YOLO11 ile YOLOv5
Doğru sinir ağı mimarisini seçmek, her bilgisayarlı görü projesi için önemli bir karardır. Yapay zekâ geliştikçe geliştiricilerin ve araştırmacıların kullanabileceği araçlar da gelişiyor. Bu kılavuz, Ultralytics ekosisteminde yaygın olarak kullanılan iki modelin teknik karşılaştırmasını sunuyor: uzun süredir kullanılan YOLOv5 ve daha yeni YOLO11.
İster uç bilişim yapay zekâsı uygulamaları için hafif modeller dağıtıyor ister bulut GPU'larında yüksek çözünürlüklü video akışlarını işliyor ol, bu modellerin mimari ayrıntılarını, performans ölçütlerini ve ideal kullanım alanlarını anlamak, dağıtım kısıtlarına göre veriye dayalı bir seçim yapmanı sağlar.
Model Soy Ağacı ve Teknik Ayrıntılar#
Her iki model de Ultralytics'in açık kaynak iş birliğine, güvenilir performansa ve kullanım kolaylığına odaklandığını yansıtıyor ve makine öğrenimi topluluğu tarafından yaygın biçimde benimseniyor.
YOLO11 Ayrıntıları#
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: ultralytics/ultralytics
- Belgeler: YOLO11 Belgeleri
YOLOv5 Ayrıntıları#
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Belgeler: YOLOv5 Belgeleri
Mimari Farklılıklar#
YOLOv5'ten YOLO11'e geçiş, doğruluğu ve parametre verimliliğini artıran çeşitli mimari değişiklikler içeriyor.
YOLOv5, PyTorch ile doğrudan geliştirilen ilk YOLO modellerindendi; CSPNet (Aşamalar Arası Kısmi Ağ) omurgası ve PANet (Yol Toplama Ağı) boyun katmanına sahipti. Çapa tabanlı tespite dayanıyordu ve nesne sınırlarını tahmin etmek için önceden tanımlanmış çapa kutuları gerekiyordu. Son derece etkili olsa da bu çapaları özel bilgisayarlı görü veri kümeleri için ayarlamak zahmetli olabiliyordu.
Buna karşılık YOLO11, çapadan bağımsız bir tespit yaklaşımı kullanır. Böylece çapa kutularını elle ayarlama gereği ortadan kalkar, eğitim süreci kolaylaşır ve COCO veri kümesi gibi çeşitli veri kümelerinde genelleme iyileşir. Ayrıca YOLO11, sınıflandırma ve sınırlayıcı kutu regresyonu görevlerinin ayrı dallarda işlendiği ayrıştırılmış bir başlığa sahiptir. Bu ayrım, özellikle karmaşık nesne tespiti senaryolarında yakınsama hızını ve Ortalama Hassasiyeti (mAP) artırır.
Performans Ölçütleri ve Kıyaslamalar#
Aşağıdaki tablo, farklı model boyutlarındaki temel ölçütleri karşılaştırıyor. Her ikisi de düşük bellek gereksinimli Ultralytics modelleridir ve eğitim sırasında genellikle Transformer tabanlı alternatiflerden daha az CUDA belleği kullanarak donanım gereksinimlerini düşürür.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
YOLO11 her ölçekte daha yüksek mAP sunar. Örneğin YOLO11m, 20.1M parametreyle 51.5 mAP'e ulaşırken YOLOv5m, 21.2M parametreyle 45.4 mAP elde eder. YOLOv5n, YOLOv5s ve YOLOv5m, T4 TensorRT'de biraz daha hızlıdır ancak doğrulukları kayda değer ölçüde daha düşüktür.
Eğitim Yöntemleri ve Kullanılabilirlik#
Ultralytics'in temel ilkelerinden biri, bakımı iyi yapılan bir ekosistem ve kapsamlı topluluk desteğiyle sağlanan kullanım kolaylığıdır.
YOLOv5, geçmişte çalıştırma için komut satırı arayüzü (CLI) betiklerine (train.py, detect.py) dayanıyordu. Güçlü olmalarına rağmen bu betikleri doğrudan özel Python uygulamalarına entegre etmek çoğu zaman geçici çözümler gerektiriyordu.
YOLO11, kolaylaştırılmış ultralytics Python paketi üzerine kuruludur (YOLOv8 ile birlikte sunulmuştur). Bu birleşik API, eğitimden modelleri dışa aktarmaya ve ONNX, OpenVINO ve TensorRT gibi biçimlere yerel olarak aktarmaya kadar her işi yapar.
