YOLO26 ve YOLOv5#
Bilgisayarlı görü alanındaki gelişmeler; hız, doğruluk ve erişilebilirlik arayışının hiç durmamasıyla şekillendi. Doğru mimariyi seçmek, her yapay zekâ projesinin başarısı için kritik önem taşır. Bu kapsamlı rehberde Ultralytics'in iki önemli sürümünü, öncü YOLOv5 ile çığır açan YOLO26 modellerini karşılaştırıyoruz. Her ikisi de gerçek zamanlı nesne tespiti alanını derinden etkilemiş olsa da dayandıkları teknolojiler, sinir ağlarının görsel verileri işleme biçiminde yaşanan büyük paradigma değişimini yansıtıyor.
Model Genel Bakışı#
Mimari ayrıntılara geçmeden önce, her iki modelin de temel özelliklerini ele alalım.
YOLO26 Ayrıntıları:
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: YOLO26 Belgeleri
YOLOv5 Ayrıntıları:
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- Belgeler: YOLOv5 Belgeleri
Mimari Yenilikler#
YOLOv5 ile YOLO26 arasındaki altı yıllık fark, derin öğrenme araştırmalarında devasa bir ilerlemeyi temsil ediyor. YOLOv5, görsel modellerde PyTorch kullanımını yaygınlaştırdı ve sektör standardı hâline gelen, yüksek düzeyde optimize edilmiş, anchor tabanlı bir tespit mekanizması sundu. Ancak YOLOv5, son işlem sırasında büyük ölçüde Maksimum Olmayanların Bastırılması (NMS) yöntemine dayanıyordu; bu da kaynakları kısıtlı cihazlarda gecikme darboğazlarına yol açabiliyordu.
YOLO26, çıkarım hattını Uçtan Uca, NMS İçermeyen Tasarımla baştan ele alıyor. İsteğe bağlı bire bir başlığı (nms=False), son işlemde NMS ihtiyacını ortadan kaldırarak dağıtım mantığını çok daha hızlı ve basit hâle getiriyor. Bu yaklaşım ilk olarak YOLOv10'da kullanılmış, ancak burada mükemmelleştirilmiştir. Ayrıca YOLO26, çıktı başlığını büyük ölçüde basitleştiren DFL Kaldırma (Dağılımsal Odak Kaybı) özelliğine sahip. Bu sayede modeli ONNX ve TensorRT gibi biçimlere aktarmak son derece kolaylaşıyor ve uç cihazlar ile düşük güçlü cihazlarla mükemmel uyumluluk sağlanıyor.
YOLO26, eğitim sırasında Moonshot AI'ın Kimi K2'sinden ilham alan SGD ve Muon'un hibrit bir birleşimi olan son teknoloji MuSGD Optimize Ediciyi kullanıyor. Bu yaklaşım, büyük dil modeli eğitimindeki yenilikleri bilgisayarlı görü alanına taşıyarak YOLOv5'te kullanılan geleneksel SGD veya AdamW optimize edicilere kıyasla çok daha kararlı eğitim ve önemli ölçüde daha hızlı yakınsama sağlıyor.
Performans ve Metrikler#
Modeller değerlendirilirken ortalama Ortalama Kesinlik (mAP) ile çıkarım hızı arasındaki denge, gerçek dünyadaki kullanılabilirliği belirler. YOLO26, hem üst düzey GPU'lar hem de uç CPU'lar için doğal olarak optimize edilmiştir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Kıyaslamalar çarpıcı bir iyileşme olduğunu gösteriyor. Örneğin, YOLO26n 40.9 mAP değerine ulaşırken YOLOv5n 28.0 değerinde kalıyor; ayrıca YOLO26, CPU çıkarımında YOLO11n'den %43'e kadar daha hızlı. Bu da YOLO26'yı Raspberry Pi veya mobil cihazlar gibi gömülü dağıtımlar için çok daha üstün kılıyor. YOLOv5, Nano ölçeğinde TensorRT GPU hızında küçük bir avantaja sahip olsa da doğruluk farkı YOLO26'yı açık ara öne çıkarıyor.
