YOLO11 vs YOLOv5: Ultralytics Mimarilerinin Kapsamlı Teknik Karşılaştırması
Doğru sinir ağı mimarisini seçmek, herhangi bir bilgisayar görüşü girişimi için çok önemli bir karardır. Yapay zeka alanı geliştikçe, geliştiricilere ve araştırmacılara sunulan araçlar da gelişmektedir. Bu kapsamlı kılavuz, Ultralytics ekosisteminden iki önemli model olan oldukça beğenilen YOLOv5 ile gelişmiş YOLO11 arasında derinlemesine bir teknik karşılaştırma sunmaktadır.
İster uç yapay zeka uygulamaları için hafif modeller dağıtıyor olun, ister bulut GPU'larında yüksek çözünürlüklü video akışlarını işliyor olun, bu modellerin mimari nüanslarını, performans metriklerini ve ideal kullanım durumlarını anlamak, belirli dağıtım kısıtlamalarınız için veriye dayalı bir seçim yapmanızı sağlayacaktır.
Model Soy Ağacı ve Teknik Detaylar
Her iki model de Ultralytics'in açık kaynak işbirliğine, sağlam performansa ve benzersiz kullanım kolaylığına olan bağlılığını yansıtmakta, bu da onları küresel makine öğrenimi topluluğu tarafından oldukça tercih edilen çözümler haline getirmektedir.
YOLO11 Detayları
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2024-09-27
- GitHub: ultralytics/ultralytics
- Belgeler: YOLO11 Dokümantasyonu
YOLO11 hakkında daha fazla bilgi edinin
YOLOv5 Detayları
- Yazarlar: Glenn Jocher
- Organizasyon: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Belgeler: YOLOv5 Belgeleri
YOLOv5 hakkında daha fazla bilgi edinin.
Mimari Farklılıklar
YOLOv5'ten YOLO11'e olan evrim, doğruluğu ve parametre verimliliğini optimize etmek üzere tasarlanmış birkaç köklü mimari değişiklik sunmaktadır.
YOLOv5, PyTorch ekosisteminde öncü bir rol oynayarak, yüksek düzeyde optimize edilmiş bir CSPNet (Cross Stage Partial Network) backbone'u ve bir PANet (Path Aggregation Network) boynu tanıttı. Nesne sınırlarını tahmin etmek için önceden tanımlanmış çapa kutuları gerektiren çapa tabanlı tespit yöntemine dayanıyordu. Son derece etkili olmasına rağmen, özel bilgisayar görüşü veri kümeleri için bu çapaları ayarlamak zahmetli olabilirdi.
Buna karşılık, YOLO11 daha modern, çapa içermeyen bir tespit paradigmasına geçiş yapmaktadır. Bu, manuel çapa kutusu ayarlama ihtiyacını ortadan kaldırarak eğitim sürecini kolaylaştırır ve COCO veri kümesi gibi çeşitli veri kümelerinde genelleme yeteneğini geliştirir. Ek olarak, YOLO11 ayrık bir kafa yapısına sahiptir; yani sınıflandırma ve sınırlayıcı kutu regresyon görevleri ayrı dallarda işlenir. Bu ayrım, özellikle karmaşık object detection senaryolarında yakınsama hızını ve ortalama Ortalama Hassasiyeti (mAP) önemli ölçüde artırır.
Performans Metrikleri ve Kıyaslamalar
Aşağıdaki tablo, farklı model boyutlarındaki temel metrikleri karşılaştırmaktadır. Ultralytics modelleri, bellek gereksinimleriyle bilinir; genellikle ağır transformatör tabanlı alternatiflere kıyasla eğitim sırasında daha az CUDA belleği tüketir, bu da giriş için donanım engelini önemli ölçüde düşürür.
| 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 |
Gözlemlendiği üzere, YOLO11 oldukça uygun bir performans dengesi sağlar ve YOLOv5 muadillerine kıyasla benzer parametre sayılarında sürekli olarak daha yüksek mAP skorları sunar.
Eğitim Metodolojileri ve Kullanılabilirlik
Ultralytics felsefesinin temel bir ilkesi, iyi yönetilen bir ekosistem ve kapsamlı topluluk desteğiyle desteklenen olağanüstü kullanım kolaylığıdır.
YOLOv5 tarihsel olarak sağlam komut satırı arayüzü (CLI) betiklerine dayanmıştır (train.py, detect.py) yürütme için. Güçlü olsalar da, bu betikleri doğrudan özel Python uygulamalarına entegre etmek genellikle geçici çözümler gerektiriyordu.
YOLO11, bu durumu kolaylaştırılmış ultralytics Python paketiyle devrim yarattı. Bu birleşik API, eğitimden modelleri dışa aktarmaya kadar her şeyi yönetir. gibi formatlara ONNX, OpenVINOve TensorRT doğal olarak işleyebiliyor.
