Link to this sectionYOLOX ve YOLOv7#

Gerçek zamanlı nesne algılamanın evrimi, sürekli mimari atılımlarla ilerlemiştir. Bu yolculuktaki iki önemli kilometre taşı YOLOX ve YOLOv7 modelleridir. Bir yıl arayla piyasaya sürülen her iki model de standart nesne algılama paradigmasına yeni yaklaşımlar getirerek hız ve doğruluk arasındaki dengeyi önemli ölçüde iyileştirmiştir.

Bu sayfa, YOLOX ve YOLOv7'nin mimarilerini, performans metriklerini ve ideal kullanım senaryolarını karşılaştırarak geliştiricilerin bilgisayarlı görü projeleri için doğru aracı seçmelerine yardımcı olacak derinlemesine bir teknik analiz sunmaktadır.

Link to this sectionYOLOX: Çapa (Anchor) İçermeyen Algılamada Öncü#

Temmuz 2021'de Megvii araştırmacıları tarafından tanıtılan YOLOX, geleneksel çapa tabanlı tasarımlardan uzaklaşarak büyük bir değişim temsil etti. Akademik araştırma ile endüstriyel uygulama arasındaki boşluğu dolduran YOLOX, algılama başlığını (detection head) basitleştirdi ve genel performansı artırdı.

Ana Model Detayları:

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 2021-07-18
• Araştırma Makalesi: arXiv:2107.08430
• Kaynak Kod: Megvii YOLOX GitHub
• Dokümantasyon: YOLOX GitHub Dokümanları

Link to this sectionMimari Yenilikler#

YOLOX, özel veri kümeleri için gereken tasarım parametrelerini ve sezgisel ince ayar miktarını ciddi oranda azaltan çapa içermeyen (anchor-free) bir yaklaşım getirdi. Sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir başlık uygulayarak yakınsama hızını ve doğruluğu iyileştirdi. Ek olarak YOLOX, model sağlamlığını artırmak için MixUp ve Mosaic gibi gelişmiş veri artırma stratejilerini kullandı.

YOLOX hakkında daha fazla bilgi edin

Link to this sectionYOLOv7: Eğitilebilir 'Bag-of-Freebies'#

Temmuz 2022'de Tayvan, Academia Sinica Bilgi Bilimi Enstitüsü araştırmacıları tarafından yayınlanan YOLOv7, gerçek zamanlı nesne algılamanın sınırlarını daha da zorladı. "Eğitilebilir ücretsiz özellikler çantası" (trainable bag-of-freebies) kavramını tanıttı ve piyasaya sürüldüğünde MS COCO veri kümesinde yeni state-of-the-art kıyaslamalar belirledi.

Ana Model Detayları:

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kuruluş: Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
• Tarih: 2022-07-06
• Araştırma Makalesi: arXiv:2207.02696
• Kaynak Kod: WongKinYiu YOLOv7 GitHub
• Dokümantasyon: Ultralytics YOLOv7 Dokümanları

Link to this sectionMimari Yenilikler#

YOLOv7'nin mimarisi, modelin gradyan yolunu bozmadan daha çeşitli özellikleri sürekli olarak öğrenmesini sağlayan Genişletilmiş Verimli Katman Toplama Ağı (E-ELAN) etrafında kurulmuştur. Ayrıca YOLOv7, karmaşık çok dallı eğitim ağlarının çıkarım sırasında daha hızlı, tek yollu ağlara basitleştirilmesini sağlayan model yeniden parametreleştirme tekniklerini kullandı.

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionPerformans Karşılaştırması#

Bu modelleri gerçek dünya uygulamaları için değerlendirirken, farklı ölçeklerdeki performanslarını anlamak çok önemlidir. Aşağıdaki tablo, YOLOX ve YOLOv7'nin çeşitli boyutları için standart metrikleri karşılaştırmaktadır.

Link to this sectionAnaliz#

• Doğruluk: YOLOv7, eşdeğer YOLOX modellerine kıyasla genellikle daha yüksek bir mAP elde eder. Örneğin, YOLOv7x 53,1 mAP değerine ulaşırken YOLOXx 51,1 mAP değerine ulaşır.
• Hız: Her iki model de TensorRT kullanılarak GPU üzerinde çalışmak için oldukça optimize edilmiş olsa da, YOLOv7'nin E-ELAN mimarisi üst düzey uygulamalar için biraz daha iyi iş hacmi sağlar; ancak YOLOX daha küçük uç cihazlarda mükemmel bir gecikme süresi korur.
• Çok Yönlülük: YOLOv7, örnek segmentasyonu ve poz tahmini için yerel olarak ağırlıklar sunarak repertuvarını sınırlayıcı kutuların ötesine genişletmiş ve temel YOLOX deposundan daha çok yönlü hale gelmiştir.

Link to this sectionGerçek Dünya Uygulamaları#

Bu modeller arasında seçim yapmak genellikle özel dağıtım ortamına bağlıdır.

