YOLO11 ile YOLOv5: Ultralytics Mimarilerinin Kapsamlı Teknik Karşılaştırması
Doğru sinir ağı mimarisini seçmek, herhangi bir bilgisayarlı görü girişimi için kritik bir karardır. Yapay zeka dünyası geliştikçe, geliştiricilerin ve araştırmacıların kullanımına sunulan araçlar da gelişmektedir. Bu kapsamlı rehber, Ultralytics ekosistemindeki iki önemli model arasında derinlemesine bir teknik karşılaştırma sunar: çok beğenilen YOLOv5 ve gelişmiş YOLO11.
Uç yapay zeka uygulamaları için hafif modeller dağıtıyor veya bulut GPU'larında yüksek çözünürlüklü video akışlarını işliyor olman fark etmeksizin; bu modellerin mimari nüanslarını, performans metriklerini ve ideal kullanım durumlarını anlaman, belirli dağıtım kısıtlamaların için veriye dayalı bir seçim yapmanı sağlar.
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 edilir kılar.
YOLO11 Detayları
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2024-09-27
- GitHub: ultralytics/ultralytics
- Dokümantasyon: YOLO11 Dokümantasyonu
YOLO11 hakkında daha fazla bilgi edin
YOLOv5 Detayları
- Yazarlar: Glenn Jocher
- Organizasyon: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Dokümantasyon: YOLOv5 Dokümantasyonu
YOLOv5 hakkında daha fazla bilgi edin
Mimari Farklılıklar
YOLOv5'ten YOLO11'e geçiş, doğruluğu ve parametre verimliliğini optimize etmek için tasarlanmış birkaç derin mimari değişikliği beraberinde getirir.
YOLOv5, PyTorch ekosisteminde çığır açan bir modeldi; oldukça optimize edilmiş bir CSPNet (Cross Stage Partial Network) ana yapısı ve bir PANet (Path Aggregation Network) boyun yapısı sunuyordu. Nesne sınırlarını tahmin etmek için önceden tanımlanmış çapa kutularına dayanan, çapa tabanlı bir algılama sistemine güveniyordu. Oldukça etkili olmasına rağmen, bu çapaları özel bilgisayarlı görü veri kümeleri 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.
Performans Metrikleri ve Karşılaştırmalar
Aşağıdaki tablo, farklı model boyutlarındaki temel metrikleri karşılaştırır. Ultralytics modelleri, bellek gereksinimleriyle ünlüdür ve genellikle ağır Transformer tabanlı alternatiflere kıyasla eğitim sırasında daha az CUDA belleği tüketerek giriş için donanım engelini büyük ölçüde düşürür.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (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, YOLOv5 muadillerine kıyasla benzer parametre sayılarında sürekli olarak daha yüksek mAP puanları sunarak oldukça avantajlı bir performans dengesi sağlar.
Eğitim Metodolojileri ve Kullanılabilirlik
Ultralytics felsefesinin temel bir ilkesi, bakımlı bir ekosistem ve kapsamlı topluluk desteği ile desteklenen olağanüstü kullanım kolaylığıdır.
YOLOv5 tarihsel olarak 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, modernize edilmiş ultralytics Python paketini tanıtarak bu durumu değiştirdi. Bu birleşik API, eğitimden modelleri ONNX, OpenVINO ve TensorRT gibi formatlara aktarmaya kadar her şeyi yerel olarak yönetir.
Tamamen kodsuz bir deneyim için geliştiriciler, verileri etiketlemek, bulutta modeller eğitmek ve bunları sorunsuz bir şekilde uç cihazlara dağıtmak için Ultralytics Platform'u kullanabilirler.
Kod Karşılaştırması
Günümüzde bir Ultralytics modelini eğitmek inanılmaz derecede verimlidir. İşte kendi 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 şekildedir:
# 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 uyarlanmış belirgin güçlü yönlere sahiptir.
YOLOv5 Ne Zaman Kullanılmalı
Daha yeni nesle rağmen, YOLOv5 bir güç merkezi olmaya devam ediyor. Aşağıdaki durumlar için şiddetle tavsiye edilir:
- Eski Sistem Entegrasyonu: YOLOv5'in belirli tensör yapıları veya kolayca yeniden düzenlenemeyen dağıtım hatları ile derinlemesine entegre olmuş ortamlar.
- Akademik Temeller: Tıbbi görüntü analizinde tekrarlanabilir akademik çalışmalar için yerleşik, uzun süredir kullanılan temel bilgilere ihtiyaç duyan araştırmacılar.
YOLO11 Ne Zaman Kullanılmalı
YOLO11, inanılmaz çok yönlülüğü sayesinde modern üretim hatları için ideal seçimi temsil eder:
- Çok Görevli Ortamlar: Öncelikle bir algılayıcı olan (daha sonra segmentasyon eklemeleriyle) YOLOv5'in aksine, YOLO11 örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasını kutudan çıktığı gibi yerel olarak destekler.
- High-Density Video Analytics: Ideal for intelligent traffic systems or retail inventory management where extracting maximum precision from complex scenes is critical.
Geleceğe Bakış: YOLO26 Mimarisi
YOLO11 olağanüstü bir standart olsa da, bilgisayarlı görü sınırı hızla ilerlemeye devam ediyor. Verimliliğin zirvesini arayan geliştiriciler, en son çıkan Ultralytics YOLO26 (Ocak 2026'da yayınlandı) modelini de düşünmelidir.
YOLO26, hem uç optimizasyon hem de kurumsal ölçek için açıkça tasarlanmış devasa bir ileriye doğru adımı temsil eder. Önemli yenilikler şunları içerir:
- Uçtan Uca NMS'siz Tasarım: YOLO26 yerel olarak uçtan uca bir yapıdadır ve daha hızlı, daha basit bir dağıtım için Maksimum Olmayan Bastırma (NMS) işlem sonrası adımını ortadan kaldırır.
- DFL Kaldırma: Dağılımsal Odak Kaybı (Distribution Focal Loss), basitleştirilmiş model dışa aktarımı ve gelişmiş düşük güçte cihaz uyumluluğu için kaldırılmıştır.
- MuSGD Optimize Edici: SGD ve Muon'un çığır açan bir hibriti olup, daha hızlı yakınsama için LLM eğitim kararlılığını bilgisayarlı görüye getirir.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: IoT dağıtımları ve özel GPU'ları olmayan cihazlar için yoğun şekilde optimize edilmiştir.
- ProgLoss + STAL: Havadan çekilen drone görüntüleri için hayati önem taşıyan küçük nesne tanımada belirgin iyileştirmeler sağlayan, büyük ölçüde geliştirilmiş kayıp fonksiyonları.
YOLO26 hakkında daha fazla bilgi edin
Özet
YOLO11 ile YOLOv5 arasında seçim yapmak nihayetinde projenin yaşam döngüsü aşamasına bağlıdır. YOLOv5'in mirası yadsınamaz; aşırı kararlılık ve devasa topluluk desteği sunar. Ancak her yeni proje için YOLO11 eski nesillerden çok daha fazla önerilir. En son teknoloji doğruluğu, 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 Platform üzerinde en son teknoloji ürünü YOLO26'yı keşfetmek benzersiz sonuçlar verecektir.