YOLO11 ve YOLOv5: Nesne Algılamada Teknik Bir Evrim

Doğru nesne algılama modelini seçmek, doğruluk, hız ve dağıtım kolaylığı ihtiyacını dengeleyen kritik bir karardır. Bu sayfa, Ultralytics'ten iki önemli model arasında kapsamlı bir teknik karşılaştırma sunmaktadır: Son teknoloji ürünü Ultralytics YOLO11 ve yaygın olarak benimsenen Ultralytics YOLOv5. YOLOv5, performansı ve kullanılabilirliği için bir endüstri standardı belirlerken, YOLO11, sağlam ve kullanıcı dostu Ultralytics ekosistemi içinde üstün doğruluk, gelişmiş çok yönlülük ve en son mimari yenilikleri sunarak bir sonraki evrimsel adımı temsil etmektedir.

Ultralytics YOLO11: Yeni Son Teknoloji

Glenn Jocher ve Jing Qiu tarafından yazılan YOLO11, Ultralytics YOLO serisindeki en son ve en gelişmiş modeldir. 2024'te piyasaya sürülen bu model, performans ve verimlilikte yeni bir ölçüt belirlemek için YOLOv8 gibi öncüllerinin güçlü temeli üzerine inşa edilmiştir. Sadece nesne tespiti için değil, aynı zamanda çok sayıda bilgisayar görüşü görevi için kapsamlı bir çerçeve olarak tasarlanmıştır.

• Yazarlar: Glenn Jocher, Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Belgeler: https://docs.ultralytics.com/models/yolo11/

Mimari ve Temel Özellikler

YOLO11, ankrajsız bir algılama başlığı ve optimize edilmiş bir ağ yapısı dahil olmak üzere önemli mimari iyileştirmeler sunar. Bu modern tasarım seçimi, önceden tanımlanmış ankraj kutularına olan ihtiyacı ortadan kaldırarak eğitim sürecini basitleştirir ve çeşitli veri kümelerinde daha iyi genellemeye yol açar. Model, birçok durumda daha az parametre ve hesaplama gereksinimi (FLOP'lar) ile YOLOv5'ten daha yüksek bir ortalama Ortalama Hassasiyet (mAP) elde ederek üstün verimlilik gösterir.

YOLO11'in öne çıkan bir özelliği çok yönlülüğüdür. Nesne algılama, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) doğal olarak destekleyen birleşik bir çerçevedir. Bu çoklu görev yeteneği, onu karmaşık yapay zeka sistemleri için inanılmaz derecede güçlü ve esnek bir araç haline getirir.

Güçlü Yönler

• Son Teknoloji Doğruluğu: YOLOv5'e kıyasla önemli ölçüde daha yüksek mAP skorları sunarak yeni bir performans standardı oluşturur.
• Yüksek Verimlilik: Daha verimli bir mimariyle daha iyi doğruluk sağlar, genellikle daha az parametre ve FLOP gerektirir.
• Anchor-Free Tasarım: Bağlantı kutusu yapılandırmasına olan bağımlılığı ortadan kaldırarak eğitimi basitleştirir ve performansı artırır.
• Çoklu Görev Çok Yönlülüğü: Çok yönlü uygulamalar için geliştirmeyi kolaylaştıran, çok çeşitli görüntü işleme görevleri için tek bir çerçeve.
• İyi Yönetilen Ekosistem: Sürekli geliştirme, kapsamlı belgelendirme, güçlü topluluk desteği ve MLOps için Ultralytics HUB gibi araçlarla sorunsuz entegrasyondan yararlanır.
• Eğitim Verimliliği: Verimli eğitim süreçleri ve kolayca erişilebilen önceden eğitilmiş ağırlıklar sunar ve genellikle transformatörler gibi daha karmaşık mimarilerden daha düşük bellek kullanımı gerektirir.

Zayıflıklar

• En son model olarak, YOLO11'in daha büyük varyantları, optimum performans için modern GPU donanımı gerektiren, işlem açısından yoğun olabilir.

İdeal Kullanım Senaryoları

YOLO11, en yüksek doğruluğu ve esnekliği talep eden yeni projeler için ideal seçimdir:

• Gelişmiş Robotik: Dinamik ortamlarda hassas nesne etkileşimi ve navigasyon için.
• Endüstriyel Otomasyon: Yüksek doğruluklu kalite kontrolü ve kusur tespiti.
• Sağlık Hizmetleri: Tümör tespiti gibi görevler için tıbbi görüntü analizine yardımcı olma.
• Akıllı Şehirler: Trafik yönetimi ve kamu güvenliği için karmaşık sistemleri güçlendirme.

YOLO11 hakkında daha fazla bilgi edinin

YOLOv5: Yerleşik ve Çok Yönlü İş Gücü

2020'de Glenn Jocher tarafından Ultralytics'te yayınlanan YOLOv5, kısa sürede dünyanın en popüler nesne algılama modellerinden biri haline geldi. Hız ve doğruluk arasındaki olağanüstü dengesi, kullanım kolaylığı ve PyTorch'taki sağlam, iyi belgelenmiş uygulamasıyla kutlanmaktadır.