Link to this sectionUç Bilişim ve IoT#

Raspberry Pi veya eski mobil işlemciler gibi kısıtlı uç cihazlar için YOLOX-Nano ve YOLOX-Tiny oldukça caziptir. Minimum parametre sayıları ve çapa içermeyen yapıları, bunları temel hareket takibi veya akıllı kapı zili uygulamaları gibi düşük güç tüketen ortamlarda dağıtmayı kolaylaştırır.

Link to this sectionYüksek Sadakatli Video Analitiği#

Endüstriyel kusur tespiti veya yoğun trafik izleme gibi yüksek çözünürlüklü beslemelerin işlenmesi için YOLOv7 daha üstündür. Güçlü özellik toplama yapısı, nesneler kısmen gizlendiğinde veya ölçekleri büyük ölçüde değiştiğinde bile yüksek doğruluğu korumasını sağlar.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOX ve YOLOv7 arasında seçim yapmak; projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLOX Seçilmeli#

YOLOX şunlar için güçlü bir tercihtir:

• Anchor-Free Algılama Araştırmaları: Yeni algılama başlıkları veya kayıp fonksiyonlarını denemek için YOLOX'un temiz, anchor-free mimarisini temel olarak kullanan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (0.91M parametre) kritik olduğu mikrodenetleyicilerde veya eski mobil donanımlarda dağıtım yapmak.
• SimOTA Etiket Atama Çalışmaları: Optimum taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini araştıran araştırma projeleri.

Link to this sectionNe Zaman YOLOv7 Seçilmeli#

YOLOv7 şunlar için önerilir:

• Akademik Kıyaslama: 2022 dönemi en son teknoloji sonuçlarını yeniden üretmek veya E-ELAN ve eğitilebilir ücretsizler çantası tekniklerinin etkilerini incelemek.
• Yeniden Parametrelendirme Araştırması: Planlı yeniden parametrelendirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
• Mevcut Özel Boru Hatları: YOLOv7'nin belirli mimarisi etrafında inşa edilmiş, kolayca yeniden düzenlenemeyen, yoğun şekilde özelleştirilmiş boru hatlarına sahip projeler.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionUltralytics Avantajı#

YOLOX ve YOLOv7 güçlü araştırma uygulamaları olsa da, bir araştırma deposundan ölçeklenebilir bir üretim ortamına geçmek göz korkutucu olabilir. Ultralytics Platform işte tam bu noktada parlar.

Ultralytics modelleri, model eğitimini, doğrulamasını ve dağıtımını standartlaştırılmış ve kolaylaştırılmış görevler olarak ele alan birleşik bir Python API sağlar. Eski mimarilerde yaygın olan karmaşık üçüncü taraf bağımlılıklarını veya özel C++ operatörlerini yönetme baş ağrısından kurtulursun.

Furthermore, Ultralytics YOLO models require significantly less CUDA memory during training compared to transformer-based detectors like RT-DETR. This allows practitioners to utilize larger batch sizes, stabilizing training and accelerating convergence on custom datasets.

Link to this sectionKod Örneği: Ultralytics ile Eğitim#

Ultralytics ekosistemi, sadece birkaç satır kod ile YOLOv7 veya daha yeni mimarileri kolayca yüklemeni, eğitmeni ve çıkarım yapmanı sağlar.

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()

Link to this sectionGelecek: Ultralytics YOLO26#

YOLOv7 ve YOLOX önemli tarihsel adımları temsil etse de, güncel teknoloji hızla ilerlemektedir. Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, önceki modellerin yerini alan çığır açıcı paradigmalar sunar.

YOLO26 hakkında daha fazla bilgi edin

• End-to-End NMS-Free Design: YOLO26 natively eliminates Non-Maximum Suppression (NMS) post-processing. This drastically reduces latency bottlenecks and guarantees deterministic execution times across varied hardware setups.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kaybı'nı (DFL) kaldırarak ve ağ derinliğini optimize ederek, YOLO26 özel GPU donanımından yoksun uç cihazlar için özel olarak tasarlanmıştır.
• MuSGD Optimize Edici: Gelişmiş LLM eğitim tekniklerinden esinlenen MuSGD optimize edici (SGD ve Muon'un bir hibriti), olağanüstü eğitim kararlılığı ve daha hızlı yakınsama sunar.
• İyileştirilmiş Küçük Nesne Algılama: ProgLoss + STAL kayıp fonksiyonlarının entegrasyonu, drone haritalama ve güvenlik gözetimi için kritik olan küçük, uzak nesneleri tanımada önemli iyileştirmeler sağlar.
• Yerel Görev Desteği: YOLO26, Yönlendirilmiş Sınırlayıcı Kutuları (OBB), örnek segmentasyonu ve poz tahminini aynı kolaylaştırılmış API içinde yerel olarak kapsamlı bir şekilde destekler.

Bugün yeni bir bilgisayarlı görü projesine başlayan herhangi bir modern geliştirici için, hız, doğruluk ve dağıtım kolaylığı açısından mutlak en iyi dengeyi elde etmek adına Ultralytics YOLO26'yı Platform üzerinde değerlendirmek önerilen yoldur. YOLO11 veya YOLOv8 gibi önceki nesillerden yükseltme yapanlar için geçiş süreci, yalnızca model dizgisini değiştirmeyi gerektirir ve anında üstün yeteneklerin kilidini açar.