı proje gereksinimlerinde kullanabilmesini sağlar.
Kolaylaştırılmış Dağıtım ve Entegrasyonlar#
Bir modeli üretimde kullanmak üzere dışa aktarmak çoğu zaman darboğaz oluşturabilir. Ultralytics paketi, geliştiricilerin tek satır Python koduyla ONNX, TensorRT ve CoreML gibi biçimlere dışa aktarım yapmasını sağlar. Böylece karmaşık çapa tabanlı grafikleri dışa aktarırken bazen karşılaşılan operatör desteği sorunları önlenir.
YOLOv8 ayrıca MLOps araçlarıyla entegre olur. İster Weights & Biases ile deneyleri takip et, ister Hugging Face Spaces üzerinde dağıtımları test et, Ultralytics ekosistemi ağır işleri senin için halleder.
Kod Örneği: YOLOv8'i Eğitme ve Dışa Aktarma#
Aşağıdaki kod, Ultralytics Python API'sinin ne kadar kolay kullanıldığını gösteriyor. Modeli başlatmaktan eğitmeye ve uç dağıtım için dışa aktarmaya on satırdan kısa sürede geçebilirsin.
from ultralytics import YOLO
# Hızlı çıkarım için önceden eğitilmiş nano YOLOv8 modelini yükle
model = YOLO("yolov8n.pt")
# Modeli COCO8 veri kümesinde eğit
# API, veri yükleme, artırma ve günlük kaydı işlemlerini otomatik olarak yönetir
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Bir test görüntüsü üzerinde çıkarım yap
predictions = model("https://ultralytics.com/images/bus.jpg")
# Eğitilmiş modeli dağıtım için ONNX biçiminde dışa aktar
model.export(format="onnx")model.export() fonksiyonunu kullanmak, yüksek performanslı çıkarım altyapılarına anında bağlantı kurar ve YOLOv8'i mobil uygulamalara, gömülü sistemlere veya yüksek işlem hacimli bulut sunucularına entegre etmene olanak tanır.
Gerçek Dünya Kullanım Senaryoları#
İki model arasındaki mimari farklar, ideal dağıtım senaryolarını belirler.
YOLOv8'i Ne Zaman Seçmeli:
- Uç Yapay Zekâ ve IoT Cihazları: Hızlı Nano ve Small modelleri, YOLOv8'i akıllı kameralar veya dronlar gibi hesaplama gücü sınırlı donanımlar için uygun kılar.
- Çok Görevli Projeler: İşlem hattının engellerin haritasını çıkarırken (Segmentasyon) aynı anda insan eklemlerini izlemesi (Poz Tahmini) gerekiyorsa YOLOv8 bu görevleri yerel olarak yerine getirir.
- Hızlı Prototiplemeden Üretime: Kapsamlı Ultralytics belgeleri ve yalın Python API'si, ekiplerin ürünleri daha hızlı pazara sunmasını sağlar.
YOLOv7'yi Ne Zaman Değerlendirmeli:
- Akademik Kıyaslama: Yeniden parametreleştirme tekniklerinin etkilerini inceleyen araştırmacılar, Hugging Face Papers üzerindeki popülerliğinin de gösterdiği gibi, standart bir temel model olarak çoğu zaman YOLOv7'yi kullanır.
- Eski Sunucu İşlem Hatları: Mevcut ve yüksek işlem gücü gerektiren bir işlem hattı, YOLOv7'nin belirli çapa çıktılarına göre zaten sıkı biçimde optimize edilmişse kısa vadede bu yapıyı korumak pratik olabilir.
İleriye Bakış: Yeni Nesil#
YOLOv8 çok yönlü bir model olmaya devam ediyor; ancak yapay zekâ alanı hızla ilerliyor. Yeni projelere başlayan ekipler için Ultralytics, ürün yelpazesindeki en yeni modelleri değerlendirmeyi öneriyor.
En yeni nesil olan YOLO26, güncel önerilen Ultralytics modelidir. Daha basit ve hızlı dağıtım için Maksimum Olmayan Bastırma (NMS) son işlemesini atlayan bir Uçtan Uca NMS'siz Tasarım seçeneği (nms=False) sunar. Dağılım Odaklı Kaybın (DFL) kaldırılması ve LLM'den ilham alan MuSGD Optimize Edici sayesinde YOLO26 daha istikrarlı eğitim ve %43'e kadar daha hızlı CPU çıkarımı sunar (YOLO26n ile YOLO11n karşılaştırması). ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama), küçük nesne algılamayı iyileştirerek YOLO26'yı modern uç bilişim ve hava görüntüleri için güçlü bir seçenek hâline getirir.
Eski sistemlerden geçiş yapan kullanıcılar için YOLO11 ve klasik YOLOv5 modelleri de birleşik Ultralytics ekosisteminde tam olarak desteklenmeye devam ediyor; böylece donanım kısıtlarına uygun modeli seçebilirsin.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.