YOLOX ve YOLOv7
Gerçek zamanlı nesne algılama alanının gelişimi, sürekli mimari ilerlemelerle yönlendirildi. Bu yolculuktaki iki önemli dönüm noktası YOLOX ve YOLOv7 modelleridir. Birbirlerinden bir yıl içinde yayımlanan bu iki model de standart nesne algılama yaklaşımına yeni yöntemler getirerek hız ile doğruluk arasındaki dengeyi önemli ölçüde iyileştirdi.
Bu sayfa, geliştiricilerin bilgisayarlı görü dağıtımları için doğru aracı seçmesine yardımcı olmak amacıyla YOLOX ile YOLOv7'nin mimarilerini, performans metriklerini ve ideal kullanım alanlarını karşılaştıran teknik bir analiz sunuyor.
YOLOX: Anchor-Free Algılamada Öncü#
Temmuz 2021'de Megvii araştırmacıları tarafından tanıtılan YOLOX, geleneksel anchor tabanlı tasarımlardan uzaklaşarak önemli bir değişimi temsil etti. Akademik araştırma ile endüstriyel uygulama arasındaki boşluğu kapatan YOLOX, algılama başlığını sadeleştirip genel performansı iyileştirdi.
Temel Model Bilgileri:
- Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
- Kuruluş: Megvii
- Tarih: 2021-07-18
- Araştırma Makalesi: arXiv:2107.08430
- Kaynak Kodu: Megvii YOLOX GitHub
- Dokümantasyon: YOLOX GitHub Belgeleri
Mimari Yenilikler#
YOLOX, özel veri kümeleri için gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını önemli ölçüde azaltan ankorsuz bir yaklaşım getirdi. Sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrıştırılmış bir başlık uygulayarak yakınsama hızını ve doğruluğu iyileştirdi. Ayrıca YOLOX, model sağlamlığını artırmak için MixUp ve Mosaic gibi gelişmiş veri artırma stratejilerinden yararlandı.
YOLOX hakkında daha fazla bilgi edin
YOLOX, birkaç ankor kutusu yerine her konum için tek bir kutu tahmin ederek eğitim sırasında Yer Birleşimi (IoU) kullanılarak gerçek değerlerle eşleştirilmesi gereken tahminlerin sayısını azaltır; bu da etiket atamayı basitleştirir ve CUDA bellek kullanımını düşürebilir.
YOLOv7: Eğitilebilir Ücretsiz Avantajlar Paketi#
Temmuz 2022'de Academia Sinica, Tayvan'daki Bilgi Bilimi Enstitüsü araştırmacıları tarafından yayımlanan YOLOv7, gerçek zamanlı nesne algılamayı daha da geliştirdi. "Eğitilebilir ücretsiz avantajlar paketi" kavramını tanıtarak yayımlandığı sırada MS COCO veri kümesinde yeni son teknoloji sonuçlar elde etti.
Temel Model Bilgileri:
- Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
- Tarih: 2022-07-06
- Araştırma Makalesi: arXiv:2207.02696
- Kaynak Kodu: WongKinYiu YOLOv7 GitHub
- Belgeler: Ultralytics YOLOv7 Belgeleri
Mimari Yenilikler#
YOLOv7'nin mimarisi, gradyan yolunu bozmadan modelin sürekli olarak daha çeşitli özellikler 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 yararlanır.
YOLOv7 hakkında daha fazla bilgi edin
Performans Karşılaştırması#
Bu modelleri gerçek dünya uygulamaları için değerlendirirken farklı ölçeklerdeki performanslarını anlamak çok önemlidir. Aşağıdaki tablo, YOLOX ve YOLOv7'nin çeşitli boyutlardaki standart ölçütlerini karşılaştırıyor.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Analiz#
- Doğruluk: YOLOv7, eşdeğer YOLOX modellerine kıyasla genellikle daha yüksek mAP değerine ulaşır. Örneğin YOLOv7x 53,1 mAP elde ederken YOLOXx 51,1 değerinde kalır.
- Hız: Her iki model de TensorRT kullanılarak GPU çalıştırması için optimize edilmiştir. Büyük boyutlarda YOLOv7 hem daha hızlı hem de daha doğrudur (örneğin YOLOv7l, YOLOXl'nin 9,04 ms'lik süresine karşılık 6,84 ms'de çalışır); ancak YOLOX, uç cihazlar için daha küçük sürümler sunar.
- Çok yönlülük: YOLOv7, örnek segmentasyonu ve poz tahmini için ağırlıkları yerel olarak sunarak yeteneklerini sınırlayıcı kutuların ötesine taşıdı ve böylece temel YOLOX deposundan daha çok yönlü hâle geldi.
Gerçek Dünya Uygulamaları#
Bu modeller arasında seçim yapmak çoğu zaman dağıtım ortamına bağlıdır.
Uç Bilişim ve IoT#
Raspberry Pi veya eski mobil işlemciler gibi kısıtlı uç cihazlar için YOLOX-Nano ve YOLOX-Tiny cazip seçeneklerdir. Az sayıdaki parametreleri ve ankorsuz yapıları, temel hareket takibi veya akıllı kapı zili uygulamaları gibi görevlerde düşük güçlü ortamlara dağıtımlarını kolaylaştırır.
