İçeriğe geç

YOLO26 ve YOLOv5: Gerçek Zamanlı Nesne Algılamada İlerleme

Nesne algılamanın evrimi önemli dönüm noktalarıyla işaretlenmiştir ve YOLO26'yı efsanevi YOLOv5 ile karşılaştırmak, bilgisayar görüşünün ne kadar ilerlediğini net bir şekilde gösterir. YOLOv5 , 2020 yılında kullanılabilirlik ve denge konusunda endüstri standardını YOLOv5 , YOLO26 ise 2026 yılında üretken yapay zeka ve görüş araştırmalarının en son teknolojisini temsil eder. Bu kılavuz, projeleriniz için doğru aracı seçmenize yardımcı olmak amacıyla, bu araçların mimarilerini, performans ölçütlerini ve ideal uygulama senaryolarını ayrıntılı olarak inceler.

Yönetici Özeti

YOLOv5, Ultralytics tarafından piyasaya sürülen YOLOv5, nesne algılamayı erişilebilir, hızlı ve eğitimi kolay hale getirerek yapay zekayı demokratikleştirdi. Eski sistemler için güvenilir bir iş gücü olmaya devam ediyor.

2026 yılının Ocak ayında piyasaya sürülen YOLO26, Non-Maximum Suppression (NMS) özelliğini ortadan kaldıran yerel uçtan uca mimari ile bu mirası daha da geliştiriyor. Büyük Dil Modellerinden (LLM) esinlenerek geliştirilen MuSGD optimizer özelliği, özellikle küçük nesneler ve uç cihazlar için daha hızlı yakınsama ve önemli ölçüde iyileştirilmiş doğruluk sağlıyor.

ÖzellikYOLO26YOLOv5
MimariNMS Uçtan UcaNMS ile çapa tabanlı
Optimize ediciMuSGD (LLM'den esinlenerek)SGD Adam
Çıkarım HızıCPU'da %43'e kadar daha hızlıStandart Gerçek Zamanlı
GörevlerAlgılama, Segmentleme, Sınıflandırma, Poz, OBBDetect, Segment, Classify
En Uygun Olduğu AlanKenar AI, Gerçek ZamanlıCPU, RobotikGenel Amaçlı, Eski Sürüm Desteği

Performans Kıyaslamaları

Aşağıdaki tablo, COCO setindeki modelleri karşılaştırmaktadır. YOLO26, hem doğruluk (mAP) hem de çıkarım hızında, özellikle verimli işlemenin kritik olduğu CPU önemli CPU göstermektedir.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOP'lar
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4

Performans Notu

YOLO26n, YOLOv5n'e göre mAPde %46'lık büyük bir iyileştirme sağlarken, CPU'larda neredeyse 2 kat daha hızlı çalışır. Bu da onu mobil uygulamalar ve uç yapay zeka için kesin seçim haline getirir.

YOLO26: Uç Yapay Zeka için Yeni Standart

YOLO26, modern dağıtım boru hatlarının karmaşıklıklarını ele almak için tasarlanmıştır. NMS ve Dağıtım Odak Kaybı (DFL) ihtiyacını ortadan kaldırarak, model ONNX ve TensorRT gibi formatlara dışa aktarımı basitleştirerek gecikme değişkenliğini azaltır.

Temel Mimari Yenilikler

  1. Uçtan Uca NMS: Model mimarisi, her nesne için doğrudan bir sınırlayıcı kutu tahmin eder ve sezgisel NMS ortadan kaldırır. Bu, çıkarım sırasında hesaplama yükünü azaltır. Bu teknik ilk olarak YOLOv10.
  2. MuSGD Optimizer: LLM eğitiminden gelen yenilikleri uyarlayan YOLO26, SGD Muon'un (Moonshot AI'nın Kimi K2'sinden esinlenerek) bir karışımını kullanır. Bu, daha istikrarlı bir eğitim dinamiği ve daha hızlı yakınsama sağlar, böylece özel modellerin eğitim maliyetini düşürür.
  3. ProgLoss + STAL: Progressive Loss ve Soft-Target Anchor Loss'un entegrasyonu, drone görüntüleri ve otonom araçlar için kritik bir gereklilik olan küçük nesnelerin algılanmasını önemli ölçüde iyileştirir.
  4. Verimlilik: %43'e varan daha hızlı CPU YOLO26, standart dizüstü bilgisayarlar ve Raspberry Pi gibi güçlü GPU'lara sahip olmayan cihazlar için optimize edilmiştir.

YOLO26 hakkında daha fazla bilgi edinin

YOLOv5: Kullanılabilirliğin Mirası

YOLOv5 kullanıcı deneyimini ön planda tutarak bilgisayar görme alanını dönüştürdü. Sezgisel PyTorch ve sağlam ekosistemi, "sıfırdan kahramana" AI geliştirme için çıtayı belirledi.

