YOLO11 ile YOLOv5#

Doğru sinir ağı mimarisini seçmek, her bilgisayarlı görü girişimi için kritik bir karardır. Yapay zekâ alanı geliştikçe, geliştiricilerin ve araştırmacıların kullanabildiği araçlar da gelişiyor. Bu kapsamlı kılavuz, Ultralytics ekosisteminin iki önemli modeli olan büyük beğeni toplayan YOLOv5 ile gelişmiş YOLO11 arasında derinlemesine teknik bir karşılaştırma sunuyor.

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, güçlü performansa ve benzersiz kullanım kolaylığına olan bağlılığını yansıtır; bu özellikleriyle küresel makine öğrenimi topluluğunun gözdesidir.

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 iyileştirmek için tasarlanmış çeşitli önemli mimari değişiklikler getiriyor.

YOLOv5, PyTorch ekosisteminde öncü olmuş, yüksek düzeyde optimize edilmiş bir CSPNet (Aşamalı Kısmi Ağ) omurgası ve PANet (Yol Toplama Ağı) boyun bileşeni sunmuştur. Nesne sınırlarını tahmin etmek için önceden tanımlanmış çapa kutularına ihtiyaç duyan çapa tabanlı tespit yöntemini kullanmıştır. Son derece etkili olsa da bu çapaları özel bilgisayarlı görü veri kümeleri için ayarlamak zahmetli olabiliyordu.

Buna karşılık YOLO11, daha modern ve çapasız bir tespit yaklaşımına geçer. Bu yaklaşım, çapa kutularının elle ayarlanması gereksinimini ortadan kaldırarak eğitim sürecini kolaylaştırır ve COCO veri kümesi gibi çeşitli veri kümelerinde genelleme başarısını artırır. Ayrıca YOLO11, sınıflandırma ve sınırlayıcı kutu regresyonu görevlerinin ayrı dallarda işlendiği ayrık bir başlığa sahiptir. Bu ayrım, özellikle karmaşık nesne tespiti senaryolarında yakınsama hızını ve ortalama Hassasiyet (mAP) değerini önemli ölçüde iyileştirir.

Performans Ölçütleri ve Kıyaslamalar#

Aşağıdaki tablo, farklı model boyutları için temel ölçütleri karşılaştırıyor. Ultralytics modelleri düşük bellek gereksinimleriyle tanınır; eğitim sırasında genellikle ağır Transformer tabanlı alternatiflere kıyasla daha az CUDA belleği kullanır ve böylece donanım gereksinimlerini önemli ölçüde düşürür.

Görüldüğü üzere YOLO11, YOLOv5 eşdeğerleriyle benzer parametre sayılarına sahipken sürekli olarak daha yüksek mAP puanları sunarak performans ve verimlilik arasında son derece elverişli bir denge kuruyor.

Eğitim Yöntemleri ve Kullanılabilirlik#

Ultralytics felsefesinin temel ilkelerinden biri, bakımlı bir ekosistem ve kapsamlı topluluk desteğiyle sağlanan olağanüstü kullanım kolaylığıdır.

YOLOv5, çalıştırma için geçmişte güçlü komut satırı arayüzü (CLI) betiklerinden ( train.py, detect.py) yararlanıyordu. Bu betikler güçlü olsa da doğrudan özel Python uygulamalarına entegre edilmeleri genellikle 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 Karşılaştırması#

Bir Ultralytics modelini bugün eğitmek son derece verimli. YOLO11'i yerel Python API'sini kullanarak şu şekilde 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 kullanan eski sistemlerde CLI üzerinden eğitim şöyle yapılır:

# 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

Uygun 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 nesil modeller çıkmış olsa da YOLOv5 hâlâ çok güçlü bir seçenektir. Şu durumlarda özellikle önerilir:

• 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#

YOLO11, olağanüstü çok yönlülüğü sayesinde modern üretim hatları için ideal seçenektir:

• Çok Görevli Ortamlar: Öncelikle bir nesne algılayıcı olan (daha sonra segmentasyon özellikleri eklenen) YOLOv5'in aksine YOLO11, kutudan çıktığı anda örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini yerel olarak destekler.
• Yüksek Yoğunluklu Video Analizi: Karmaşık sahnelerden en yüksek hassasiyetin elde edilmesinin 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 gelişmeye devam ediyor. En üst düzey verimliliği arayan geliştiriciler, en yeni Ultralytics YOLO26 modelini de değerlendirmeli (Ocak 2026'da yayımlandı).

YOLO26, hem uç cihazlar için optimizasyon hem de kurumsal ölçek hedeflenerek tasarlanmış büyük bir ilerlemeyi temsil ediyor. Temel yenilikler şunlardır:

• Uçtan Uca NMS'siz Tasarım: YOLO26, yerel uçtan uca çıkarımı destekler; daha hızlı ve basit dağıtım için son işlem aşamasında nms=False ile 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 Optimizer: SGD ve Muon'un çığır açan bir birleşimi olan bu optimizer, LLM eğitimindeki kararlılığı bilgisayarlı görüye taşıyarak daha hızlı yakınsama sağlar.
• %43'e Varan Daha Hızlı CPU Çıkarımı: IoT dağıtımları ve özel GPU'ları olmayan cihazlar için kapsamlı biçimde optimize edilmiştir.
• ProgLoss + STAL: İHA hava görüntüleri için kritik öneme sahip küçük nesneleri tanıma becerisinde kayda değer iyileşmeler sağlayan, önemli ölçüde geliştirilmiş kayıp fonksiyonları.

Özet#

YOLO11 ile YOLOv5 arasındaki seçim, sonuçta projenin yaşam döngüsündeki aşamaya bağlıdır. YOLOv5'in mirası yadsınamaz; son derece kararlı ve geniş bir topluluk desteğine sahip. Ancak her yeni proje için eski nesillere kıyasla YOLO11 şiddetle önerilir. YOLO11, en yeni doğruluk düzeyini, son derece zarif bir Python API'sini ve daha düşük eğitim belleği gereksinimini bir araya getirerek Ultralytics'in yapay zekâ yeniliklerinin ön saflarındaki konumunu pekiştiriyor. Sınırları daha da zorlamak isteyenler, Ultralytics Platform üzerinde son teknoloji YOLO26'yı keşfederek benzersiz sonuçlara ulaşabilir.