Yüksek Çözünürlüklü Video Analitiği#
Endüstriyel kusur algılama veya yoğun trafik izleme için yüksek çözünürlüklü akışları işlerken YOLOv7 daha güçlü bir seçenektir. Sağlam özellik birleştirme yapısı, nesneler kısmen örtüldüğünde veya ölçekleri çok değiştiğinde bile yüksek doğruluğu korumasını sağlar.
Kullanım Alanları ve Öneriler#
YOLOX ve YOLOv7 arasında seçim yapmak, projene özgü gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
YOLOX Ne Zaman Seçilmeli#
YOLOX şu durumlarda iyi bir tercihtir:
- Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
- Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (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 etkilerini inceleyen araştırma projeleri.
YOLOv7 Ne Zaman Seçilmeli#
YOLOv7 şu durumlarda önerilir:
- Akademik Kıyaslama: 2022 dönemi son teknoloji sonuçlarını yeniden üretmek veya E-ELAN ile eğitilebilir ücretsiz avantajlar paketi tekniklerinin etkilerini incelemek.
- Yeniden Parametreleştirme Araştırması: Planlanan yeniden parametreleştirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
- Mevcut Özel İşlem Hatları: YOLOv7'nin belirli mimarisi etrafında oluşturulmuş ve kolayca yeniden düzenlenemeyen, kapsamlı biçimde özelleştirilmiş işlem hatlarına sahip projeler.
Ultralytics'i (YOLO26) Ne Zaman Seçmeli#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:
- Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.
Ultralytics Avantajı#
YOLOX ve YOLOv7 güçlü araştırma uygulamaları olsa da bir araştırma deposundan ölçeklenebilir üretim ortamına geçiş zor olabilir. Ultralytics Platform bu noktada yardımcı olur.
Ultralytics modelleri, model eğitimi, doğrulaması ve dağıtımını kolaylaştırılmış, standartlaştırılmış görevler olarak ele alan birleşik bir Python API'si sunar. Böylece eski mimarilerde sıkça karşılaşılan karmaşık üçüncü taraf bağımlılıklarını veya özel C++ işleçlerini yönetme gereği ortadan kalkar.
Ayrıca Ultralytics YOLO modelleri, RT-DETR gibi Transformer tabanlı algılayıcılara kıyasla eğitim sırasında çok daha az CUDA belleği gerektirir. Böylece uygulayıcılar daha büyük toplu iş boyutları kullanabilir; bu da eğitimi kararlı hâle getirip özel veri kümelerinde yakınsamayı hızlandırır.
Ultralytics, modellerin ONNX, OpenVINO ve CoreML gibi endüstri standardı biçimlere tek bir format argümanıyla yerel olarak dışa aktarılmasını destekleyerek model dağıtım sürecini basitleştirir.
Kod Örneği: Ultralytics ile Eğitim#
Ultralytics Python paketi, YOLOv7 .pt kontrol noktalarını yerel olarak eğitmez veya çalıştırmaz (YOLOv7 belgeleri, dışa aktarılmış ONNX veya TensorRT modellerinin nasıl çalıştırılacağını gösterir); ancak YOLO26 gibi daha yeni mimariler yalnızca birkaç satır kodla yüklenebilir, eğitilebilir ve çalıştırılabilir.
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLO26 modeli yükle
model = YOLO("yolo26n.pt")
# Modeli özel bir veri kümesinde (ör. COCO8) eğit
# API; veri yükleme, artırma ve bellek yönetimini otomatik olarak gerçekleştirir
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Bir test görüntüsü üzerinde çıkarım yap
predictions = model("path/to/image.jpg")
predictions[0].show()Gelecek: Ultralytics YOLO26#
YOLOv7 ve YOLOX önemli tarihsel adımları temsil etse de alan hızla ilerliyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, önceki modellerin yerini alan çeşitli değişiklikler sunuyor.
- Uçtan Uca, NMS İçermeyen Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), NMS son işlemesini atlar. Bu, gecikme darboğazlarını azaltır ve çeşitli donanım yapılandırmalarında öngörülebilir yürütme süreleri sağlar. - CPU'da %43'e Varan Daha Hızlı Çıkarım: Dağılım Odaklı Kayıp (DFL) kaldırıldığından ve çıkarım NMS içermediğinden YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da onu özel GPU donanımı olmayan uç cihazlar için uygun kılar.
- MuSGD Optimizasyonu: Büyük Dil Modeli eğitim tekniklerinden ilham alan MuSGD iyileştiricisi (SGD ile Muon'un hibriti), kararlı eğitim ve daha hızlı yakınsama sağlar.
- Geliştirilmiş Küçük Nesne Algılama: ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama), küçük ve uzaktaki nesnelerin tanınmasını iyileştirir; bu, drone haritalama ve güvenlik gözetimi için kritik önem taşır.
- Yerel Görev Desteği: YOLO26, örnek segmentasyonunu, anlamsal segmentasyonu, derinlik tahminini, sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) aynı API içinde yerel olarak destekler.
Bugün yeni bir bilgisayarlı görü projesine başlayan geliştiriciler için Ultralytics YOLO26, hız, doğruluk ve dağıtım kolaylığı arasında en iyi dengeyi sunan önerilen seçenektir. YOLO11 veya YOLOv8 gibi önceki nesillerden yükseltme yapanlar için genellikle yalnızca model dizgesini değiştirmek yeterlidir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.