Ultralytics Platformu ile Kolaylaştırılmış Dağıtım
Tamamen kodsuz bir deneyim için, geliştiriciler Ultralytics Platformu'nu kullanarak verileri etiketleyebilir, modelleri bulutta eğitebilir ve bunları uç cihazlara sorunsuz bir şekilde dağıtabilir.
Kod Karşılaştırması
Bugün bir Ultralytics modeli eğitmek inanılmaz derecede verimlidir. YOLO11'i yerel Python API'sini kullanarak nasıl eğitebileceğiniz aşağıda açıklanmıştır:
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 aracılığıyla 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.pt
İdeal Kullanım Durumları ve Gerçek Dünya Uygulamaları
Her iki model de farklı operasyonel ortamlara göre uyarlanmış belirgin güçlü yönlere sahiptir.
YOLOv5 Ne Zaman Kullanılmalı
Daha yeni nesil olmasına rağmen, YOLOv5 güçlü bir çözüm olmaya devam etmektedir. Şunlar için şiddetle tavsiye edilir:
- Eski Sistem Entegrasyonu: YOLOv5'in belirli tensor yapılarına veya kolayca yeniden düzenlenemeyen dağıtım hatlarına derinlemesine entegre olmuş ortamlar.
- Akademik Temeller: Tıbbi görüntü analizi alanında tekrarlanabilir akademik çalışmalar için yerleşik, uzun süredir devam eden temellere ihtiyaç duyan araştırmacılar.
YOLO11 Ne Zaman Kullanılmalı
YOLO11, inanılmaz çok yönlülüğü sayesinde modern üretim hatları için ideal bir seçimdir:
- Çok Görevli Ortamlar: Öncelikli olarak bir detectör olan (daha sonra eklenen segmentasyon özellikleriyle) YOLOv5'in aksine, YOLO11, kutudan çıktığı gibi örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) detect'i doğal olarak destekler.
- Yüksek Yoğunluklu Video Analizi: Karmaşık sahnelerden maksimum hassasiyet elde etmenin kritik olduğu akıllı trafik sistemleri veya perakende envanter yönetimi için idealdir.
Geleceğe Bakış: YOLO26 Mimarisi
YOLO11 istisnai bir standart olarak öne çıksa da, bilgisayar görüşü alanı hızla ilerlemeye devam ediyor. Mutlak verimlilik zirvesini arayan geliştiriciler, en son Ultralytics YOLO26'yı (Ocak 2026'da yayınlandı) da değerlendirmelidir.
YOLO26, hem kenar optimizasyonu hem de kurumsal ölçek için özel olarak tasarlanmış büyük bir ilerlemeyi temsil ediyor. Başlıca yenilikler şunlardır:
- Uçtan Uca NMS'siz Tasarım: YOLO26, daha hızlı ve daha basit dağıtım için Non-Maximum Suppression (NMS) işlem sonrası adımını ortadan kaldıran, doğal olarak uçtan uca bir yapıya sahiptir.
- DFL Kaldırılması: Basitleştirilmiş model dışa aktarımı ve gelişmiş düşük güçlü cihaz uyumluluğu için Distribution Focal Loss kaldırılmıştır.
- MuSGD Optimizasyonu: Daha hızlı yakınsama için LLM eğitim kararlılığını bilgisayar görüşüne taşıyan, SGD ve Muon'un çığır açan bir hibritidir.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: IoT dağıtımları ve özel GPU'ları olmayan cihazlar için yoğun bir şekilde optimize edilmiştir.
- ProgLoss + STAL: Hava drone görüntüleri için hayati önem taşıyan, küçük nesne tanımada kayda değer iyileşmeler sağlayan, büyük ölçüde geliştirilmiş kayıp fonksiyonları.
YOLO26 hakkında daha fazla bilgi edinin
Özet
YOLO11 ve YOLOv5 arasında seçim yapmak nihayetinde projenizin yaşam döngüsü aşamasına bağlıdır. YOLOv5'in mirası yadsınamaz; aşırı kararlılık ve büyük bir topluluk desteği sunar. Ancak, herhangi yeni bir proje için, YOLO11 eski nesillere göre şiddetle tavsiye edilir. En son doğruluğu, olağanüstü zarif bir Python API'sini ve daha düşük eğitim belleği yükünü birleştirerek Ultralytics'in yapay zeka inovasyonunun ön saflarındaki konumunu sağlamlaştırır. Sınırları daha da zorlayanlar için, Ultralytics Platformu üzerindeki son teknoloji YOLO26'yı keşfetmek eşsiz sonuçlar verecektir.