YOLO11 ile YOLOv5 karşılaştırması#
Doğru sinir ağı mimarisini seçmek, herhangi bir computer vision girişimi için kritik bir karardır. artificial intelligence dünyası geliştikçe, geliştiriciler ve araştırmacılar için mevcut araçlar da gelişmektedir. Bu kapsamlı kılavuz, Ultralytics ekosistemindeki iki önemli model arasında derinlemesine teknik bir karşılaştırma sunar: oldukça popüler olan YOLOv5 ve gelişmiş YOLO11.
İster edge AI uygulamaları için hafif modeller dağıtıyor olun ister bulut GPU'larında yüksek çözünürlüklü video akışlarını işliyor olun, bu modellerin mimari inceliklerini, performance metrics değerlerini ve ideal kullanım senaryolarını anlamak, belirli dağıtım kısıtlamalarınız için veriye dayalı bir seçim yapmanızı sağlayacaktır.
Model Soy Ağacı ve Teknik Detaylar#
Her iki model de Ultralytics'in açık kaynak iş birliğine, sağlam performansa ve benzersiz kullanım kolaylığına olan bağlılığını yansıtır; bu da onları küresel makine öğrenimi topluluğu tarafından oldukça tercih edilen modeller haline getirir.
YOLO11 Detayları#
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2024-09-27
- GitHub: ultralytics/ultralytics
- Belgeler: YOLO11 Documentation
YOLO11 hakkında daha fazla bilgi edinin
YOLOv5 Detayları#
- Yazarlar: Glenn Jocher
- Organizasyon: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Belgeler: YOLOv5 Documentation
YOLOv5 hakkında daha fazla bilgi edin
Mimari Farklılıklar#
YOLOv5'ten YOLO11'e geçiş, doğruluk ve parametre verimliliğini optimize etmek için tasarlanmış birkaç köklü mimari değişikliği beraberinde getirir.
YOLOv5, PyTorch ekosisteminde öncü bir rol üstlenmiş; son derece optimize edilmiş bir CSPNet (Cross Stage Partial Network) omurgası ve bir PANet (Path Aggregation Network) boyun yapısı sunmuştur. Nesne sınırlarını tahmin etmek için önceden tanımlanmış anchor boxes gerektiren, tabanlı algılama yöntemine dayanıyordu. Oldukça etkili olmakla birlikte, bu çıpaları özel computer vision datasets için ayarlamak zahmetli olabiliyordu.
Buna karşılık YOLO11, daha modern, ankorsuz (anchor-free) bir tespit paradigmasına geçiş yapar. Bu, manuel ankor kutusu ayarlama ihtiyacını ortadan kaldırır, eğitim sürecini kolaylaştırır ve COCO dataset gibi çeşitli veri setlerinde genelleştirmeyi iyileştirir. Ek olarak YOLO11, ayrıştırılmış bir kafaya (decoupled head) sahiptir; yani sınıflandırma ve sınırlayıcı kutu (bounding box) regresyon görevleri ayrı kollarda işlenir. Bu ayrım, özellikle karmaşık object detection senaryolarında yakınsama hızını ve mean Average Precision (mAP) değerini önemli ölçüde artırır.
Performans Metrikleri ve Kıyaslamalar#
Aşağıdaki tablo, farklı model boyutlarındaki temel metrikleri karşılaştırmaktadır. Ultralytics modelleri, ağır transformer tabanlı alternatiflere kıyasla eğitim sırasında genellikle daha az CUDA belleği tüketerek donanım giriş engelini büyük ölçüde düşüren bellek gereksinimleriyle ünlüdür.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| 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 |
Görüldüğü üzere, YOLO11 son derece elverişli bir performans dengesi sağlar ve YOLOv5 benzeri parametre sayıları ile tutarlı bir şekilde daha yüksek mAP puanları sunar.
Eğitim Metodolojileri ve Kullanılabilirlik#
Ultralytics felsefesinin temel taşı, bakımı iyi yapılmış bir ekosistem ve kapsamlı topluluk desteği ile desteklenen olağanüstü kullanım kolaylığıdır.
YOLOv5, tarihsel olarak yürütme için güçlü komut satırı arayüzü (CLI) betiklerine (train.py, detect.py) dayanıyordu. Güçlü olmalarına rağmen, bu betikleri doğrudan özel Python uygulamalarına entegre etmek genellikle geçici çözümler gerektiriyordu.
YOLO11, akıcılaştırılmış ultralytics Python paketini sunarak bunu devrim niteliğinde değiştirdi. Bu birleşik API; eğitimden, ONNX, OpenVINO ve TensorRT gibi model dışarı aktarma formatlarına kadar her şeyi yerel olarak yönetir.
