YOLO26 ve YOLOv5
Doğru mimariyi seçmek, her bilgisayarlı görü projesinin başarısı için kritik önem taşır. Bu kılavuz, yaygın olarak benimsenen YOLOv5 ile mevcut YOLO26 olmak üzere iki önemli Ultralytics sürümünü karşılaştırır. Her ikisi de gerçek zamanlı nesne algılamayı şekillendirmiştir; ancak temel tasarımları, sinir ağlarının görsel verileri işleme biçiminde beş yılı aşkın süredir yaşanan ilerlemeyi yansıtır.
Model Genel Bakışı#
Her iki modelin temel ayrıntıları aşağıda özetlenmiştir.
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 beş yılı aşkın fark, derin öğrenme araştırmalarındaki büyük ilerlemeleri kapsar. YOLOv5, optimize edilmiş ve endüstri standardı hâline gelen çapa tabanlı bir algılama mekanizması sunarak PyTorch tabanlı YOLO eğitimini yaygınlaştırmaya yardımcı oldu. Ancak işlem sonrası aşamasında Maksimum Olmayan Bastırma (NMS) kullanıyordu; bu da kaynakları kısıtlı cihazlarda gecikme darboğazlarına yol açabiliyordu.
YOLO26, çıkarım hattını Uçtan Uca NMS İçermeyen Tasarım ile yeniden düzenler. İsteğe bağlı bire bir başlığı (nms=False), NMS son işleme ihtiyacını ortadan kaldırarak daha hızlı ve basit bir dağıtım mantığı sunar; bu yaklaşım YOLO modellerine YOLOv10 tarafından kazandırılmıştır. YOLO26 ayrıca çıktı başlığını basitleştiren DFL'nin Kaldırılması (Dağılımsal Odak Kaybı) özelliğini içerir. Böylece modelin ONNX ve TensorRT gibi biçimlere dışa aktarılması kolaylaşır ve uç cihazlar ile düşük güç tüketen cihazlarla uyumluluk artar.
YOLO26, eğitim sırasında SGD ile Muon'un birleşimi olan ve Moonshot AI'ın Kimi K2'sinden ilham alan MuSGD Optimizer'ı kullanır. Bu, büyük dil modeli eğitimindeki fikirleri bilgisayarlı görüye taşır ve YOLOv5'in varsayılan olarak kullandığı yalın SGD optimizer'ına kıyasla daha kararlı eğitim ve daha hızlı yakınsama sağlar.
Performans ve Metrikler#
Modelleri değerlendirirken ortalama Kesinlik (mAP) ile çıkarım hızı arasındaki denge, gerçek dünyadaki uygulanabilirliği belirler. YOLO26 hem üst düzey GPU'lar hem de uç CPU'lar için optimize edilmiştir.
| Model | boyut (piksel) | mAPval50-95 | 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 |
Karşılaştırmalar, doğrulukta büyük bir artış olduğunu gösteriyor. Örneğin YOLO26n, YOLOv5n değerinin 28,0 mAP'sine karşılık 40,9 mAP'ye ulaşır; YOLO26n ise YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sunar. Bu özellik, YOLO26'yı Raspberry Pi veya mobil cihazlar gibi gömülü dağıtımlar için daha uygun hâle getirir. YOLOv5, n, s ve m ölçeklerinde T4 TensorRT'de daha hızlıdır; ancak doğruluk farkı YOLO26'yı belirgin biçimde öne çıkarır (örneğin m modellerinde 53,1'e karşı 45,4 mAP).
Eğitim Ekosistemi ve Kullanım Kolaylığı#
Her iki model de basit bir Python API'si, kapsamlı dokümantasyon ve aktif topluluk desteği sunan bakımı iyi yapılmış Ultralytics ekosisteminden yararlanır. YOLO26 ek eğitim iyileştirmeleri de sunar.
Ultralytics modelleri, eğitim sırasında genellikle Transformer ağırlıklı alternatiflerden daha az CUDA belleği gerektirir. YOLO26, bellek yükünü artırmadan küçük nesne tanımayı iyileştiren ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması) özelliklerini ekler.
from ultralytics import YOLO
# 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 betik, geliştiricilerin özel veri kümeleri üzerinde hızlıca denemeler yapmasını, verilerin içe alınmasından üretime hazır bir modele geçmesini sağlar.
Ultralytics Platform ile eğitilmiş YOLO26 modellerini, tek satır dönüştürme kodu yazmadan CoreML veya LiteRT gibi biçimlere aktarabilirsin.
Çok Yönlülük ve İdeal Kullanım Alanları#
YOLOv5 Ne Zaman Kullanılmalı?#
YOLOv5, eski sistemler için güvenilir bir iş gücü olmaya devam ediyor. Çapa tabanlı çıktılara sıkı biçimde bağlı mevcut bir endüstriyel işlem hattın varsa veya olgun ve sabit TensorRT yığınlarına sahip eski NVIDIA Jetson cihazlarında çıkarım çalıştırıyorsan YOLOv5, kararlı ve iyi belgelenmiş bir çözüm sunar.
YOLO26 Ne Zaman Kullanılmalı?#
YOLO26, yeni bilgisayarlı görü projeleri için önerilen seçenektir ve önceki sürümünden daha fazla görevi kapsar. YOLOv5 öncelikle algılamaya odaklanırken (segmentasyon ve sınıflandırma sonradan eklenmiştir), YOLO26 yerel olarak Örnek Segmentasyonunu, anlamsal segmentasyonu, derinlik tahminini, Görüntü Sınıflandırmayı, Poz Tahminini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler.
YOLO26; özel anlamsal segmentasyon kaybı, daha hassas poz anahtar noktaları için Artık Log-Olasılık Tahmini (RLE) ve sınır sorunlarını çözen özel OBB açı kaybı gibi Göreve Özel İyileştirmeler sunar.
- Uç IoT ve Robotik: İsteğe bağlı NMS'siz çıkarım ve CPU'da %43'e kadar daha hızlı çıkarım (YOLO26n ile YOLO11n karşılaştırıldığında), YOLO26'yı gerçek zamanlı robot navigasyonu ve akıllı ev kameraları için çok uygun hâle getirir.
- Hava Görüntüleri: ProgLoss + STAL iyileştirmeleri, drone'lardan görülen otoparklardaki araçlar veya tarım arazilerindeki ürünler gibi çok küçük nesnelerin daha güvenilir biçimde algılanmasını sağlar.
- Gerçek Zamanlı Video Analizi: Spor yayınlarındaki sporcuları izlemek veya trafik akışlarını takip etmek için YOLO26, gerçek zamanlı videoda doğruluk ile hızı dengeler.
Her iki model de Ultralytics ekosistemini paylaştığından YOLOv5'ten YOLO26'ya geçiş kolaydır ve araştırmacılarla geliştiricilerin en yeni Ultralytics özelliklerine erişmesini sağlar.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.