YOLO11 YOLOv5: Gerçek Zamanlı Nesne Algılamanın Evrimi
YOLO You Only Look Once) ailesinin evrimi, bilgisayar görüşünde hızlı inovasyonun zaman çizelgesini temsil eder. YOLOv5, 2020 yılında Ultralytics tarafından piyasaya sürüldü ve inanılmaz derecede kullanıcı dostu bir API ve sağlam PyTorch sayesinde yüksek performanslı nesne algılamayı erişilebilir hale getirerek bu alanda devrim yarattı. 2024 yılının sonlarına doğru, YOLO11 , yıllarca süren geri bildirimler ve mimari gelişmelerden yararlanarak üstün verimlilik ve doğruluk sunan, rafine edilmiş bir güç merkezi olarak ortaya çıktı.
Bu karşılaştırma, bu iki ikonik model arasında kaydedilen teknik ilerlemeleri inceleyerek, geliştiricilerin eski sistemleri ne zaman korumaları ve ne zaman en son mimariye geçmeleri gerektiğini anlamalarına yardımcı olur.
Performans Metrikleri Analizi
YOLOv5 YOLO11 geçiş, standart benchmark testlerindeki performansları ile en iyi şekilde YOLO11 . YOLO11 , hesaplama yükünü koruyarak veya azaltarak daha yüksek Ortalama Hassasiyet (mAP) elde etmesini sağlayan önemli optimizasyonlar YOLO11 .
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (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 |
Temel Çıkarımlar
- Doğruluk Kazançları: YOLO11n, %39,5 mAP gibi dikkat çekici bir sonuç elde ederek YOLOv5n'i (%28,0 mAP) büyük ölçüde geride bırakmıştır. Bu sayede, daha önce daha büyük ve daha yavaş modeller gerektiren karmaşık görevler için en küçük YOLO11 kullanılabilir hale gelmiştir.
- Hesaplama Verimliliği: Daha yüksek doğruluğa rağmen, YOLO11 genellikle daha az FLOP gerektirir. Örneğin, YOLO11x, YOLOv5x'e göre yaklaşık %20 daha az FLOP kullanırken, üstün algılama sonuçları sunar.
- CPU : YOLO11 için CPU ONNX önemli ölçüde daha YOLO11 ; bu, Raspberry Pi gibi uç cihazlarda dağıtımlar için kritik bir faktördür.
YOLO11: Gelişmiş Verimlilik ve Çok Yönlülük
Eylül 2024'te piyasaya sürülen YOLO11 , Ultralytics YOLO yinelemeli iyileştirmelerin doruk noktasını YOLO11 . Sadece ham algılama için değil, segmentasyon, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) dahil olmak üzere birleşik bir görme boru hattını desteklemek için tasarlandı.
Teknik Özellikler:
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş:Ultralytics
- Tarih: 2024-09-27
- Bağlantılar:GitHub, Belgeler
Mimari Öne Çıkanlar
YOLO11 , gradyan akışını optimize eden Cross Stage Partial (CSP) darboğazının geliştirilmiş bir versiyonu olan C3k2 bloğunuYOLO11 . Ayrıca, algılama kafasında C2PSA (Cross-Stage Partial with Spatial Attention) kullanarak, modelin karmaşık sahnelerde kritik özelliklere odaklanma yeteneğini geliştirir. YOLOv5 farklı olarak, YOLO11 çapa kutusu içermeyen bir mimariyeYOLO11 . Bu mimari, belirli veri kümeleri için çapa kutularını hesaplama ihtiyacını ortadan kaldırarak eğitim sürecini basitleştirir ve daha iyi genelleme sağlar.
Neden YOLO11'i Seçmelisiniz?
YOLO11 çoğu yeni ticari uygulama için önerilen YOLO11 . Yüksek doğruluk (mAP) ve düşük kaynak tüketimi arasındaki dengesi, onu perakende, akıllı şehirler ve sağlık hizmetlerinde gerçek zamanlı analizler için ideal hale getirir.
YOLO11 hakkında daha fazla bilgi edinin
YOLOv5: Endüstri Standardı
2020 ortasında piyasaya sürülen YOLOv5, yapay zeka sektöründe kullanım kolaylığı konusunda yeni bir standart belirledi. Tek bir depoda "eğitim, doğrulama, dağıtım" işlemlerini sorunsuz bir şekilde gerçekleştiren ilk model olan YOLOv5, Ultralytics bugün Ultralytics kullanıcı odaklı felsefesini ortaya koydu.
