YOLOv5 ve YOLO26: Gerçek Zamanlı Nesne Algılamanın Evrimi

Nesne algılamanın evrimi, hız, doğruluk ve kullanım kolaylığı açısından önemli atılımlarla işaretlenmiştir. Bu karşılaştırma, YOLOv5, yani Vision AI'yı demokratikleştiren efsanevi model ile Ultralytics yeni nesil kenar verimliliği ve uçtan uca performans için Ultralytics en son teknoloji ürünü mimari olan YOLO26'yı karşılaştırmaktadır.

Her iki model de bilgisayar görme tarihinin önemli dönüm noktalarını temsil ediyor. YOLOv5 , 2020 yılında kullanılabilirlik ve topluluk tarafından benimsenme konusunda standartları YOLOv5 , YOLO26 ise uçtan uca NMS mimari, LLM'den ilham alan optimizasyon ve rakipsiz CPU 2026 yılında bu alandaki dengeleri yeniden tanımlıyor.

YOLOv5: Topluluğun Favorisi

YOLOv5 , Ultralytics tarafından Haziran 2020'de piyasaya sürüldü ve PyTorch geliştirmeye doğru bir geçişi işaret etti. Sadece performansı ile değil, benzersiz kullanım kolaylığı ile de ün kazandı ve gelişmiş bilgisayar görüşünü dünya çapındaki geliştiriciler ve araştırmacılar için erişilebilir hale getirdi.

Yazarlar: Glenn Jocher
Kuruluş:Ultralytics
Tarih: 2020-06-26
GitHub:https://github.com/ultralytics/yolov5
Belgeler:https://docs.ultralytics.com/models/yolov5/

Mimari ve Güçlü Yönler

YOLOv5 , AI'nın "Kullanıcı Deneyimi"ne odaklanan modern bir mimariyi YOLOv5 . CSP-Darknet53 backbone Path Aggregation Network (PANet) boynu kullanarak farklı ölçekler arasında özellik yayılımını iyileştirdi.

Temel özellikler şunları içerir:

Mozaik Veri Artırma: Dört görüntüyü tek bir görüntüde birleştiren bir eğitim tekniği olup, modelin detect nesneleri detect ve yeni bağlamlara genelleme yeteneğini önemli ölçüde geliştirir.
Otomatik Öğrenme Bağlantı Kutuları: Model, eğitim başlamadan önce özel veri kümeniz için en uygun bağlantı kutusu boyutlarını otomatik olarak öğrenir.
Dağıtım Kolaylığı: ONNX, CoreMLve TFLite , onu mobil ve uç uygulamalar için vazgeçilmez hale getirdi.

YOLOv5 hakkında daha fazla bilgi edinin.

YOLO26: Verimlilik için Yeni Standart

2026 yılının Ocak ayında piyasaya sürülen YOLO26, öncüllerinin mirasını temel alır ancak radikal mimari değişiklikler getirir. Son yıllarda elde edilen doğruluk kazanımlarından ödün vermeden CPU hızına öncelik veren, kesin "kenar öncelikli" model olarak tasarlanmıştır.

Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2026-01-14
GitHub:https://github.com/ultralytics/ultralytics
Belgeler:ultralytics

Çığır Açan Özellikler

YOLO26, klasik YOLOv5 ayıran birkaç son teknoloji yeniliği bünyesinde barındırır:

Yerel Olarak Uçtan Uca (NMS): Son işlem sırasında çakışan kutuları filtrelemek için Non-Maximum Suppression (NMS) gerektiren YOLOv5 aksine, YOLO26 yerel olarak uçtan uca çalışır. Bu, NMS neden olduğu gecikme farkını ortadan kaldırarak, robotik ve otonom sürüş alanlarında gerçek zamanlı kontrol sistemleri için çok önemli olan tutarlı çıkarım sürelerini garanti eder.
MuSGD Optimizer: Moonshot AI'nın Kimi K2 gibi Büyük Dil Modellerinin (LLM) eğitim istikrarından esinlenen YOLO26, SGD Muon'u birleştiren hibrit bir optimizer kullanır. Bu, LLM yakınsama özelliklerini görme görevlerine getirir.
DFL Kaldırma: Dağıtım Odak Kaybını kaldırarak model yapısı basitleştirilir, bu da daha temiz dışa aktarımlara ve Coral Edge TPU gibi düşük güçlü kenar cihazları ve hızlandırıcılarla daha iyi uyumluluğa yol açar.
ProgLoss + STAL: Yeni kayıp fonksiyonları (ProgLoss ve STAL), birçok gerçek zamanlı dedektörün geleneksel zayıf noktası olan küçük nesne tanımada önemli iyileştirmeler sağlar.

YOLO26 hakkında daha fazla bilgi edinin

Performans Dengesi

YOLO26, önceki nesillere kıyasla %43'e varan daha hızlı CPU sağlarken, daha yüksek doğruluğu koruyarak olağanüstü bir denge elde eder. Bu özelliği, GPU kısıtlı veya mevcut olmadığı cihazlar için ideal hale getirir.

Teknik Karşılaştırma: Performans Ölçütleri

Aşağıdaki tablo, YOLOv5 YOLO26 arasındaki performans farklarını göstermektedir. YOLOv5 yetenekli bir model YOLOv5 , YOLO26 tüm model ölçeklerinde üstün verimlilik ve doğruluk sergilemektedir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

Not: YOLO26'nın CPU ONNX) üzerinde dramatik hız artışı, sadeleştirilmiş mimarisi ve karmaşık son işlem adımlarının kaldırılması sayesinde gerçekleşmiştir.

