YOLO Vision 2026:

YOLOX ve YOLOv7#

Gerçek zamanlı object detection evrimi, sürekli mimari atılımlarla desteklenmiştir. Bu yoldaki iki önemli dönüm noktası YOLOX ve YOLOv7'dir. Bir yıl içinde piyasaya sürülen her iki model de standart nesne tespiti paradigmasına yeni yaklaşımlar getirmiş, hız ve accuracy 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.

YOLOX: 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:

Mimari Yenilikler#

YOLOX, özel veri kümeleri için gereken tasarım parametresi ve sezgisel ayar sayısını büyük ölçüde azaltan anchor-free bir yaklaşım getirmiştir. Sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir başlık uygulayarak yakınsama hızını ve doğruluğunu artırmıştır. Ek olarak YOLOX, modelin gürbüzlüğünü artırmak için MixUp ve Mosaic gibi gelişmiş data augmentation stratejilerinden yararlanmıştır.

YOLOX hakkında daha fazla bilgi edin

Çapasız (Anchor-Free) Avantajı

Anchor kutularını ortadan kaldıran YOLOX, eğitim sırasında tahminler ile zemin gerçekleri arasındaki Intersection over Union (IoU) hesaplamasının hesaplama yükünü azaltır; bu da daha düşük CUDA memory gereksinimleri ve daha hızlı eğitim süreleri sağlar.

YOLOv7: 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:

Mimari 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

Performans 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.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(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#

  • Accuracy: YOLOv7, eşdeğer YOLOX modellerine kıyasla genellikle daha yüksek bir mAP elde eder. Örneğin YOLOv7x, YOLOXx'in 51.1 değerine kıyasla 53.1 mAP elde eder.
  • Speed: Her iki model de TensorRT kullanılarak GPU yürütme için son derece optimize edilmiş olsa da, YOLOv7'nin E-ELAN mimarisi üst düzey uygulamalar için biraz daha iyi aktarım hızı sağlar; ancak YOLOX daha küçük uç cihazlarda mükemmel gecikmeyi korur.
  • Versatility: YOLOv7, instance segmentation ve pose estimation için yerel olarak ağırlıklar sağlayarak repertuarını sınırlayıcı kutuların ötesine genişletmiş ve temel YOLOX deposundan daha çok yönlü hale gelmiştir.

Gerçek Dünya Uygulamaları#

Bu modeller arasında seçim yapmak genellikle özel dağıtım ortamına bağlıdır.

Uç Bilişim ve IoT#

Raspberry Pi veya daha eski mobil işlemciler gibi kısıtlı uç cihazlar için YOLOX-Nano ve YOLOX-Tiny oldukça caziptir. Minimum parametre sayıları ve anchor-free yapıları, temel hareket takibi veya akıllı kapı zili uygulamaları gibi görevler için düşük güç ortamlarında dağıtımlarını kolaylaştırır.

Yüksek 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.

Kullanım Durumları ve Öneriler#

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

Ne 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.

Ne 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.

Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı#

Hem YOLOX hem de YOLOv7 güçlü araştırma uygulamaları olsa da, bir araştırma deposundan ölçeklenebilir bir üretim ortamına geçmek ürkütücü olabilir. Ultralytics Platform tam burada 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.

Dahası, Ultralytics YOLO modelleri, RT-DETR gibi transformer tabanlı dedektörlere kıyasla eğitim sırasında önemli ölçüde daha az CUDA memory gerektirir. Bu, uygulayıcıların daha büyük batch sizes kullanmasına olanak tanıyarak özel veri kümelerinde eğitimi istikrarlı hale getirir ve yakınsamayı hızlandırır.

Desteklenen Entegrasyonlar

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

Kod 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()

Gelecek: 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, Non-Maximum Suppression (NMS) son işlemeyi yerel olarak ortadan kaldırır. Bu, gecikme darboğazlarını büyük ölçüde azaltır ve farklı donanım kurulumlarında belirleyici yürütme sürelerini garanti eder.
  • %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.
  • Improved Small Object Detection: ProgLoss + STAL kayıp fonksiyonlarının entegrasyonu, küçük ve uzak nesneleri tanımada önemli gelişmeler sağlar; bu da drone mapping ve güvenlik gözetimi için kritiktir.
  • Native Task Support: YOLO26, aynı kolaylaştırılmış API içinde yerel olarak Oriented Bounding Boxes (OBB), örnek bölütleme ve poz tahminini kapsamlı bir şekilde destekler.

Bugün yeni bir bilgisayarlı görü projesi başlatan modern herhangi bir geliştirici için Ultralytics YOLO26 on the Platform değerlendirmesi, hız, doğruluk ve dağıtım basitliğinin mutlak en iyi dengesini elde etmek için önerilen yoldur. YOLO11 veya YOLOv8 gibi önceki nesillerden yükseltme yapanlar için geçiş, yalnızca model dizesini değiştirmeyi gerektirir ve üstün yeteneklerin anında kilidini açar.

Katkıda Bulunanlar
GLglenn-jocher15

Yorumlar