YOLOv10 ile YOLOv5 karşılaştırması#

Üretimde başarılı computer vision boru hatları devreye almak için doğru sinir ağı mimarisini seçmek çok önemlidir. Bu sayfa, gerçek zamanlı nesne tespiti evriminde son derece etkili iki model olan YOLOv10 ve YOLOv5'i karşılaştıran derinlemesine teknik bir analiz sunmaktadır. Her iki model de yapay zeka topluluğu üzerinde önemli etkiler yaratmış olsa da, derin öğrenme mimarisi tasarımında farklı dönemleri ve felsefeleri temsil etmektedir.

Bu kılavuz; bu mimarileri mean Average Precision (mAP), çıkarım gecikmesi, parametre verimliliği ve ekosistem desteği temelinde değerlendirerek dağıtım ihtiyaçların için en iyi modeli seçmene yardımcı olur.

Model Genel Bakışları#

YOLOv10: 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.
• Kuruluş: Tsinghua University
• Tarih: 2024-05-23
• Araştırma Makalesi: arXiv:2405.14458
• Kaynak Kod: YOLOv10 GitHub Repository

YOLOv10'un belirleyici çığır açan yönü End-to-End NMS-Free Design özelliğidir. Tarihsel olarak YOLO modelleri, gereksiz sınırlayıcı kutuları filtrelemek için Non-Maximum Suppression (NMS) yöntemine güveniyordu. YOLOv10, NMS'siz eğitim için tutarlı ikili atamalar kullanır; bu da çıkarım gecikmesi değişkenliğini büyük ölçüde azaltır ve dağıtım mantığını basitleştirir. Ek olarak mimari, hesaplama yedekliliğini azaltmak için çeşitli bileşenleri kapsamlı bir şekilde optimize eden bütünsel bir verimlilik-doğruluk odaklı tasarıma sahiptir.

YOLOv10 hakkında daha fazla bilgi edin

YOLOv5: 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 Repository

YOLOv5, Ease of Use (Kullanım Kolaylığı) ve son derece Well-Maintained Ecosystem (Bakımlı Ekosistemi) ile ünlüdür. Tamamen PyTorch ile yazılmış olup, eğitim, doğrulama ve ONNX ile TensorRT gibi formatlara dışa aktarma için kutudan çıktığı gibi çalışan kusursuz bir "sıfırdan zirveye" deneyimi sunmuştur. Yalnızca saf nesne tespitine odaklanan YOLOv10'un aksine YOLOv5, aynı birleştirilmiş Python API içinde instance segmentation ve image classification desteği sağlayarak olağanüstü bir Versatility (Çok Yönlülük) sergiler.

YOLOv5 hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Hız ve doğruluk arasındaki ilişkiyi görselleştirmek, belirli bir hız kısıtı için en iyi doğruluğu sunan modelleri belirlemek açısından esastır. Bu performance metrics değerlerini anlamak, özel donanım kısıtlarınla uyumlu bir model seçmenin temelidir.

Teknik 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 olağanüstü hızlı olsa da (örneğin 1,12 ms'de YOLOv5n), YOLOv10 işleme sonrası NMS adımını tamamen ortadan kaldırır. Uçtan uca pratik dağıtımlarda YOLOv10'un NMS'siz tasarımı, autonomous vehicles ve robotik gibi gerçek zamanlı uygulamalar için kritik önem taşıyan daha tutarlı ve belirleyici bir gecikme 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.

Kullanım Durumları ve Öneriler#

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

Ne 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 Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

YOLOv5 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.

Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı#

YOLOv10 mükemmel tespit yetenekleri sunarken, akademik depoları kullanmak bazen üretim hatlarını karmaşıklaştırabilir. Resmi Ultralytics Python package paketini kullanarak hem YOLOv5'i hem de YOLOv10'u destekleyen, gelişmiş özelliklerle birlikte gelen birleşik bir ekosisteme erişim kazanırsın.

• Eğitim Verimliliği: Ultralytics YOLO mimarileri, eğitim sırasında daha düşük memory requirements için derinlemesine optimize edilmiştir. Devasa CUDA belleği gerektiren ağır transformer modellerinin (RT-DETR gibi) aksine, YOLOv5 ve YOLOv10'u standart tüketici GPU'larında rahatça eğitebilirsin.
• Ekosistem Entegrasyonu: Ultralytics Platform ile entegrasyon; geliştiricilerin veri setlerini görsel olarak yönetmesine, Weights & Biases kullanarak denemeleri izlemesine ve hiperparametreleri otomatik olarak ayarlamasına olanak tanır.

Kod 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")

Yeni Nesil: Ultralytics YOLO26#

Bugün yeni bir machine learning projesine başlıyorsan, en son Ultralytics YOLO26 modelini değerlendirmeni şiddetle tavsiye ederiz. Ocak 2026'da yayınlanan bu model, son beş yılın en iyi yeniliklerini bir araya getirerek mutlak son teknoloji seviyesini 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: Dağıtım Odaklı Kayıp (DFL) modülünün kaldırılmasıyla YOLO26, standart CPU'larda devasa hız artışları elde ederek onu mobile deployment ve düşük güç tüketen IoT sensörleri için bir numaralı tercih 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, küçük nesne tanımada dikkat çekici iyileştirmeler sağlar; bu da drone imagery ve havadan güvenlik uygulamaları için kritik önem taşır.
• 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.