Eğitim Metodolojileri ve Ekosistem

Ultralytics seçmenin en büyük avantajı, paylaşılan ekosistemdir. YOLOv5 'ten YOLOv5 geçiş sorunsuzdur, çünkü her ikisi de ultralytics Python ve Ultralytics Platform.

Kullanım Kolaylığı ve API

Her iki model de, tüm AI yaşam döngüsünü basitleştiren birleşik bir API kullanır. CLI Python kullanıyor olsanız da, sözdizimi sezgisel kalır.

from ultralytics import YOLO

# Load a model (YOLOv5 or YOLO26)
model = YOLO("yolo26n.pt")  # Switch to 'yolov5s.pt' seamlessly

# Train on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate performance
metrics = model.val()

Eğitim Verimliliği

YOLOv5 verimli eğitim için çıtayı yükselterek, GPU en üst düzeye çıkarmak için "AutoBatch" gibi özellikler sunar. YOLO26, MuSGD Optimizer ile bunu daha da ileriye taşır. Eğitim dinamiklerini stabilize ederek, YOLO26 genellikle daha hızlı yakınsar ve en yüksek doğruluğa ulaşmak için daha az dönem gerektirir. Bu, araştırmacılar için daha düşük bulut hesaplama maliyetleri ve daha hızlı yineleme döngüleri anlamına gelir.

Ayrıca, YOLO26'nın azaltılmış bellek gereksinimleri, RT-DETR gibi transformatör ağırlıklı mimarilere kıyasla tüketici sınıfı donanımlarda daha büyük parti boyutlarına olanak tanır. RT-DETR.

Gerçek Dünya Uygulamaları

Bu modeller arasında seçim genellikle dağıtım donanımı ve belirli kullanım senaryosu gereksinimlerine bağlıdır.

Uç Bilişim ve IoT

Raspberry Pi veya cep telefonlarında çalışan uygulamalar için YOLO26 açık ara kazanan. %43'e varan CPU ve NMS kaldırılması, akıllı park yönetimi veya el tipi envanter tarama gibi görevlerde inanılmaz bir tepki hızı NMS . Dağıtım Odak Kaybı'nın (DFL) kaldırılması da mikrodenetleyiciler için tamsayı nicelemeye dönüşümü basitleştiriyor.

Robotik ve Otonom Sistemler

Robotik alanında gecikme tutarlılığı çok önemlidir. YOLO26'nın uçtan uca NMS tasarımı, sahneler NMS neden olduğu değişken işlem süresini ortadan kaldırarak çıkarım süresinin belirleyici olmasını sağlar. Bu güvenilirlik, otonom navigasyon ve çarpışma önleme sistemleri için çok önemlidir.

Eski Sistemler Desteği

YOLOv5 , dağıtım boru hattının YOLOv5 etrafında katı bir şekilde tanımlanmış olduğu eski sistemler için (örneğin, eski FPGA bit akışlarının beklediği belirli tensor ) sağlam bir seçenek olmaya devam etmektedir. Geniş topluluk desteği ve yıllarca süren savaş testleri, neredeyse her türlü uç durum için çözümlerin forumlarda ve GitHub sorunlarında kolayca bulunabileceği anlamına gelir.

Çok yönlülük: Algılamanın Ötesinde

YOLOv5 , sonraki sürümlerde (v7.0) segmentasyonu destekleyecek şekilde YOLOv5 , YOLO26 baştan sona çoklu görev öğrencisi olarak geliştirildi.

Örnek Segmentasyonu: YOLO26, semantik segmentasyon kaybı ve çok ölçekli proto modülleri gibi göreve özel iyileştirmeler içerir ve tıbbi görüntü analizi gibi görevler için maske kalitesini artırır.
Poz Tahmini: Artık Log-Olasılık Tahmini (RLE) ile YOLO26, spor analizlerinde insan poz tahmini için üstün anahtar nokta doğruluğu sunar.
Yönlendirilmiş Sınır Kutuları (OBB): Hava görüntüleri ve uydu verileri için, YOLO26'nın özel açı kaybı, döndürülmüş nesne algılamada sık görülen sınır sorunlarını çözer ve OBB görevleri için üstün bir performans sağlar.

Sonuç

Hem YOLOv5 YOLO26, Ultralytics yapay zekayı kolay, hızlı ve doğru hale getirme Ultralytics örneklemektedir. YOLOv5 , sektörde büyük bir etkiye sahip, klasik ve güvenilir bir iş gücü olmaya devam etmektedir. Ancak, 2026'daki yeni projeler için YOLO26, cazip bir yükseltme yolu sunmaktadır.

NMS tasarımı, MuSGD optimizörü ve olağanüstü CPU ile YOLO26, sadece bir güncelleme değil, uç yapay zeka için bir sıçrama niteliğindedir. Algılama, segmentasyon, poz ve sınıflandırmayı tek bir verimli çerçeve altında birleştiren Ultralytics , geliştiricilere yarının bilgisayar görme zorluklarını bugün çözmek için en iyi araçları Ultralytics .

Diğer modern mimarileri keşfetmek isteyen geliştiriciler için, YOLO11 modeli de mükemmel performans sunar, ancak YOLO26, hız ve yeni nesil özellikler arasındaki dengesi nedeniyle en çok önerilen modeldir.