Link to this sectionYOLO26 ile YOLOv5 karşılaştırması#
Bilgisayarlı görü evrimi; hız, doğruluk ve erişilebilirlik arayışıyla tanımlanmıştır. Doğru mimariyi seçmek, herhangi bir yapay zeka projesinin başarısı için kritiktir. Bu kapsamlı rehberde, Ultralytics tarafından sunulan iki anıtsal sürümü karşılaştırıyoruz: öncü YOLOv5 ve çığır açan YOLO26. Her ikisi de gerçek zamanlı nesne tespiti dünyasını derinden etkilemiş olsa da, temel teknolojileri sinir ağlarının görsel verileri işleme biçiminde devasa bir paradigma değişimini yansıtmaktadır.
Link to this sectionModel 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
- Dokümantasyon: YOLO26 Dokümantasyonu
YOLO26 hakkında daha fazla bilgi edin
YOLOv5 Detayları:
- Yazarlar: Glenn Jocher
- Organizasyon: Ultralytics
- Tarih: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- Dokümantasyon: YOLOv5 Dokümantasyonu
YOLOv5 hakkında daha fazla bilgi edin
Link to this sectionMimari Yenilikler#
YOLOv5 ile YOLO26 arasındaki altı yıllık boşluk, derin öğrenme araştırmalarında büyük bir sıçramayı temsil eder. YOLOv5, PyTorch kullanımını görme modelleri için yaygınlaştırarak endüstri standardı haline gelen, yüksek düzeyde optimize edilmiş ve çapa tabanlı (anchor-based) bir tespit mekanizması sundu. Ancak, işlem sonrası süreçte yoğun bir şekilde Non-Maximum Suppression (NMS) yöntemine güvendi ve bu durum kaynak kısıtlı cihazlarda gecikme darboğazlarına yol açabiliyordu.
YOLO26, çıkarım (inference) hattını Uçtan Uca NMS-Free Tasarım ile tamamen yeniden kurgular. NMS işlem sonrası ihtiyacını ortadan kaldıran YOLO26, ilk kez YOLOv10 ile öncülük edilen ancak burada mükemmelleştirilen daha hızlı ve çok daha basit bir dağıtım mantığı sunar. Dahası, YOLO26 çıktı başlığını önemli ölçüde basitleştiren DFL Removal (Distribution Focal Loss) özelliğine sahiptir. Bu, modeli ONNX ve TensorRT gibi formatlara aktarmayı inanılmaz derecede sorunsuz hale getirerek, uç cihazlar ve düşük güçlü donanımlarla mükemmel uyumluluk sağlar.
Eğitim sırasında YOLO26, Moonshot AI'nın Kimi K2 projesinden ilham alan SGD ve Muon melezi olan en ileri düzey MuSGD Optimizer yöntemini kullanır. Bu, LLM eğitimindeki yenilikleri bilgisayarlı görü alanına taşıyarak, YOLOv5'te kullanılan geleneksel SGD veya AdamW iyileştiricilerine kıyasla son derece kararlı bir eğitim ve çok daha hızlı yakınsama garanti eder.
Link to this sectionPerformans ve Metrikler#
Modelleri değerlendirirken, mean Average Precision (mAP) ile çıkarım hızı arasındaki denge, gerçek dünya uygulanabilirliğini belirler. YOLO26, hem üst düzey GPU'lar hem de uç CPU'lar için yerel olarak optimize edilmiştir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| 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 |
Benchmarks (kıyaslamalar) şaşırtıcı bir gelişmeyi ortaya koyuyor. Örneğin, YOLO26n modeli 40.9 mAP değerine ulaşırken YOLOv5n 28.0 değerinde kalıyor ve aynı zamanda %43'e varan oranda daha hızlı CPU çıkarımı sunuyor. Bu, YOLO26'yı Raspberry Pi gibi gömülü sistemler veya mobil cihaz dağıtımları için çok daha üstün kılıyor. YOLOv5, Nano ölçekli TensorRT GPU hızında hafif bir avantaj sağlasa da, doğruluk tarafındaki ödünleşme YOLO26 lehine ciddi bir fark yaratıyor.
Link to this sectionEğitim 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, eğitim sırasında ağır transformer alternatiflerine göre tutarlı bir şekilde çok daha düşük CUDA memory kullanımı talep eder. YOLO26, ProgLoss + STAL kayıp fonksiyonları ile bunu daha da güçlendirir. Bu ilerlemeler, bellek yükünü artırmadan küçük nesne tanıma kapasitesinde 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 özel veri setleri üzerinde hızla yineleme yapmasına ve veri alımından üretime hazır modele sorunsuz geçiş yapmasına olanak tanır.
Ultralytics Platform kullanarak, eğittiğin YOLO26 modellerini tek bir satır dönüştürme kodu yazmadan CoreML veya TensorFlow Lite gibi formatlara otomatik olarak aktarabilirsin.
Link to this sectionÇok Yönlülük ve İdeal Kullanım Durumları#
Link to this sectionYOLOv5 Ne Zaman Kullanılmalı?#
YOLOv5, eski sistemler için güvenilir bir çözüm olmaya devam ediyor. Eğer çapa tabanlı çıktılara sıkı sıkıya bağlı mevcut bir endüstriyel hattın varsa veya olgun, dondurulmuş TensorRT yığınlarına sahip eski NVIDIA Jetson cihazlarda çıkarım çalıştırıyorsan, YOLOv5 kararlı ve oldukça iyi belgelenmiş bir çözüm sunar.
Link to this sectionYOLO26 Ne Zaman Kullanılmalı?#
YOLO26, modern bilgisayarlı görü projeleri için kesin tercihtir. Çok yönlülüğü selefini büyük oranda geride bırakır. YOLOv5 öncelikle tespite odaklansa da (daha sonra segmentasyon eklendi), YOLO26 Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutular (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.