YOLOv10 ve YOLOv5: Kapsamlı Bir Teknik Karşılaştırma

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

Bu rehber; ortalama Hassasiyet (mAP), çıkarım gecikmesi, parametre verimliliği ve ekosistem desteği kriterlerine dayanarak bu mimarileri değerlendirir ve dağıtım ihtiyaçların için en iyi modeli seçmene yardımcı olur.

Model Genel Bakışları

YOLOv10: Gerçek Zamanlı Uçtan Uca Nesne Algılama

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, işlem sonrası gereksinimini ortadan kaldırarak nesne algılamaya yenilikçi bir yaklaşım getirmiştir.

• 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 Deposu

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

YOLOv10 hakkında daha fazla bilgi edinin

YOLOv5: Kullanılabilirlik Konusunda Endüstri Standardı

Ultralytics PyTorch deposunun kuruluşundan kısa bir süre sonra piyasaya sürülen YOLOv5, geliştiricilerin açık kaynaklı bir vizyon 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 ve TensorRT gibi formatlara aktarım için kutudan çıktığı gibi çalışan kesintisiz bir "sıfırdan zirveye" deneyimi sunar. Temel olarak sadece 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

Performans ve Metrik Karşılaştırması

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

Teknik Analiz

1. Doğruluk (mAP): YOLOv10, doğruluk açısından net bir nesil avantajı gösterir. Örneğin, YOLOv10-X modeli 54.4% mAP^val elde ederek YOLOv5x'i (50.7% mAP) geride bırakır. Bu sıçrama büyük ölçüde NMS-free eğitim stratejisine ve 2024'te tanıtılan mimari iyileştirmelere dayanır.
2. Çıkarım Gecikmesi: YOLOv5 modelleri ham T4 TensorRT kıyaslamalarında son derece hızlı olsa da (örneğin, YOLOv5n 1.12ms'de), YOLOv10 işlem sonrası NMS adımını tamamen ortadan kaldırır. Uçtan uca pratik dağıtımlarda, YOLOv10'un NMS-free tasarımı daha tutarlı ve deterministik bir gecikme sağlar; bu da otonom araçlar ve robotik gibi gerçek zamanlı uygulamalar için kritiktir.
3. Parametre Verimliliği: YOLOv10 modelleri son derece rekabetçi bir Performans Dengesi korur. YOLOv10-S sadece 7.2M parametre ile 46.7% mAP elde ederken, YOLOv5s 9.1M parametre ile 37.4% mAP elde eder.

Kullanım Durumları ve Öneriler

YOLOv10 ve YOLOv5 arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Ne Zaman YOLOv10 Seçilmeli

YOLOv10 şunlar için güçlü bir seçimdir:

• NMS-Free Gerçek Zamanlı Algılama: Non-Maximum Suppression olmadan uçtan uca algılamadan faydalanan, dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
• Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.

Ne Zaman YOLOv5 Seçilmeli

YOLOv5 şunlar için önerilir:

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

Ne Zaman Ultralytics (YOLO26) Seçilmeli

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

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası zorluğu olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: Özel GPU hızlandırması olmayan, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı 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.

Ultralytics Avantajı

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

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

Kod Örneği: Kesintisiz Eğitim

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

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")

Gelecek Nesil: Ultralytics YOLO26

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

YOLO26, hızlı ve deterministik dağıtımı sağlamak için YOLOv10 tarafından öncülük edilen Uçtan Uca NMS-Free Tasarımı yerel olarak bünyesine katar. Ayrıca YOLO26, çeşitli kritik atılımları tanıtır:

• 43%'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) modülünü kaldırarak, YOLO26 standart CPU'larda devasa hız artışları elde eder, bu da onu mobil dağıtım ve düşük güç tüketen IoT sensörleri için birinci sınıf bir tercih haline getirir.
• MuSGD Optimize Edici: Moonshot AI'ın Kimi K2'si gibi Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen YOLO26, SGD ve Muon'un bir hibritini kullanır. Bu, YOLOv10'da kullanılan AdamW optimize edicilerine 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 kayda değer iyileştirmeler sağlar.
• Göreve Özel Ustalık: YOLOv10 kesinlikle bir sınırlayıcı kutu dedektörü olsa da, YOLO26 Poz için Residual Log-Likelihood Estimation (RLE) ve Yönelimli 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-free yeniliğine veya YOLO26'nın benzersiz en üst düzey performansına güveniyor ol, Ultralytics ekosistemi, vizyon yapay zeka uygulamalarını hızlı ve verimli bir şekilde hayata geçirmen için gereken araçları sağlar.