Link to this sectionYOLO11 ile YOLOv5 Karşılaştırması: Ultralytics Mimarilerinin Kapsamlı Teknik Karşılaştırması#

Doğru sinir ağı mimarisini seçmek, her türlü bilgisayarlı görü girişimi için kritik bir karardır. Yapay zeka alanı geliştikçe, geliştiricilerin ve araştırmacıların kullanımına sunulan araçlar da gelişmektedir. Bu kapsamlı rehber, Ultralytics ekosistemindeki iki önemli model arasında derinlemesine bir teknik karşılaştırma sunar: oldukça popüler olan YOLOv5 ve gelişmiş YOLO11.

Uç yapay zeka uygulamaları için hafif modeller dağıtıyor veya bulut GPU'larında yüksek çözünürlüklü video akışlarını işliyor olsan da, bu modellerin mimari nüanslarını, performans metriklerini ve ideal kullanım durumlarını anlamak, özel dağıtım kısıtlamaların için veriye dayalı bir seçim yapmanı sağlayacaktır.

Link to this sectionModel 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.

Link to this sectionYOLO11 Detayları#

• Yazarlar: Glenn Jocher ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2024-09-27
• GitHub: ultralytics/ultralytics
• Dokümantasyon: YOLO11 Dokümantasyonu

YOLO11 hakkında daha fazla bilgi edinin

Link to this sectionYOLOv5 Detayları#

• Yazarlar: Glenn Jocher
• Organizasyon: Ultralytics
• Tarih: 2020-06-26
• GitHub: ultralytics/yolov5
• Dokümantasyon: YOLOv5 Dokümantasyonu

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionMimari Farklılıklar#

YOLOv5'ten YOLO11'e geçiş, doğruluk ve parametre verimliliğini optimize etmek için tasarlanmış birkaç köklü mimari değişikliği beraberinde getirir.

YOLOv5, PyTorch ekosisteminde bir öncüydü ve yüksek düzeyde optimize edilmiş bir CSPNet (Cross Stage Partial Network) bel kemiği ile bir PANet (Path Aggregation Network) boyun yapısı sunuyordu. Nesne sınırlarını tahmin etmek için önceden tanımlanmış çapa kutularına dayanan çapa tabanlı bir tespit yöntemine güveniyordu. Oldukça etkili olmasına rağmen, bu çapaları özel bilgisayarlı görü veri setleri için ayarlamak zahmetli olabiliyordu.

In contrast, YOLO11 transitions to a more modern, anchor-free detection paradigm. This eliminates the need for manual anchor box tuning, streamlining the training process and improving generalization across diverse datasets like the COCO dataset. Additionally, YOLO11 features a decoupled head, meaning classification and bounding box regression tasks are processed in separate branches. This separation significantly improves convergence speed and mean Average Precision (mAP), particularly for complex object detection scenarios.

Link to this sectionPerformans 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.

Görüldüğü üzere, YOLO11 son derece elverişli bir performans dengesi sağlar ve YOLOv5 benzeri parametre sayıları ile tutarlı bir şekilde daha yüksek mAP puanları sunar.

Link to this sectionEğitim Metodolojileri ve Kullanılabilirlik#

Ultralytics felsefesinin temel taşı, bakımı iyi yapılmış bir ekosistem ve kapsamlı topluluk desteği ile desteklenen olağanüstü kullanım kolaylığıdır.

YOLOv5 geçmişte yürütme için sağlam komut satırı arayüzü (CLI) betiklerine (train.py, detect.py) güveniyordu. Güçlü olmalarına rağmen, bu betikleri doğrudan özel Python uygulamalarına entegre etmek genellikle geçici çözümler gerektiriyordu.

YOLO11, bunu kolaylaştırılmış ultralytics Python paketi ile devrim niteliğinde değiştirdi. Bu birleşik API, eğitimden modelleri dışa aktarmaya kadar her şeyi ONNX, OpenVINO ve TensorRT gibi formatlara yerel olarak işler.

Link to this sectionKod 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.pt

Link to this sectionİdeal Kullanım Durumları ve Gerçek Dünya Uygulamaları#

Her iki model de farklı operasyonel ortamlara uygun belirgin güçlü yönlere sahiptir.

Link to this sectionYOLOv5 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 Temeller: Tıbbi görüntü analizi alanındaki tekrarlanabilir akademik çalışmalar için yerleşik, köklü temellere ihtiyaç duyan araştırmacılar.

Link to this sectionYOLO11 Ne Zaman Kullanılmalı#

YOLO11, inanılmaz çok yönlülüğü nedeniyle modern üretim süreçleri için ideal bir seçimdir:

• Çok Görevli Ortamlar: Öncelikle bir dedektör olan (daha sonraki segmentasyon eklemeleriyle) YOLOv5'in aksine, YOLO11 yerel olarak örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini kutudan çıkar çıkmaz destekler.
• Yüksek Yoğunluklu Video Analitiği: Karmaşık sahnelerden maksimum hassasiyet elde etmenin kritik olduğu akıllı trafik sistemleri veya perakende envanter yönetimi için idealdir.

Link to this sectionİleriye Bakış: YOLO26 Mimarisi#

YOLO11 istisnai bir standart olarak dursa da, bilgisayarlı görü sınırı hızla ilerlemeye devam ediyor. Verimlilikte en üst noktayı 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-Free Tasarım: YOLO26 yerel olarak uçtan ucadır, bu da daha hızlı ve daha basit bir dağıtım için Maksimum Olmayan Bastırma (NMS) işlem sonrası adımını 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 GPU'ları olmayan cihazlar için yoğun 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

Link to this sectionÖzet#

YOLO11 ile YOLOv5 arasında seçim yapmak nihayetinde projenin yaşam döngüsü aşamasına bağlıdır. YOLOv5'in mirası inkar edilemez; aşırı kararlılık ve devasa bir topluluk desteği sunar. Ancak, yeni projeler için YOLO11 eski nesillerin üzerinde şiddetle önerilir. En son teknoloji doğruluğunu, son derece zarif bir Python API'sini ve daha düşük eğitim belleği yükünü birleştirerek Ultralytics'in yapay zeka inovasyonunun ön saflarındaki konumunu pekiştirir. Sınırları daha da zorlayanlar için Ultralytics Platformunda en gelişmiş YOLO26'yı keşfetmek eşsiz sonuçlar verecektir.