Kod yazmadan iş akışı için geliştiriciler, verileri etiketlemek, modelleri bulutta eğitmek ve uç cihazlara dağıtmak üzere Ultralytics Platform kullanabilir.
Kod Karşılaştırması#
Python API'siyle YOLO11'i şöyle eğitebilirsin:
from ultralytics import YOLO
# Önceden eğitilmiş YOLO11 small modelini yükle
model = YOLO("yolo11s.pt")
# # Modeli özel verilerle eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# # Dağıtım için modeli ONNX biçimine aktar
model.export(format="onnx")YOLOv5 deposunu kullanan eski sistemlerde CLI aracılığıyla eğitim şöyle görünür:
# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.ptUygun Kullanım Alanları ve Gerçek Dünya Uygulamaları#
Her iki model de farklı çalışma ortamlarına uygun, kendine özgü güçlü yönlere sahiptir.
YOLOv5 Ne Zaman Kullanılmalı?#
Daha yeni neslin varlığına rağmen YOLOv5 şu durumlarda güvenilir bir seçenek olmaya devam ediyor:
- Eski Sistemlerle Entegrasyon: YOLOv5'in belirli tensör yapılarıyla veya kolayca yeniden düzenlenemeyen dağıtım hatlarıyla derin biçimde bütünleşmiş ortamlar.
- Akademik Temel Modeller: Tıbbi görüntü analizi alanında tekrarlanabilir akademik çalışmalar için kabul görmüş, uzun süredir kullanılan temel modellere ihtiyaç duyan araştırmacılar.
YOLO11 Ne Zaman Kullanılmalı#
Çok yönlülüğü sayesinde YOLO11, modern üretim iş akışları için daha iyi bir seçenektir:
- Çok Görevli Ortamlar: YOLOv5, sonraki sürümlerinde örnek segmentasyonu ve görüntü sınıflandırmasını ekledi; YOLO11 ise kutudan çıktığı hâliyle tespit, segmentasyon, sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini destekler.
- Yüksek Yoğunluklu Video Analizi: Karmaşık sahnelerde yüksek hassasiyetin kritik olduğu akıllı trafik sistemleri veya perakende envanter yönetimi için idealdir.
Geleceğe Bakış: YOLO26 Mimarisi#
YOLO11 güçlü bir standart olmaya devam etse de bilgisayarlı görü gelişmeyi sürdürüyor. Yeni projelere başlayan geliştiriciler, mevcut önerilen model olan Ultralytics YOLO26 modelini de değerlendirmeli (Ocak 2026'da yayımlandı).
YOLO26 hem uç optimizasyonu hem de kurumsal ölçek için tasarlanmıştır. Temel değişiklikler şunlardır:
- Uçtan Uca NMS'siz Tasarım: YOLO26, yerel uçtan uca çıkarımı destekler; daha hızlı ve basit dağıtım için son işlem aşamasında
nms=Falseile Maksimum Olmayan Bastırma (NMS) adımını atlar. - DFL'nin Kaldırılması: Model dışa aktarımını basitleştirmek ve düşük güçlü cihazlarla uyumluluğu artırmak için Distribution Focal Loss kaldırıldı.
- MuSGD Optimizasyonu: SGD ile Muon'un birleşimi olan bu yöntem, daha hızlı yakınsama için büyük dil modeli (LLM) eğitim kararlılığını bilgisayarlı görüye taşır.
- CPU'da %43'e Varan Hız Artışı: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da IoT dağıtımları ve özel GPU'ları olmayan cihazlar için uygundur.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması (STAL), havadan drone görüntüleri için hayati önem taşıyan küçük nesnelerin tanınmasını iyileştirir.
Özet#
YOLO11 ile YOLOv5 arasında seçim yapmak, nihayetinde projenin yaşam döngüsündeki aşamasına bağlıdır. YOLOv5, kendini kanıtlamış kararlılık ve geniş bir topluluk sunar. İkisi arasında YOLO11, daha yüksek doğruluğu, daha basit Python API'sini ve daha fazla görev desteğini bir araya getirdiğinden yeni çalışmalar için daha iyi bir seçenektir. Günümüzde en yüksek doğruluk ve CPU hızı için YOLO26 ile başla; YOLO26'yı Ultralytics Platform'da da eğitip dağıtabilirsin.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.