Eğitim Ekosistemi ve Kullanım Kolaylığı#
Her iki model de bakımı düzenli olarak yapılan Ultralytics ekosisteminden büyük ölçüde yararlanıyor. Sadeleştirilmiş Python API'si, kapsamlı belgeleri ve etkin topluluk desteğiyle "sıfırdan kahramanlığa" uzanan bir deneyim sunuyorlar. Ancak YOLO26, eğitim verimliliğini yeni bir düzeye taşıyor.
Ultralytics modelleri, eğitim sırasında Transformer ağırlıklı alternatiflere kıyasla sürekli olarak çok daha az CUDA belleği gerektiriyor. YOLO26, ProgLoss + STAL kayıp işlevleriyle bunu daha da ileri taşıyor. Bu yenilikler, bellek kullanımını artırmadan küçük nesne tanımada kayda değer iyileştirmeler sağlıyor.
from ultralytics import YOLO
# Son teknoloji YOLO26 Nano modelini başlat
model = YOLO("yolo26n.pt")
# Modeli eğit (optimizer='auto', uzun eğitim çalışmalarında MuSGD'yi seçer)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)
# Bir test görüntüsünde hızlı, NMS içermeyen çıkarım çalıştır
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()Bu basit betik, geliştiricilerin özel veri kümeleri üzerinde hızla yineleme yapmasını ve veri alımından üretime hazır bir modele sorunsuzca geçmesini sağlar.
Ultralytics Platform ile eğitilmiş YOLO26 modellerini tek satır dönüştürme kodu yazmadan CoreML veya LiteRT gibi biçimlere otomatik olarak aktarabilirsin.
Çok Yönlülük ve İdeal Kullanım Alanları#
YOLOv5 Ne Zaman Kullanılmalı?#
YOLOv5, eski sistemler için güvenilir bir iş gücü olmayı sürdürüyor. Anchor tabanlı çıktılara sıkı biçimde bağlı mevcut bir endüstriyel hattın varsa veya çıkarımı olgun ve sabitlenmiş TensorRT yığınlarına sahip eski NVIDIA Jetson cihazlarında çalıştırıyorsan YOLOv5, kararlı ve belgeleri kapsamlı bir çözüm sunar.
YOLO26 Ne Zaman Kullanılmalı?#
YOLO26, modern bilgisayarlı görü projeleri için kesin tercihtir. Çok yönlülüğü, önceki modelini açık ara geride bırakır. YOLOv5 temel olarak tespit üzerine odaklanırken (sonraki sürümlerde segmentasyon desteği eklendi), YOLO26 Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için kapsamlı, yerel destek sunar.
YOLO26, özel anlamsal segmentasyon kaybı, son derece hassas poz anahtar noktaları için Artık Log-Olabilirlik Tahmini (RLE) ve zorlu sınır sorunlarını çözmek için OBB'ye yönelik gelişmiş açı kaybı gibi Göreve Özel İyileştirmeler sunuyor.
- Uç IoT ve Robotik: İsteğe bağlı NMS içermeyen çıkarım ve YOLO11n'den CPU çıkarımında %43'e kadar daha yüksek hız, YOLO26'yı gerçek zamanlı robot navigasyonu ve akıllı ev kameraları için ideal kılıyor.
- Havadan Görüntüler: ProgLoss + STAL iyileştirmeleri, otoparklardaki araçlar veya tarım arazilerindeki ekinler gibi dronlardan görüntülenen küçük nesnelerin tespitini çok daha güvenilir hâle getiriyor.
- Gerçek Zamanlı Video Analitiği: Spor yayınlarında sporcuları takip ederken veya trafik akışını izlerken YOLO26'nın performans dengesi, kare atlamadan yüksek yakalama oranı sağlar.
Sonuç olarak Ultralytics'in erişilebilir, yüksek performanslı bir ekosisteme yönelik kararlılığı, YOLOv5'ten YOLO26'ya geçişin sorunsuz olmasını sağlıyor ve hem araştırmacılara hem de geliştiricilere son teknoloji özelliklerin kapısını açıyor.