YOLO11 ve YOLOv5#

Doğru sinir ağı mimarisini seçmek, her bilgisayarlı görü girişimi için kritik bir karardır. Yapay zekâ alanı geliştikçe geliştiricilerin ve araştırmacıların kullanabileceği araçlar da gelişir. Bu kapsamlı kılavuz, Ultralytics ekosistemindeki iki öncü model olan çok beğenilen YOLOv5 ile gelişmiş YOLO11 arasında ayrıntılı bir teknik karşılaştırma sunar.

İster uç yapay zekâ uygulamaları için hafif modeller dağıtıyor ister bulut GPU'larında yüksek çözünürlüklü video akışlarını işliyor ol, bu modellerin mimari inceliklerini, performans ölçütlerini ve ideal kullanım alanlarını anlaman, dağıtımına özgü kısıtlar için veriye dayalı bir seçim yapmanı sağlar.

Model Soyu ve Teknik Ayrıntılar#

Her iki model de Ultralytics'in açık kaynak iş birliğine, güçlü performansa ve benzersiz kullanım kolaylığına bağlılığını yansıtır; bu da onları küresel makine öğrenimi topluluğunun gözdesi hâline getirir.

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 optimize etmek üzere tasarlanmış birçok kapsamlı mimari değişiklik getirir.

YOLOv5, PyTorch ekosisteminde öncü olmuş; yüksek düzeyde optimize edilmiş bir CSPNet (Aşamalar Arası Kısmi Ağ) omurgası ve PANet (Yol Birleştirme Ağı) boyun yapısı sunmuştur. Nesne sınırlarını tahmin etmek için önceden tanımlanmış ankraj kutularını gerektiren ankraj tabanlı algılamaya dayanıyordu. Son derece etkili olsa da bu ankrajları özel bilgisayarlı görü veri kümeleri için ayarlamak zahmetli olabiliyordu.

Buna karşılık YOLO11, daha modern, ankrajsız bir algılama paradigmasına geçer. Bu yaklaşım, manuel ankraj kutusu ayarlama gereksinimini ortadan kaldırarak eğitim sürecini kolaylaştırır ve COCO veri kümesi gibi çeşitli veri kümelerinde genelleme yeteneğini artırır. Ayrıca YOLO11, sınıflandırma ve sınırlayıcı kutu regresyonu görevlerinin ayrı dallarda işlendiği ayrıştırılmış bir başlığa sahiptir. Bu ayrım, özellikle karmaşık nesne algılama senaryolarında yakınsama hızını ve ortalama Hassasiyet (mAP) değerini önemli ölçüde iyileştirir.

Performans Ölçümleri ve Karşılaştırmalı Testler#

Aşağıdaki tablo, farklı model boyutlarındaki temel ölçütleri karşılaştırır. Ultralytics modelleri bellek gereksinimleriyle tanınır; genellikle eğitim sırasında ağır Transformer tabanlı alternatiflere kıyasla daha az CUDA belleği kullanır ve bu da donanıma giriş engelini büyük ölçüde azaltır.

Görüldüğü üzere YOLO11, YOLOv5 muadilleriyle karşılaştırılabilir parametre sayılarında sürekli olarak daha yüksek mAP değerleri sunarak son derece elverişli bir performans dengesi sağlar.

Eğitim Yöntemleri ve Kullanılabilirlik#

Ultralytics felsefesinin temel ilkelerinden biri, iyi sürdürülen bir ekosistem ve kapsamlı topluluk desteğiyle desteklenen olağanüstü kullanım kolaylığıdır.

YOLOv5, çalıştırma için geçmişte güçlü 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, akıcı ultralytics Python paketini sunarak bu durumu kökten değiştirdi. Bu birleşik API, eğitimden modelleri ONNX, OpenVINO ve TensorRT gibi biçimlere aktarmaya kadar her şeyi yerel olarak yönetir.