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Belgeler: https://docs.ultralytics.com/models/yolov5/

Mimari ve Temel Özellikler

YOLOv5, etkili özellik toplama için bir CSPDarknet53 backbone ve bir PANet neck'ine dayalı bir mimari kullanır. Algılama başlığı, yayınlandığı sırada standart ve etkili bir yaklaşım olan anchor tabanlıdır. YOLOv5'in en büyük güçlü yönlerinden biri, küçük 'n' (nano) sürümünden büyük 'x' (ekstra büyük) sürümüne kadar bir dizi model sunan ölçeklenebilirliğidir ve bu da geliştiricilerin hız ve doğruluk arasında kolayca geçiş yapmasına olanak tanır.

Güçlü Yönler

• Olağanüstü Çıkarım Hızı: Gerçek zamanlı performans için yüksek düzeyde optimize edilmiştir, bu da onu NVIDIA Jetson gibi uç cihazlardaki uygulamalar için ideal bir seçim haline getirir.
• Kullanım Kolaylığı: Basit API'si, kapsamlı eğitimleri ve kolaylaştırılmış eğitim ve dağıtım iş akışları ile bilinir.
• Olgun Ekosistem: Geniş bir topluluk, yıllarca süren aktif geliştirme ve sayısız gerçek dünya dağıtımı ile desteklenir, bu da istikrar ve güvenilirlik sağlar.
• Esneklik: Geniş model boyutu yelpazesi, onu neredeyse her donanım kısıtlamasına uyarlanabilir hale getirir.

Zayıflıklar

• Daha Düşük Doğruluk: Hala güçlü olmasına rağmen, doğruluğu YOLO11 gibi daha yeni modeller tarafından aşılmıştır.
• Anchor Tabanlı Algılama: Önceden tanımlanmış anchor kutularına dayanır ve bu durum modern anchor'suz algılayıcılara kıyasla özel veri kümelerinde optimum performans için bazen manuel ayarlama gerektirebilir.

İdeal Kullanım Senaryoları

YOLOv5, belirli senaryolar için mükemmel bir seçim olmaya devam ediyor:

• Edge Computing: Çıkarım hızının en yüksek öncelik olduğu Raspberry Pi gibi kaynak kısıtlı cihazlarda dağıtım.
• Hızlı Prototipleme: Basitliği ve hızı, kavram kanıtı uygulamalarını hızla oluşturmak ve test etmek için mükemmel kılar.
• Eski Sistemler: YOLOv5 çerçevesi üzerine inşa edilmiş mevcut projeleri korumak veya güncellemek.
• Gerçek Zamanlı Gözetim: Yüksek FPS'nin kritik olduğu güvenlik sistemlerine güç verme.

YOLOv5 hakkında daha fazla bilgi edinin

Performans ve Kıyaslamalar: YOLO11 - YOLOv5 Karşılaştırması

Performans metrikleri, YOLOv5'ten YOLO11'e olan evrimi açıkça göstermektedir. COCO veri kümesinde, YOLO11 modelleri, benzer boyuttaki YOLOv5 muadillerinden sürekli olarak daha yüksek mAP puanları elde etmektedir. Örneğin, YOLO11m, YOLOv5m'nin 45.4 mAP'sine kıyasla önemli ölçüde daha yüksek olan 51.5 mAP'ye ulaşır. Ayrıca, YOLO11 bunu genellikle daha yüksek hesaplama verimliliği ile yapar. Özellikle, en küçük model olan YOLO11n, CPU'da YOLOv5n'den daha hızlıdır ve mAP'de büyük bir 11.5 puanlık artış sağlar.

Sonuç: Hangi Modeli Seçmelisiniz?

YOLO11 ve YOLOv5 arasındaki seçim, projenizin özel ihtiyaçlarına bağlıdır.

YOLOv5, kanıtlanmış, güvenilir ve inanılmaz derecede hızlı bir modeldir. Özellikle eski veya kaynakları kısıtlı donanımlarda hızın mutlak öncelik olduğu uygulamalar için harika bir seçenek olmaya devam ediyor. Olgunluğu ve geniş topluluk desteği, birçok proje için istikrarlı bir temel sağlar.

Ancak, neredeyse tüm yeni projeler için YOLO11 açık ve önerilen seçimdir. En son teknoloji doğruluğu, üstün verimlilik ve benzersiz çok yönlülük sunarak önemli bir sıçramayı temsil eder. Bağlantısız mimarisi ve birden fazla görme görevi için yerel desteği, onu daha güçlü, esnek ve geleceğe yönelik bir çözüm haline getirir. Geliştiriciler, YOLO11'i seçerek, daha yetenekli ve doğru bilgisayarlı görü uygulamaları oluşturmak için yapay zekadaki en son gelişmelerden yararlanırken, aynı zamanda akıcı ve iyi yönetilen Ultralytics ekosisteminden de yararlanırlar.

Diğer Model Karşılaştırmalarını İnceleyin

Bu modellerin diğer önde gelen mimarilere karşı nasıl performans gösterdiğini merak ediyorsanız, diğer karşılaştırma sayfalarımıza göz atın:

• YOLO11 - YOLOv8 karşılaştırması
• YOLO11 - YOLOv10 Karşılaştırması
• YOLOv5 - YOLOv8 Karşılaştırması
• YOLOv5 - YOLOv7 Karşılaştırması
• YOLOv5 - YOLOv9 Karşılaştırması

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar