Ultralytics YOLO27:
Get Started

YOLOX ve YOLOv7#

Gerçek zamanlı nesne algılamadaki gelişmeler, mimarideki sürekli atılımlarla şekillendi. Bu yolculuktaki iki önemli kilometre taşı YOLOX ve YOLOv7'dir. Birbirlerinden bir yıl arayla yayımlanan her iki model de standart nesne algılama yaklaşımına yeni yöntemler getirdi ve hız ile doğruluk arasındaki dengeyi önemli ölçüde iyileştirdi.

Bu sayfada YOLOX ve YOLOv7'nin mimarileri, performans ölçütleri ve ideal kullanım alanları ayrıntılı olarak incelenip karşılaştırılıyor; böylece geliştiricilerin bilgisayarlı görü dağıtımları için doğru aracı seçmesine yardımcı olunuyor.

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:

Mimari Yenilikler#

YOLOX, özel veri kümelerinde gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını büyük ölçüde azaltan anchor-free bir yaklaşım sundu. Sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrık bir başlık uygulayarak yakınsama hızını ve doğruluğu iyileştirdi. Ayrıca modelin sağlamlığını artırmak için MixUp ve Mosaic gibi gelişmiş veri artırma stratejilerinden yararlandı.

YOLOX hakkında daha fazla bilgi edin

Çapasız Tasarımın Avantajı

YOLOX, anchor kutularını ortadan kaldırarak eğitim sırasında tahminler ile gerçek değerler arasındaki Kesişim/Birleşim (IoU) hesaplamasının getirdiği hesaplama yükünü azaltır. Böylece CUDA belleği gereksinimleri düşer ve eğitim süresi kısalır.

YOLOv7: Eğitilebilir Ücretsiz Avantajlar Paketi#

Temmuz 2022'de Tayvan'daki Academia Sinica Bilgi Bilimi Enstitüsü araştırmacıları tarafından yayımlanan YOLOv7, gerçek zamanlı nesne algılamanın sınırlarını daha da ileri taşıdı. "Eğitilebilir ücretsiz avantajlar paketi" kavramını tanıttı ve yayımlandığında MS COCO veri kümesinde yeni son teknoloji kıyaslama sonuçları elde etti.

Temel Model Bilgileri:

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.

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 53,1 mAP elde ederken YOLOXx 51,1 değerinde kalır.
  • Hız: Her iki model de TensorRT kullanılarak GPU'da çalışacak şekilde yüksek düzeyde optimize edilmiştir. YOLOv7'nin E-ELAN mimarisi üst düzey uygulamalarda biraz daha iyi aktarım hızı sunarken YOLOX, daha küçük uç cihazlarda mükemmel gecikme değerlerini korur.
  • 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 gibi kısıtlı uç cihazlarda veya eski mobil işlemcilerde YOLOX-Nano ve YOLOX-Tiny oldukça cazip seçeneklerdir. Az sayıda parametreye sahip olmaları ve anchor-free yapıları, temel hareket takibi veya akıllı kapı zili uygulamaları gibi görevlerde düşük güç tüketimli ortamlara dağıtılmalarını kolaylaştırır.

Yüksek Çözünürlüklü Video Analitiği#

Endüstriyel kusur tespiti veya yoğun trafik izleme için yüksek çözünürlüklü akışları işlerken YOLOv7 daha üstündür. Sağlam özellik birleştirme yaklaşımı sayesinde nesneler kısmen örtüldüğünde veya boyutları büyük ölçüde değiştiğinde bile yüksek doğruluğu korur.

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:

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

Ultralytics Avantajı#

YOLOX ve YOLOv7 güçlü araştırma uygulamaları olsa da bir araştırma deposundan ölçeklenebilir üretim ortamına geçmek göz korkutucu olabilir. Ultralytics Platform bu noktada öne çıkar.

Ultralytics modelleri, model eğitimi, doğrulama ve dağıtımı sadeleştirilmiş ve standartlaştırılmış görevlere dönüştüren birleşik Python API'si sunar. Eski mimarilerde sık karşılaşılan karmaşık üçüncü taraf bağımlılıklarını veya özel C++ işleçlerini yönetmenin zorluğuyla uğraşmazsın.

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.

Desteklenen Entegrasyonlar

Ultralytics, modelleri tek bir format argümanıyla ONNX, OpenVINO ve CoreML gibi endüstri standardı biçimlere yerel olarak aktarır ve model dağıtım sürecini büyük ölçüde kolaylaştırır.

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 aşamaları temsil etse de son teknoloji hızla ilerliyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, önceki modellerin yerini alan çığır açıcı yaklaşımlar sunuyor.

  • Uçtan Uca NMS İçermeyen Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini atlar. Böylece gecikme darboğazları büyük ölçüde azalır ve farklı donanım yapılandırmalarında belirlenimci yürütme süreleri garanti edilir.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) modülünü kaldırıp ağ derinliğini optimize eden YOLO26, özel GPU donanımı bulunmayan uç cihazlar için kapsamlı biçimde uyarlanmıştır.
  • MuSGD Optimize Edicisi: Gelişmiş LLM eğitim tekniklerinden esinlenen MuSGD optimize edicisi (SGD ve Muon hibriti), olağanüstü eğitim kararlılığı ve daha hızlı yakınsama sağlar.
  • Geliştirilmiş Küçük Nesne Algılama: ProgLoss + STAL kayıp fonksiyonlarının entegrasyonu, küçük ve uzaktaki nesneleri tanımada önemli iyileştirmeler sağlar. Bu, drone haritalama ve güvenlik gözetimi açısından kritik önemdedir.
  • Yerel Görev Desteği: YOLO26, Yönlendirilmiş Sınırlayıcı Kutuları (OBB), örnek segmentasyonunu ve poz tahminini aynı sadeleştirilmiş API içinde yerel olarak kapsamlı biçimde destekler.

Bugün yeni bir bilgisayarlı görü projesine başlayan modern geliştiricilerin en iyi hız, doğruluk ve dağıtım kolaylığı dengesine ulaşmak için Platform'daki Ultralytics YOLO26 modelini değerlendirmesi önerilir. YOLO11 veya YOLOv8 gibi önceki nesillerden geçiş yapanların yalnızca model adını değiştirmesi yeterlidir; böylece üstün yetenekler hemen kullanılabilir.

Katkıda Bulunanlar
GLglenn-jocher16

Yorumlar