Ultralytics YOLO27:

YOLOX ve YOLOv7#

Gerçek zamanlı nesne algılama alanındaki gelişmeler, mimarideki sürekli atılımlarla şekillenmiştir. Bu yolculuktaki iki önemli dönüm noktası YOLOX ve YOLOv7 modelleridir. Birbirlerinden bir yıl içinde yayımlanan bu iki model de standart nesne algılama yaklaşımına yenilikçi yöntemler getirerek hız ve doğruluk arasındaki dengeyi önemli ölçüde iyileştirmiştir.

Bu sayfa, geliştiricilerin bilgisayarlı görü dağıtımları için doğru aracı seçmesine yardımcı olmak amacıyla YOLOX ve YOLOv7'nin mimarilerini, performans metriklerini ve ideal kullanım alanlarını derinlemesine teknik olarak karşılaştırır.

YOLOX: Öncü Ankorsuz Algılama#

Temmuz 2021'de Megvii araştırmacıları tarafından tanıtılan YOLOX, geleneksel ankor tabanlı tasarımlardan uzaklaşarak önemli bir değişim yarattı. YOLOX, akademik araştırma ile endüstriyel uygulama arasındaki boşluğu kapatarak algılama başlığını sadeleştirdi ve genel performansı iyileştirdi.

Temel Model Ayrıntıları:

Mimari Yenilikler#

YOLOX, özel veri kümeleri için gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını büyük ölçüde azaltan ankorsuz bir yaklaşım sundu. Sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrıştırılmış bir başlık uygulayarak yakınsama hızını ve doğruluğu iyileştirdi. Ayrıca YOLOX, model dayanıklılığını artırmak için MixUp ve Mosaic gibi gelişmiş veri artırma stratejilerinden yararlandı.

YOLOX hakkında daha fazla bilgi edin

Anchorsuz Tasarımın Avantajı

YOLOX, ankor kutularını ortadan kaldırarak eğitim sırasında tahminler ile gerçek değerler arasındaki Kesişim-Birleşim Oranı (IoU) hesaplamasının getirdiği hesaplama yükünü azaltır; bunun sonucunda daha düşük CUDA belleği gereksinimi ve daha kısa eğitim süreleri elde edilir.

YOLOv7: Eğitilebilir Ücretsizler Paketi#

Temmuz 2022'de Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü araştırmacıları tarafından yayımlanan YOLOv7, gerçek zamanlı nesne algılamanın sınırlarını daha da ileri taşıdı. YOLOv7, "eğitilebilir bedava kazanımlar çantası" kavramını ortaya koyarak yayımlandığında MS COCO veri kümesinde yeni, son teknoloji başarı ölçütleri belirledi.

Temel Model Ayrıntıları:

Mimari Yenilikler#

YOLOv7'nin mimarisi, modelin gradyan yolunu bozmadan daha çeşitli özellikleri sürekli olarak öğrenmesini sağlayan Genişletilmiş Verimli Katman Birleştirme Ağı (E-ELAN) üzerine kuruludur. Ayrıca YOLOv7, karmaşık çok dallı eğitim ağlarının çıkarım sırasında daha hızlı, tek yollu ağlara sadeleştirilmesini sağlayan model yeniden parametreleştirme tekniklerinden yararlandı.

YOLOv7 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modelleri gerçek dünya uygulamaları için değerlendirirken farklı ölçeklerdeki performanslarını anlamak kritik öneme sahiptir. Aşağıdaki tablo, çeşitli YOLOX ve YOLOv7 boyutları için standart metrikleri karşılaştırır.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Analiz#

  • Doğruluk: YOLOv7, eşdeğer YOLOX modellerine kıyasla genellikle daha yüksek mAP değerine ulaşır. Örneğin YOLOv7x, YOLOXx'in 51.1 değerine kıyasla 53.1 mAP elde eder.
  • Hız: Her iki model de TensorRT kullanılarak GPU çalıştırması için büyük ölçüde optimize edilmiş olsa da YOLOv7'nin E-ELAN mimarisi üst düzey uygulamalarda biraz daha iyi aktarım hızı sunar; YOLOX ise daha küçük uç cihazlarda mükemmel gecikme değerlerini korur.
  • Çok Yönlülük: YOLOv7, örnek bölütleme ve poz tahmini için ağırlıkları yerel olarak sağlayarak yeteneklerini sınırlayıcı kutuların ötesine taşıdı; bu da onu temel YOLOX deposundan daha çok yönlü hâle getirdi.

Gerçek Dünya Uygulamaları#

Bu modeller arasındaki seçim çoğu zaman özel dağıtım ortamına bağlıdır.

Uç Bilişim ve IoT#

Raspberry Pi veya eski mobil işlemciler gibi kaynakları kısıtlı uç cihazlar için YOLOX-Nano ve YOLOX-Tiny oldukça cazip seçeneklerdir. Minimum parametre sayıları ve ankorsuz yapıları, temel hareket takibi veya akıllı kapı zili uygulamaları gibi görevlerde düşük güç tüketimli ortamlara dağıtılmalarını kolaylaştırır.

Yüksek Sadakatli Video Analizi#

Endüstriyel kusur algılama veya yoğun trafik izleme işlemlerinde yüksek çözünürlüklü akışlar için YOLOv7 üstündür. Sağlam özellik birleştirme yapısı, nesneler kısmen örtülse veya ölçekleri büyük ölçüde değişse bile yüksek doğruluğu korumasını sağlar.