  • Kullanım Kolaylığı: Basit dizin yapısı ve "train.py" arayüzü ile tanınan YOLOv5 , eğitim amaçlı kullanım ve hızlı prototip oluşturma için en çok tercih edilen seçenek YOLOv5 .
  • Geniş Uyumluluk: Dışa aktarım formatları için kapsamlı destek, Apple CoreML 'den Android TFLite kadar neredeyse tüm donanımlarda çalışmasını sağlar.
  • Topluluk Desteği: Yıllar süren aktif geliştirme çalışmaları sonucunda, çok sayıda eğitim, üçüncü taraf entegrasyonları ve topluluk düzeltmelerinden oluşan devasa bir kütüphane oluşturulmuştur.

YOLOv5 hakkında daha fazla bilgi edinin.

Kullanım Örneklerinin Karşılaştırılması

Bu modeller arasında seçim yapmak, donanım, doğruluk ve görev karmaşıklığı ile ilgili özel kısıtlamalarınıza bağlıdır.

YOLO26 İçin İdeal Senaryolar

  • Edge Computing & IoT: DFL ve NMS kaldırılması, YOLO26'yı CPU'larda ve NPU'larda olağanüstü hızlı NMS . Akıllı kameralar, perakende analitiği ve endüstriyel sensörler için mükemmeldir.
  • Robotik ve Navigasyon: Uçtan uca tasarım, robotikte gerçek zamanlı kontrol döngüleri için çok önemli olan deterministik gecikme süresi sağlar.
  • Gelişmiş Görevler: Hava görüntülerinde Artık Log-Olasılık Tahmini (RLE) ile Poz Tahmini veya yüksek doğrulukta Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılama ihtiyacınız varsa, YOLO26, YOLOv5 özel mimari başlıklar sunar.
  • Küçük Nesne Algılama: ProgLoss sayesinde YOLO26, üretim hataları veya güvenlik kamerası görüntülerindeki uzak nesneler gibi küçük nesneleri algılamada üstün performans gösterir.

YOLOv5 için İdeal Senaryolar

  • Eski Sistemler: YOLOv5 zaten derinlemesine entegre edilmiş projeler, performans gereksinimleri karşılanıyorsa mevcut modeli korumayı maliyet açısından daha uygun bulabilir.
  • Eğitim Atölyeleri: Basit kod tabanı, evrişimli sinir ağlarının (CNN) temellerini öğretmek için mükemmeldir.

Eğitim ve Ekosistem

Her iki model de sağlam Ultralytics yararlanmaktadır, ancak YOLO26 modern verimlilikler sunmaktadır.

Eğitim Verimliliği

YOLO26, farklı parti boyutları ve öğrenme oranları arasında eğitimi dengeleyen MuSGD optimizasyon aracını kullanır. Bu, YOLOv5 standart SGD kıyasla yakınsamaya ulaşmak için daha az dönem gerektirir ve GPU maliyetlerinden tasarruf sağlar.

Bellek Gereksinimleri

Ultralytics verimlilikleriyle ünlüdür. YOLO26 bu trendi sürdürerek, RT-DETR gibi transformatör tabanlı alternatiflere kıyasla önemli ölçüde daha az CUDA gerektirir. RT-DETRgibi dönüştürücü tabanlı alternatiflere göre önemli ölçüde daha az CUDA belleği gerektirir. Bu, geliştiricilerin NVIDIA 3060 veya 4090 gibi tüketici sınıfı GPU'larda daha büyük modeller eğitmelerine olanak tanır.

Ultralytics

Her iki model de, tüm iş akışını kolaylaştıran Ultralytics ile tam olarak entegre edilmiştir:

  • Veri kümesi yönetimi: AI yardımıyla verileri yükleyin ve açıklama ekleyin.
  • Tek Tıkla Eğitim: Altyapıyı yönetmeden bulutta eğitim verin.
  • Dağıtım: Üretim için TensorRT, OpenVINO ve diğer platformlara otomatik olarak dışa aktarın.

Sonuç

YOLOv5 YOLOv5 bir nesil nesne algılayıcılarını tanımlayan saygın bir klasik olmaya devam ederken, YOLO26 2026'daki yeni projeler için daha üstün bir seçimdir. Mimari gelişmeleri, özellikle NMS tasarım ve MuSGD optimizörü, daha hızlı, daha doğru ve uç cihazlarda daha kolay uygulanabilen bir model sunar.

Hız ve doğruluk arasında en iyi dengeyi arayan geliştiriciler için YOLO26, geleceğe dönük bir temel sağlar. Bu önemli performans artışlarından yararlanmak için eski YOLOv5 YOLO26'ya geçirmeyi öneririz.

Yazarlar ve Referanslar

YOLO26

YOLOv5

Diğer modern mimarileri keşfetmek isteyenler için, şunlara göz atmayı düşünebilirsiniz YOLO11 veya RT-DETR 'yi inceleyebilirsiniz.


Yorumlar