Link to this sectionYOLOv10 ile YOLOv5 karşılaştırması#

Doğru sinir ağı mimarisini seçmek, üretim ortamında başarılı bilgisayarlı görü süreçleri oluşturmak için kritiktir. Bu sayfa, gerçek zamanlı nesne algılamanın evriminde oldukça etkili iki model olan YOLOv10 ve YOLOv5'i karşılaştıran derinlemesine teknik bir analiz sunar. Her iki model de yapay zeka topluluğu üzerinde önemli etkiler yaratmış olsa da, derin öğrenme mimarisi tasarımında farklı dönemleri ve felsefeleri temsil ederler.

Bu kılavuz, bu mimarileri ortalama Hassasiyet (mAP), çıkarım gecikmesi, parametre verimliliği ve ekosistem desteği temelinde değerlendirerek dağıtım ihtiyaçlarınız için en iyi modeli seçmenize yardımcı olur.

Link to this sectionModel Genel Bakışları#

Link to this sectionYOLOv10: Gerçek Zamanlı Uçtan Uca Nesne Algılama#

Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen YOLOv10, son işleme (post-processing) ihtiyacını ortadan kaldırarak nesne algılamaya yeni bir yaklaşım getirdi.

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
• Organizasyon: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Araştırma Makalesi: arXiv:2405.14458
• Kaynak Kod: YOLOv10 GitHub Deposu

YOLOv10'un belirleyici buluşu, Uçtan Uca NMS'siz Tasarımıdır (End-to-End NMS-Free Design). Tarihsel olarak YOLO modelleri, gereksiz sınırlayıcı kutuları (bounding box) filtrelemek için NMS (Non-Maximum Suppression) yöntemine güvenirdi. YOLOv10, NMS'siz eğitim için tutarlı ikili atamalar kullanır; bu da çıkarım gecikmesi değişkenliğini ciddi oranda azaltır ve dağıtım mantığını basitleştirir. Ayrıca mimari, hesaplama yedekliliğini azaltmak için çeşitli bileşenleri derinlemesine optimize eden bütünsel bir verimlilik-doğruluk odaklı tasarıma sahiptir.

YOLOv10 hakkında daha fazla bilgi edin

Link to this sectionYOLOv5: Kullanılabilirlik için Endüstri Standardı#

Ultralytics PyTorch deposunun kuruluşundan kısa bir süre sonra yayınlanan YOLOv5, geliştiricilerin açık kaynaklı bir görü yapay zeka çerçevesinden beklentilerini yeniden tanımladı. Dünya genelinde en yaygın kullanılan mimarilerden biri olmaya devam etmektedir.

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• Kaynak Kod: YOLOv5 GitHub Deposu

YOLOv5, Kullanım Kolaylığı ve son derece İyi Korunan Ekosistemi ile övülür. Tamamen PyTorch ile yazılmış olup, eğitim, doğrulama ve ONNX ile TensorRT gibi formatlara dışa aktarma için kutudan çıktığı gibi destek sunan sorunsuz bir "sıfırdan kahramanlığa" deneyimi sağlar. Öncelikle saf nesne algılamaya odaklanan YOLOv10'un aksine, YOLOv5 aynı birleşik Python API'si içinde örnek bölümleme ve görüntü sınıflandırma desteği ile olağanüstü bir Çok Yönlülük sergiler.

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionPerformans ve Metrik Karşılaştırması#

Hız ve doğruluk arasındaki ilişkiyi görselleştirmek, belirli bir hız kısıtlaması için en iyi doğruluğu sunan modelleri belirlemek açısından esastır. Bu performans metriklerini anlamak, donanım kısıtlamalarınızla uyumlu bir model seçmenin temelidir.

Link to this sectionTeknik Analiz#

1. Doğruluk (mAP): YOLOv10, doğruluk konusunda belirgin bir nesilsel avantaja sahiptir. Örneğin, YOLOv10-X modeli %54,4 mAP^val değerine ulaşarak YOLOv5x'i (%50,7 mAP) geride bırakır. Bu sıçrama, büyük ölçüde NMS'siz eğitim stratejisi ve 2024'te tanıtılan mimari iyileştirmelerden kaynaklanmaktadır.
2. Çıkarım Gecikmesi: YOLOv5 modelleri ham T4 TensorRT kıyaslamalarında son derece hızlıyken (örneğin 1,12 ms'de YOLOv5n), YOLOv10 son işlem NMS adımını tamamen ortadan kaldırır. Uçtan uca pratik dağıtımlarda, YOLOv10'un NMS'siz tasarımı, otonom araçlar ve robotik gibi gerçek zamanlı uygulamalar için kritik olan daha tutarlı ve deterministik bir gecikme süresi sağlar.
3. Parametre Verimliliği: YOLOv10 modelleri son derece rekabetçi bir Performans Dengesi korur. YOLOv10-S, 9,1M parametreli YOLOv5s %37,4 mAP elde ederken, sadece 7,2M parametre ile %46,7 mAP elde eder.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv10 ile YOLOv5 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLOv10 Seçilmeli#

