Başla

YOLOv10 ve YOLOv5

Üretimde başarılı bilgisayarlı görü işlem hatları dağıtmak için doğru sinir ağı mimarisini seçmek kritik önem taşır. Bu sayfa, gerçek zamanlı nesne algılamanın gelişiminde büyük etkisi olan iki model olan YOLOv10 ve YOLOv5'i derinlemesine ve teknik açıdan karşılaştırır. Her iki model de yapay zekâ topluluğunda önemli bir etki yaratmış olsa da derin öğrenme mimarisi tasarımının farklı dönemlerini ve yaklaşımlarını temsil eder.

Bu kılavuz, dağıtım ihtiyaçlarına en uygun modeli seçmene yardımcı olmak için bu mimarileri ortalama Ortalama Hassasiyet (mAP), çıkarım gecikmesi, parametre verimliliği ve ekosistem desteği açısından değerlendirir.

Modellere Genel Bakış#

YOLOv10: Gerçek Zamanlı Uçtan Uca Nesne Algılama#

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, NMS son işlemeye duyulan ihtiyacı ortadan kaldırarak nesne algılamaya yeni bir yaklaşım getirdi.

YOLOv10'un ayırt edici özelliği Uçtan Uca, NMS İçermeyen Tasarımıdır. Tarihsel olarak YOLO modelleri, yinelenen sınırlayıcı kutuları filtrelemek için Maksimum Olmayan Bastırma (NMS) yöntemine dayanıyordu. YOLOv10, NMS içermeyen eğitim için tutarlı ikili atamalar kullanır; bu, çıkarım gecikmesindeki değişkenliği azaltır ve dağıtım mantığını basitleştirir. Ayrıca mimari, hesaplama tekrarlarını azaltmak için çeşitli bileşenleri optimize eden, bütünsel ve verimlilik-doğruluk odaklı bir tasarım izler.

YOLOv10 hakkında daha fazla bilgi edin

YOLOv5: Kullanım Kolaylığında Endüstri Standardı#

Haziran 2020'de Ultralytics tarafından yayımlanan YOLOv5, açık kaynaklı bilgisayarlı görü yapay zekâ çerçevelerinde kullanılabilirlik beklentilerini yükseltti. Dünya çapında en yaygın dağıtılan mimarilerden biri olmayı sürdürüyor.

YOLOv5, Kullanım Kolaylığı ve Bakımı İyi Yapılan Ekosistemi ile tanınır. Tamamen PyTorch ile yazılmış olan YOLOv5, eğitim, doğrulama ve ONNX ile TensorRT gibi biçimlere dışa aktarma desteğini kutudan çıktığı hâliyle sunuyordu. Nesne algılamaya odaklanan YOLOv10'un aksine YOLOv5 ayrıca Çok Yönlülük sunar: orijinal YOLOv5 deposuna v7.0'da örnek segmentasyonu, v6.2'de ise görüntü sınıflandırma eklendi.

Performans ve Metrik Karşılaştırması#

Hız ile doğruluk arasındaki ilişkiyi görselleştirmek, belirli bir hız kısıtı altında en iyi doğruluğu sunan modelleri belirlemek için önemlidir. Bu performans ölçütlerini anlamak, donanım kısıtlarına uygun bir model seçmenin temelidir.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Teknik Analiz#

  1. Doğruluk (mAP): YOLOv10, doğrulukta nesiller arasında belirgin bir üstünlük gösterir. Örneğin YOLOv10-X modeli, YOLOv5x'in %50.7 mAP değerini aşarak %54.4 mAPval50-95 değerine ulaşır. Bu kazanım büyük ölçüde YOLOv10'un bağlantı noktası içermeyen başlığından ve büyük çekirdekli evrişimler ile kısmi öz dikkat gibi doğruluğu artırmaya yönelik iyileştirmelerden kaynaklanır.
  2. Çıkarım Gecikmesi: YOLOv5 modelleri ham T4 TensorRT kıyaslamalarında çok hızlı olsa da (ör. YOLOv5n 1.12 ms), YOLOv10 NMS son işleme adımını tamamen atlayabilir. Uçtan uca gerçek dağıtımlarda YOLOv10'un NMS içermeyen tasarımı daha tutarlı gecikme sunar; bu, otonom araçlar ve robotik gibi gerçek zamanlı uygulamalar için kritik önemdedir.
  3. Parametre Verimliliği: YOLOv10 modelleri güçlü bir Performans Dengesi sunar. YOLOv10-S, 7.2M parametreyle %46.3 mAP elde eder; bu, %37.4 mAP'ye ulaşan YOLOv5s ile aynı parametre sayısıdır.
Dağıtım İpucu

NVIDIA Jetson gibi uç yapay zekâ cihazlarına dağıtım yaparken NMS mantığı içermeyen modeller (YOLOv10 veya nms=False ile dışa aktarılan YOLO26) genellikle TensorRT'ye daha sorunsuz derlenir ve CPU'ya geri dönüş işlemlerini önler.