Tamamen kodsuz bir deneyim için geliştiriciler; veri etiketlemek, bulutta modeller eğitmek ve bunları uç cihazlara sorunsuz bir şekilde dağıtmak için Ultralytics Platform kullanabilirler.
Kod Karşılaştırması#
Bugün bir Ultralytics modelini eğitmek inanılmaz derecede verimlidir. İşte kendi yerel Python API'sini kullanarak YOLO11'i nasıl eğitebileceğin:
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 sistemler için, 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.ptİdeal Kullanım Durumları ve Gerçek Dünya Uygulamaları#
Her iki model de farklı operasyonel ortamlara uygun belirgin güçlü yönlere sahiptir.
YOLOv5 Ne Zaman Kullanılmalı#
Daha yeni nesle rağmen, YOLOv5 bir güç merkezi olmaya devam ediyor. Aşağıdaki durumlar için şiddetle önerilir:
- Eski Sistem Entegrasyonu: YOLOv5'in belirli tensör yapıları veya dağıtım süreçleriyle derinlemesine entegre olmuş ve kolayca yeniden düzenlenemeyen ortamlar.
- Akademik Temel Çizgiler: medical image analysis alanındaki tekrarlanabilir akademik çalışmalar için köklü ve uzun süredir var olan temel çizgilerine ihtiyaç duyan araştırmacılar.
YOLO11 Ne Zaman Kullanılmalı#
YOLO11, inanılmaz çok yönlülüğü nedeniyle modern üretim süreçleri için ideal bir seçimdir:
- Çok Görevli Ortamlar: Öncelikle bir tespit edici olan (daha sonra eklenen segmentasyon özellikleriyle) YOLOv5'in aksine YOLO11, instance segmentation, image classification, pose estimation ve Oriented Bounding Box (OBB) tespiti özelliklerini kutudan çıkar çıkmaz yerel olarak destekler.
- Yüksek Yoğunluklu Video Analitiği: Karmaşık sahnelerden maksimum hassasiyet çıkarmanın kritik olduğu akıllı trafik sistemleri veya retail inventory management için idealdir.
İleriye Bakış: YOLO26 Mimarisi#
YOLO11 olağanüstü bir standart olarak dururken, bilgisayarlı görü sınırı hızla ilerlemeye devam ediyor. Mutlak verimlilik zirvesini arayan geliştiriciler, en son Ultralytics YOLO26 (Ocak 2026'da yayınlandı) modelini de değerlendirmelidir.
YOLO26, hem uç optimizasyonu hem de kurumsal ölçek için açıkça tasarlanmış büyük bir ileri atılımı temsil eder. Temel yenilikler şunları içerir:
- Uçtan Uca NMS İçermeyen Tasarım: YOLO26 yerel olarak uçtan ucadır ve daha hızlı, daha basit dağıtım için Non-Maximum Suppression (NMS) son işlemine olan ihtiyacı ortadan kaldırır.
- DFL Kaldırma: Basitleştirilmiş model dışa aktarımı ve gelişmiş düşük güçlü cihaz uyumluluğu için Distribution Focal Loss kaldırılmıştır.
- MuSGD Optimize Edici: SGD ve Muon'un çığır açan bir melezi olup, daha hızlı yakınsama için LLM eğitim kararlılığını bilgisayarlı görüye taşır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: IoT dağıtımları ve özel GPUs birimi olmayan cihazlar için yoğun bir şekilde optimize edilmiştir.
- ProgLoss + STAL: Küçük nesne tanımasında belirgin iyileştirmeler sağlayan ve hava drone görüntüleri için hayati önem taşıyan büyük ölçüde geliştirilmiş kayıp fonksiyonları.
YOLO26 hakkında daha fazla bilgi edin
Özet#
YOLO11 ile YOLOv5 arasında seçim yapmak nihayetinde projenizin yaşam döngüsü aşamasına bağlıdır. YOLOv5'in mirası yadsınamaz; olağanüstü kararlılık ve devasa bir topluluk desteği sunar. Bununla birlikte, yeni projeler için YOLO11 eski nesillere göre şiddetle tavsiye edilir. En son teknoloji ürünü doğruluğu, son derece zarif bir Python API'sini ve daha düşük eğitim belleği yükünü birleştirerek Ultralytics'in yapay zeka inovasyonunun ön saflarındaki konumu sağlamlaştırır. Sınırları daha da zorlayanlar için, Ultralytics Platform üzerinde son teknoloji ürünü YOLO26'yı keşfetmek benzersiz sonuçlar verecektir.