Teknik Özellikler:
- Yazarlar: Glenn Jocher
- Kuruluş:Ultralytics
- Tarih: 2020-06-26
- Bağlantılar:GitHub, Belgeler
Mimari Öne Çıkanlar
YOLOv5 , CSPDarknet backbone YOLOv5 backbone çapa tabanlı bir dedektördür. Çapa tabanlı yaklaşımlar oldukça etkili olmakla birlikte, kutu boyutları ile ilgili hiperparametre ayarlamalarına duyarlı olabilir. Yaşına rağmen, YOLOv5 , özellikle eski donanım veya belirli yazılım sertifikaları nedeniyle projelerin eski çerçeve sürümlerine bağlı kaldığı senaryolarda güvenilir bir iş gücü YOLOv5 .
YOLOv5 hakkında daha fazla bilgi edinin.
Mimari Farklılıklar ve Eğitim
Ekosistem ve Kullanım Kolaylığı
Her iki modelin en güçlü avantajlarından biri, Ultralytics entegre olmalarıdır. YOLOv5 YOLO11 kullanıyor olsanız da, birleşik API, kapsamlı belgeler ve TensorRT, CoreML ve OpenVINO gibi formatlara sorunsuz model aktarımı desteğinden yararlanabilirsiniz.
Ancak, YOLO11 , en son güncellemelerden YOLO11 . ultralytics Python , aşağıdaki gibi araçlarla daha sıkı entegrasyon sunar: Ultralytics Platform bulut eğitimi ve veri kümesi yönetimi için.
Eğitim Verimliliği
YOLO11 , geliştirilmiş mimarisi ve kayıp fonksiyonları sayesinde YOLO11 eğitim sırasında daha hızlı yakınsama sağlar. Bellek gereksinimleri de büyük ölçüde optimize edilmiştir. Önemli miktarda VRAM gerektiren devasa dönüştürücü modellerin aksine, YOLO11 ve YOLOv5) tüketici sınıfı GPU'larda verimli bir şekilde eğitilebilir.
Ultralytics Python kullanarak YOLO11 nasıl eğitebileceğinizi aşağıda bulabilirsiniz:
from ultralytics import YOLO
# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on the COCO8 example dataset
# fast, efficient, and low-memory usage
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
Çok Yönlülük
YOLOv5 , yaşam döngüsünün ilerleyen aşamalarında segmentasyon ve sınıflandırmayı desteklemek üzere YOLOv5 . YOLO11 bu görevleri göz önünde bulundurarak sıfırdan geliştirildi. Projeniz Nesne Algılama, Örnek Segmentasyonu, Poz Tahmini veya Yönlendirilmiş Sınırlayıcı Kutular (OBB) arasında geçiş yapmayı gerektiriyorsa, YOLO11 tüm bu yöntemlerde daha tutarlı ve daha yüksek performanslı bir deneyim YOLO11 .
Sonuç: Hangi Model Kullanılmalı?
Bugün bir projeye başlayan kullanıcıların büyük çoğunluğu için, YOLO11 açık ara kazanan. "Bedava öğle yemeği" gibi bir iyileştirme sunuyor: daha fazla karmaşıklık olmadan daha iyi doğruluk ve benzer veya daha iyi hız. YOLOv5 , araştırma ve eski sistemlerin bakımı için mükemmel bir referans noktası YOLOv5 , ancak modern mimarilerle yapılan ham metrik karşılaştırmalarında geride kalıyor.
En Son Teknoloji: YOLO26
Bilgisayar görme teknolojisinde en son yenilikleri arıyorsanız (Ocak 2026 itibarıyla), YOLO26'yı keşfetmelisiniz.
YOLO26, YOLO11 temelini kullanır, YOLO11 uçtan uca NMS bir tasarım sunarak Non-Maximum Suppression son işlemine olan ihtiyacı ortadan kaldırır. Bu, özellikle CPU uç cihazlarda daha basit dağıtım ve daha hızlı çıkarım hızları sağlar. MuSGD optimizer ve ProgLoss gibi yeniliklerle YOLO26, önceki nesillere kıyasla %43'e kadar daha hızlı CPU sunar.
YOLO26 hakkında daha fazla bilgi edinin
Keşfedilecek Diğer Modeller
- RT-DETR: Gerçek zamanlı hızın çok önemli olmadığı durumlarda doğruluk açısından üstün performans gösteren transformatör tabanlı bir dedektör.
- YOLO: Eğitim veri setinde bulunmayan detect gereken açık sözlük algılama için idealdir.