Kullanım Alanları ve Öneriler#

YOLOv10 ve YOLOv5 arasında seçim yapmak, projene özel gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlar için güçlü bir seçenektir:

  • NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
  • Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
  • Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

YOLOv5'i Ne Zaman Seçmeli?#

YOLOv5 şu durumlarda önerilir:

  • Üretimde Başarısını Kanıtlamış Sistemler: YOLOv5'in uzun istikrar geçmişine, kapsamlı belgelerine ve geniş topluluğuna değer verilen mevcut dağıtımlar.
  • Kaynakları Kısıtlı Eğitim: YOLOv5'in verimli eğitim işlem hattının ve daha düşük bellek gereksinimlerinin avantaj sağladığı, GPU kaynaklarının sınırlı olduğu ortamlar.
  • Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve LiteRT dâhil birçok biçimde dağıtım gerektiren projeler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Ultralytics Avantajı#

YOLOv10 mükemmel algılama yetenekleri sunsa da akademik depolara dayanmak bazen üretim işlem hatlarını karmaşıklaştırabilir. Resmî Ultralytics Python paketini kullanarak hem YOLOv5'i hem YOLOv10'u ve gelişmiş özellikleri destekleyen birleşik bir ekosisteme erişebilirsin.

  • Eğitim Verimliliği: Ultralytics YOLO mimarileri, eğitim sırasında düşük bellek kullanımı için optimize edilmiştir. Çok daha fazla CUDA belleği gerektiren ağır transformer modellerinin (RT-DETR gibi) aksine YOLOv5 ve YOLOv10, standart tüketici GPU'larında rahatça eğitilir.
  • Ekosistem Entegrasyonu: Ultralytics Platform, geliştiricilerin veri kümelerini görsel olarak yönetmesine ve bulutta eğitim yapmasına olanak tanırken Python paketi Weights & Biases gibi deney takip araçlarıyla entegre olur ve hiperparametre ayarını destekler.

Kod Örneği: Eğitim#

Ultralytics kütüphanesini kullanarak bu mimariler arasında geçiş yapmak, model dizesini değiştirmek kadar kolaydır. Eğitim işlem hattı veri artırma, ölçeklendirme ve optimizasyon ayarlarını otomatik olarak yönetir.

from ultralytics import YOLO

# YOLOv5'i kullanmak için:
# model = YOLO("yolov5su.pt")

# YOLOv10'u kullanmak için:
model = YOLO("yolov10s.pt")

# Modeli özel bir veri kümesiyle eğit
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # GPU 0'ı kullan
)

# Eğitilmiş modeli ONNX biçimine aktar
path = model.export(format="onnx")

Yeni Nesil: Ultralytics YOLO26#

Yeni bir makine öğrenimi projesine başlıyorsan en yeni Ultralytics YOLO26'yı değerlendir. Ocak 2026'da yayımlanan YOLO26, yakın dönem YOLO nesillerinin önemli yeniliklerini bir araya getirir.

YOLO26, YOLOv10'un Uçtan Uca NMS İçermeyen Tasarımını isteğe bağlı bire bir başlık (nms=False) olarak içerir ve dağıtımı basitleştirir. YOLO26 ayrıca başka iyileştirmeler de sunar:

  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: Dağılımsal Odak Kaybı (DFL) modülü kaldırıldığından YOLO26n, standart CPU'larda YOLO11n'den %43'e kadar daha hızlı çalışır; bu da YOLO26'yı mobil dağıtım ve düşük güçlü IoT sensörleri için çok uygun kılar.
  • MuSGD Optimizatörü: Moonshot AI'ın Kimi K2'si gibi Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen YOLO26, SGD ile Muon'un birleşimini kullanır. Bu, önceki YOLO modellerinde kullanılan standart SGD ve AdamW optimizatörlerine kıyasla daha kararlı eğitim ve daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket ataması, drone görüntüleri ve havadan güvenlik uygulamaları için kritik olan küçük nesne tanımayı iyileştirir.
  • Göreve Özgü İyileştirmeler: Kesin olarak sınırlayıcı kutu algılayıcısı olan YOLOv10'un aksine YOLO26; algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve OBB'yi destekler. Poz için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için özel açı kaybı gibi göreve özgü iyileştirmeler de sunar.
Daha Fazlasını Keşfet

Bu mimarileri diğer dedektör aileleriyle karşılaştırmak için YOLO11 ve EfficientDet ile RT-DETR ve YOLOv8 karşılaştırmalarına göz at.

Başarısı kanıtlanmış YOLOv5'e, NMS içermeyen YOLOv10'a veya en yeni YOLO26'ya güven; Ultralytics ekosistemi, görsel yapay zekâ uygulamalarını hızla üretime taşıman için gereken araçları sunar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.