Kullanım Alanları ve Öneriler#

YOLOX ve YOLOv7 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOX Ne Zaman Seçilmeli?#

YOLOX şu durumlar için güçlü bir seçenektir:

  • Çapasız Algılama Araştırması: Yeni algılama başlıklarını veya kayıp işlevlerini denemek için YOLOX'in temiz, çapasız mimarisini temel alan akademik araştırmalar.
  • Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (0.91M parametre) kritik olduğu mikrodenetleyicilere veya eski mobil donanımlara dağıtım.
  • SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkisini inceleyen araştırma projeleri.

YOLOv7 Ne Zaman Seçilmeli#

YOLOv7 şu durumlarda önerilir:

  • Akademik Karşılaştırma: 2022 döneminin son teknoloji düzeyi sonuçlarını yeniden üretmek veya E-ELAN ile eğitilebilir ücretsiz avantajlar paketi tekniklerinin etkilerini incelemek.
  • Yeniden Parametrelendirme Araştırması: Planlı yeniden parametrelendirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
  • Mevcut Özel İş Akışları: Kolayca yeniden düzenlenemeyen, YOLOv7'nin belirli mimarisi etrafında oluşturulmuş ve yoğun biçimde özelleştirilmiş iş akışlarına sahip projeler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

  • NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
  • Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı#

YOLOX ve YOLOv7 güçlü araştırma uygulamaları olsa da bir araştırma deposundan ölçeklenebilir bir üretim ortamına geçiş göz korkutucu olabilir. İşte Ultralytics Platform burada öne çıkar.

Ultralytics modelleri, model eğitimi, doğrulama ve dağıtımını kolaylaştırılmış, standartlaştırılmış görevler olarak ele alan birleşik Python API'si sunar. Eski mimarilerde yaygın olan karmaşık üçüncü taraf bağımlılıklarını veya özel C++ operatörlerini yönetme zahmetinden kurtulursun.

Ayrıca Ultralytics YOLO modelleri, RT-DETR gibi Transformer tabanlı algılayıcılara kıyasla eğitim sırasında önemli ölçüde daha az CUDA belleği gerektirir. Bu sayede uygulayıcılar daha büyük toplu iş boyutlarından yararlanabilir, böylece eğitim kararlı hâle gelir ve özel veri kümelerinde yakınsama hızlanır.

Desteklenen Entegrasyonlar

Ultralytics, basit bir boolean bayrağıyla modellerin ONNX, OpenVINO ve CoreML gibi endüstri standardı biçimlere aktarılmasını yerel olarak destekler ve model dağıtım sürecini büyük ölçüde basitleştirir.

Kod Örneği: Ultralytics ile Eğitim#

Ultralytics ekosistemi, yalnızca birkaç satır kodla YOLOv7 veya daha yeni mimarileri kolayca yüklemene, eğitmene ve çıkarım çalıştırmana olanak tanır.

from ultralytics import YOLO

# Load a pre-trained YOLOv7 model
model = YOLO("yolov7.pt")

# Train the model on a custom dataset (e.g., COCO8)
# The API handles data loading, augmentation, and memory management automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a test image
predictions = model("path/to/image.jpg")
predictions[0].show()

Gelecek: Ultralytics YOLO26#

YOLOv7 ve YOLOX önemli tarihsel adımları temsil etse de son teknoloji hızla ilerliyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, önceki modellerin yerini alan çığır açıcı yaklaşımlar sunuyor.

  • Uçtan Uca NMS'siz Tasarım: YOLO26, çıkarım sonrası işlemede Maksimum Olmayan Bastırmayı (NMS) yerel olarak ortadan kaldırır. Bu, gecikme darboğazlarını büyük ölçüde azaltır ve farklı donanım yapılandırmalarında belirli yürütme sürelerini garanti eder.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kayıbını (DFL) kaldıran ve ağ derinliğini optimize eden YOLO26, özel GPU donanımına sahip olmayan uç cihazlar için büyük ölçüde uyarlanmıştır.
  • MuSGD Optimize Edicisi: Gelişmiş LLM eğitim tekniklerinden esinlenen MuSGD optimize edicisi (SGD ve Muon'un hibriti), olağanüstü eğitim kararlılığı ve daha hızlı yakınsama sunar.
  • İyileştirilmiş Küçük Nesne Algılama: ProgLoss + STAL kayıp işlevlerinin entegrasyonu, küçük ve uzaktaki nesneleri tanımada önemli iyileştirmeler sağlar; bu, drone haritalama ve güvenlik gözetimi için kritik öneme sahiptir.
  • Yerel Görev Desteği: YOLO26, aynı kolaylaştırılmış API içinde Yönlendirilmiş Sınırlayıcı Kutuları (OBB), örnek bölütlemeyi ve poz tahminini yerel olarak kapsamlı biçimde destekler.

Günümüzde yeni bir bilgisayarlı görü projesine başlayan herhangi bir modern geliştirici için, hız, doğruluk ve dağıtım kolaylığı arasında mutlak anlamda en iyi dengeyi elde etmenin önerilen yolu Platform üzerinde Ultralytics YOLO26'yı değerlendirmektir. YOLO11 veya YOLOv8 gibi önceki nesillerden yükseltme yapanlar için geçiş yalnızca model dizesinin değiştirilmesini gerektirir ve üstün yeteneklerin kilidini anında açar.

Katkıda Bulunanlar
GLglenn-jocher15

Yorumlar