Kod Karşılaştırması#

Günümüzde bir Ultralytics modelini eğitmek son derece verimlidir. Yerel Python API'sini kullanarak YOLO11'i nasıl eğitebileceğin aşağıda gösterilmiştir:

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Export the model to ONNX for deployment
model.export(format="onnx")

YOLOv5 kullanan eski sistemlerde CLI üzerinden eğitim şu şekilde 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.pt

İdeal Kullanım Alanları ve Gerçek Dünya Uygulamaları#

Her iki model de farklı operasyonel ortamlar için uygun, kendine özgü güçlü yönlere sahiptir.

YOLOv5 Ne Zaman Kullanılmalı?#

Daha yeni bir nesil olmasına rağmen YOLOv5 hâlâ çok güçlüdür. Şu durumlarda özellikle önerilir:

• Eski Sistem Entegrasyonu: Kolayca yeniden düzenlenemeyen, YOLOv5'in belirli tensör yapılarına veya dağıtım işlem hatlarına derinlemesine entegre edilmiş ortamlar.
• Akademik Temel Ölçütler: Tıbbi görüntü analizi alanındaki tekrarlanabilir akademik çalışmalar için yerleşik ve uzun süredir kullanılan temel ölçütlere ihtiyaç duyan araştırmacılar.

YOLO11 Ne Zaman Kullanılmalı?#

YOLO11, olağanüstü çok yönlülüğü sayesinde modern üretim işlem hatları için ideal bir seçimdir:

• Çok Görevli Ortamlar: Öncelikli olarak bir algılayıcı olan (daha sonra segmentasyon desteği eklenen) YOLOv5'in aksine YOLO11, örnek segmentasyonunu, görüntü sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı yerel olarak, ek yapılandırma gerektirmeden destekler.
• Yüksek Yoğunluklu Video Analizi: Karmaşık sahnelerden en yüksek hassasiyeti elde etmenin kritik olduğu akıllı trafik sistemleri veya perakende envanter yönetimi için idealdir.

Geleceğe Bakış: YOLO26 Mimarisi#

YOLO11 olağanüstü bir standart olsa da bilgisayarlı görü alanı hızla ilerlemeye devam ediyor. En üst düzey verimliliği arayan geliştiriciler, en yeni Ultralytics YOLO26 sürümünü (Ocak 2026'da yayımlandı) de değerlendirmelidir.

YOLO26, hem uç optimizasyonu hem de kurumsal ölçek için açıkça tasarlanmış, ileriye doğru atılmış büyük bir adımı temsil eder. Temel yenilikler şunlardır:

• Uçtan Uca NMS'siz Tasarım: YOLO26 yerel olarak uçtan uca çalışır ve daha hızlı, daha basit dağıtım için Maksimum Olmayan Bastırma (NMS) son işleme adımını ortadan kaldırır.
• DFL'nin Kaldırılması: Dağılımsal Odak Kayıp fonksiyonu, model dışa aktarımını basitleştirmek ve düşük güçlü cihaz uyumluluğunu artırmak için kaldırılmıştır.
• MuSGD Optimize Edicisi: SGD ile Muon'un çığır açan birleşimi; daha hızlı yakınsama için LLM eğitim kararlılığını bilgisayarlı görüye taşır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU'lar bulunmayan IoT dağıtımları ve cihazlar için yoğun biçimde optimize edilmiştir.
• ProgLoss + STAL: Hava aracı görüntülerinde hayati önem taşıyan küçük nesne tanımada kayda değer iyileştirmeler sağlayan, büyük ölçüde geliştirilmiş kayıp fonksiyonları.

Özet#

YOLO11 ile YOLOv5 arasındaki seçim nihayetinde projenin yaşam döngüsündeki aşamaya bağlıdır. YOLOv5'in mirası tartışılmaz; son derece istikrarlı ve geniş bir topluluk desteğine sahiptir. Ancak her yeni proje için eski nesillere kıyasla YOLO11 kesinlikle önerilir. YOLO11, en gelişmiş doğruluğu, son derece zarif bir Python API'sini ve daha düşük eğitim belleği yükünü bir araya getirerek Ultralytics'in yapay zekâ inovasyonunun ön saflarındaki konumunu pekiştirir. Sınırları daha da ileri taşımak isteyenler için Ultralytics Platform üzerinde son teknoloji YOLO26'yı keşfetmek benzersiz sonuçlar sağlayacaktır.