YOLO26 ile YOLOv5 karşılaştırması#

Bilgisayarlı görü evrimi, hız, doğruluk ve erişilebilirlik yönündeki aralıksız çaba ile tanımlanmıştır. Doğru mimariyi seçmek, herhangi bir yapay zeka projesinin başarısı için kritik önem taşır. Bu kapsamlı rehberde, Ultralytics tarafından sunulan iki anıtsal sürümü karşılaştırıyoruz: öncü YOLOv5 ve çığır açan YOLO26. Her ikisi de gerçek zamanlı object detection manzarasını büyük ölçüde etkilemiş olsa da, alttaki teknolojileri sinir ağlarının görsel verileri işleme biçiminde büyük bir paradigma değişimini yansıtmaktadır.

Model Genel Bakışı#

Mimari inceliklere girmeden önce, her iki modelin temel detaylarını ortaya koyalım.

YOLO26 Detayları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümanlar: YOLO26 Documentation

YOLO26 hakkında daha fazla bilgi edin

YOLOv5 Detayları:

• Yazarlar: Glenn Jocher
• Organizasyon: Ultralytics
• Tarih: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Belgeler: YOLOv5 Documentation

YOLOv5 hakkında daha fazla bilgi edin

Mimari Yenilikler#

YOLOv5 ve YOLO26 arasındaki altı yıllık boşluk, derin öğrenme araştırma alanında devasa bir sıçramayı temsil eder. YOLOv5, endüstri standardı haline gelen son derece optimize edilmiş, çapa tabanlı bir algılama mekanizması sunarak PyTorch dilinin vizyon modelleri için yaygın kullanımını popüler hale getirdi. Ancak, işlem sonrası aşamada büyük ölçüde Non-Maximum Suppression (NMS) mekanizmasına güveniyordu; bu da kaynak kısıtlı cihazlarda gecikme darboğazlarına yol açabiliyordu.

YOLO26, çıkarım boru hattını End-to-End NMS-Free Design ile tamamen yeniden tasarlar. NMS işleme sonrası ihtiyacını ortadan kaldırarak YOLO26, ilk kez YOLOv10'da öncülük edilen ancak burada mükemmelleştirilen daha hızlı ve çok daha basit bir dağıtım mantığı sunar. Ek olarak YOLO26, çıktı kafasını büyük ölçüde basitleştiren DFL Removal (Distribution Focal Loss) özelliğine sahiptir. Bu, modeli ONNX ve TensorRT gibi formatlara aktarmayı son derece pürüzsüz hale getirerek kenar ve düşük güçteki cihazlarla mükemmel uyumluluk sağlar.

Eğitim sırasında YOLO26, Moonshot AI's Kimi K2 tarafından ilham alınan SGD ve Muon melezi olan son teknoloji MuSGD Optimizer optimizasyon aracını kullanır. Bu, YOLOv5'te kullanılan geleneksel SGD veya AdamW optimize edicilere kıyasla son derece kararlı bir eğitim ve önemli ölçüde daha hızlı yakınsama garanti ederek LLM eğitim yeniliklerini bilgisayarlı görü alanına taşır.

Performans ve Metrikler#

Modelleri değerlendirirken, mean Average Precision (mAP) ile çıkarım hızı arasındaki denge gerçek dünyadaki geçerliliği belirler. YOLO26, hem üst düzey GPU'lar hem de uç CPU'lar için yerel olarak optimize edilmiştir.

Performans testleri şaşırtıcı bir gelişmeyi ortaya koyuyor. Örneğin, YOLO26n, YOLOv5n modelinin 28.0 değerine kıyasla 40.9 mAP değerine ulaşırken, aynı anda up to 43% faster CPU inference sunar. Bu, YOLO26'yı Raspberry Pi veya mobil cihazlar gibi gömülü dağıtımlar için çok daha üstün kılar. YOLOv5 Nano ölçeğinde TensorRT GPU hızında hafif bir avantaja sahip olsa da, doğruluk ödünleşimi büyük ölçüde YOLO26'yı destekler.

Eğitim Ekosistemi ve Kullanım Kolaylığı#

Her iki model de, sürekli geliştirilen Ultralytics ekosisteminden büyük ölçüde yararlanır. Sadeleştirilmiş Python API, kapsamlı dokümantasyon ve aktif topluluk desteği ile "sıfırdan profesyonelliğe" bir deneyim sunarlar. Ancak, YOLO26 eğitim verimliliğini yeni bir seviyeye taşıyor.

Ultralytics modelleri, transformatör ağırlıklı alternatiflere kıyasla eğitim sırasında sürekli olarak çok daha düşük CUDA memory gereksinimi sunar. YOLO26 bunu ProgLoss + STAL kayıp fonksiyonlarıyla güçlendirir. Bu ilerlemeler, bellek yükünü artırmadan küçük nesne tanımada belirgin iyileştirmeler sağlar.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model with the MuSGD optimizer (default for YOLO26)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Run fast, NMS-free inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Bu basit betik, geliştiricilerin custom datasets üzerinde hızla yineleme yapmasına, veri alımından üretime hazır bir modele sorunsuz bir şekilde geçmesine olanak tanır.

Çok Yönlülük ve İdeal Kullanım Durumları#

YOLOv5 Ne Zaman Kullanılmalı?#

YOLOv5, eski sistemler için güvenilir bir iş atı olmaya devam etmektedir. Çapa tabanlı çıktılara yoğun bir şekilde bağlı olan mevcut bir endüstriyel boru hattın varsa veya olgun, dondurulmuş TensorRT yığınlarına sahip daha eski NVIDIA Jetson cihazlarında çıkarım çalıştırıyorsan, YOLOv5 kararlı, yüksek düzeyde belgelendirilmiş bir çözüm sunar.

YOLO26 Ne Zaman Kullanılmalı?#

YOLO26, modern bilgisayarlı görü projeleri için kesin tercihtir. Çok yönlülüğü selefini çok geride bırakmaktadır. YOLOv5 öncelikle algılama üzerine odaklanırken (daha sonraki segmentasyon eklemeleriyle), YOLO26 Instance Segmentation, Pose Estimation, Image Classification ve Oriented Bounding Boxes (OBB) için derin ve yerel destek sunar.

YOLO26; özelleştirilmiş anlamsal segmentasyon kaybı, ultra hassas poz anahtar noktaları için Residual Log-Likelihood Estimation (RLE) ve karmaşık sınır sorunlarını çözmek için gelişmiş açı kaybı gibi Göreve Özel İyileştirmeler sunar.

• Uç IoT ve Robotik: NMS-free mimarisi ve %43 daha hızlı CPU çıkarımı, YOLO26'yı gerçek zamanlı robotik navigasyon ve akıllı ev kameraları için ideal kılar.
• Hava Görüntüleri: ProgLoss + STAL geliştirmeleri, otoparklardaki araçlar veya tarım alanlarındaki mahsuller gibi dronlardan gelen küçük nesnelerin tespitini önemli ölçüde daha güvenilir hale getirir.
• Gerçek Zamanlı Video Analitiği: İster spor yayınlarında sporcuları takip et, ister trafik akışlarını izle; YOLO26'nın performans dengesi, kare kaybı yaşamadan yüksek geri çağırma (recall) sağlar.

Sonuçta, Ultralytics'in erişilebilir ve yüksek performanslı bir ekosisteme olan bağlılığı, YOLOv5'ten YOLO26'ya geçişin sorunsuz olmasını sağlar ve hem araştırmacılar hem de geliştiriciler için en güncel yeteneklerin kilidini açar.