YOLOv10 şunlar için güçlü bir seçimdir:

• NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Link to this sectionYOLOv5 Ne Zaman Seçilmeli#

YOLOv5 şunlar için önerilir:

• Kanıtlanmış Üretim Sistemleri: YOLOv5'in uzun istikrar geçmişinin, kapsamlı belgelerinin ve devasa topluluk desteğinin değerli olduğu mevcut dağıtımlar.
• Kaynak Kısıtlı Eğitim: YOLOv5'in verimli eğitim hattının ve düşük bellek gereksinimlerinin avantajlı olduğu, sınırlı GPU kaynaklarına sahip ortamlar.
• Kapsamlı Dışa Aktarma Formatı Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok formatta dağıtım gerektiren projeler.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionUltralytics Avantajı#

YOLOv10 mükemmel algılama yetenekleri sunsa da, akademik depolara güvenmek bazen üretim süreçlerini karmaşıklaştırabilir. Resmi Ultralytics Python paketini kullanarak, hem YOLOv5 hem de YOLOv10'u destekleyen, gelişmiş özelliklerle birlikte gelen birleşik bir ekosisteme erişim sağlarsınız.

• Eğitim Verimliliği: Ultralytics YOLO mimarileri, eğitim sırasında daha düşük bellek gereksinimleri için derinlemesine optimize edilmiştir. Muazzam CUDA belleği gerektiren ağır Transformer modellerinin (RT-DETR gibi) aksine, YOLOv5 ve YOLOv10 modellerini standart tüketici GPU'larında rahatlıkla eğitebilirsiniz.
• Ekosistem Entegrasyonu: Ultralytics Platform ile entegrasyon, geliştiricilerin veri setlerini görsel olarak yönetmelerine, Weights & Biases kullanarak deneyleri takip etmelerine ve hiperparametreleri otomatik olarak ayarlamalarına olanak tanır.

Link to this sectionKod Örneği: Sorunsuz Eğitim#

Ultralytics kütüphanesini kullanarak bu mimariler arasında geçiş yapmak, model dizesini değiştirmek kadar basittir. Eğitim süreci, veri artırma, ölçeklendirme ve optimize edici yapılandırmasını otomatik olarak halleder.

from ultralytics import YOLO

# To use YOLOv5:
# model = YOLO("yolov5s.pt")

# To use YOLOv10:
model = YOLO("yolov10s.pt")

# Train the model on a custom dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # Use GPU 0
)

# Export the trained model to ONNX format
path = model.export(format="onnx")

Link to this sectionYeni Nesil: Ultralytics YOLO26#

Bugün yeni bir makine öğrenmesi projesine başlıyorsan, en güncel Ultralytics YOLO26 modelini değerlendirmeni şiddetle tavsiye ederiz. Ocak 2026'da piyasaya sürülen bu model, son beş yılın en iyi yeniliklerini birleştirerek mutlak son teknolojiyi temsil eder.

YOLO26, YOLOv10'un öncülük ettiği Uçtan Uca NMS'siz Tasarımı yerel olarak bünyesinde barındırarak hızlı ve deterministik bir dağıtım sağlar. Ayrıca YOLO26, birkaç kritik atılımı beraberinde getirir:

• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) modülünü kaldırarak, YOLO26 standart CPU'larda devasa hız artışları sağlar; bu da onu mobil dağıtım ve düşük güçlü IoT sensörleri için bir numaralı seçenek haline getirir.
• MuSGD Optimize Edici: Moonshot AI'ın Kimi K2'si gibi Büyük Dil Modeli (LLM) eğitim tekniklerinden ilham alan YOLO26, SGD ve Muon'un bir hibritini kullanır. Bu, YOLOv10'da kullanılan AdamW optimize edicilere kıyasla inanılmaz derecede kararlı eğitim süreçleri ve çok daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone görüntüleri ve hava güvenliği uygulamaları için kritik öneme sahip olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
• Göreve Özel Uzmanlık: YOLOv10 yalnızca sınırlayıcı kutu dedektörüyken, YOLO26; Pose için Residual Log-Likelihood Estimation (RLE) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için özel açı kayıpları dahil olmak üzere tüm görevler için özel mimari iyileştirmeler sunar.

İster YOLOv5'in sağlam mirasına, ister YOLOv10'un NMS'siz yeniliğine veya YOLO26'nın benzersiz son teknoloji performansına güven, Ultralytics ekosistemi yapay zeka görü uygulamalarını hızlı ve verimli bir şekilde hayata geçirmen için gereken araçları sağlar.