YOLOv5 ve YOLO11: Kapsamlı Bir Teknik Karşılaştırma
Yeni bir proje için doğru bilgisayarlı görü mimarisini seçerken, en son teknoloji modellerin evrimini anlamak çok önemlidir. İlk mimarilerden modern birleşik çerçevelere geçiş, hem algoritmik verimlilikte hem de geliştirici deneyiminde önemli sıçramaları vurgular. Bu kılavuz, Ultralytics tarafından geliştirilen iki dönüm noktası niteliğindeki model arasında derinlemesine bir teknik karşılaştırma sunar: öncü YOLOv5 ve oldukça rafine edilmiş YOLO11.
Modellere Giriş
Bu mimarilerin her ikisi de, dağıtım ortamınıza ve eski sistem gereksinimlerinize bağlı olarak farklı avantajlar sunarak, gerçek zamanlı nesne tespiti alanında önemli kilometre taşlarını temsil eder.
YOLOv5: Sektörün İş Atı
2020 yazında piyasaya sürülen YOLOv5, eğitim ve dağıtım için giriş engelini ciddi oranda düşüren yerel PyTorch uygulaması sayesinde hızla bir endüstri standardı haline geldi. Öncekilerin karmaşık Darknet C çerçevelerinden uzaklaşarak, model oluşturmaya Python tabanlı bir yaklaşım sundu.
- Yazarlar: Glenn Jocher
- Organizasyon: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Dokümanlar: YOLOv5 Dokümantasyonu
YOLOv5, kullanım kolaylığı için güçlü bir temel oluşturdu ve gelişmiş mozaik veri artırma ve otomatik sabitleme dahil olmak üzere güçlü eğitim metodolojileri getirdi. İyi belgelenmiş ve yoğun bir şekilde test edilmiş bir kod tabanı üzerine inşa eden araştırmacılar için son derece popüler olmaya devam ediyor.
YOLOv5 hakkında daha fazla bilgi edin
YOLO11: Birleşik Görü Çerçevesi
Yılların geri bildirimlerine ve mimari araştırmalara dayanan YOLO11, birden fazla görü görevini yerel olarak yönetebilen birleşik bir çerçevenin parçası olarak tanıtıldı. Sadece sınırlayıcı kutuların ötesine geçerek, maksimum çok yönlülük ve verimlilik için sıfırdan tasarlandı.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2024-09-27
- GitHub: ultralytics/ultralytics
- Dokümanlar: YOLO11 Dokümantasyonu
YOLO11 offers a streamlined user experience through the ultralytics Python package, boasting a simple API that unifies object detection, instance segmentation, classification, pose estimation, and oriented bounding boxes (OBB). It achieves a highly favorable trade-off between speed and accuracy, making it ideal for diverse real-world deployment scenarios.
YOLO11 hakkında daha fazla bilgi edin
Her iki model de Ultralytics Platform tarafından sağlanan bakımlı ekosistemden yararlanır. Bu entegre ortam, veri kümesi ek açıklamasını, bulut eğitimini ve çeşitli donanım hedeflerine model dışa aktarımını basitleştirir.
Performans ve Metrik Karşılaştırması
Bu modellerin doğrudan karşılaştırılması, mimari iyileştirmelerin somut performans kazanımlarına nasıl dönüştüğünü ortaya koyar. Aşağıdaki tablo, COCO veri kümesi üzerinde değerlendirilen ortalama Hassasiyeti (mAP) ve CPU ile GPU çıkarım hızlarını ve parametre sayılarını gösterir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Sonuçların Analizi
Metrikler, YOLO11 tarafından elde edilen performans dengesindeki net bir sıçramayı vurgular. Örneğin, YOLO11n (nano) modeli, YOLOv5n'in 28.0% mAP değerine kıyasla 39.5% mAP elde ederken, ONNX aracılığıyla dışa aktarıldığında CPU çıkarım süresini de azaltır. Ayrıca YOLO11, ağır transformatör tabanlı modellere kıyasla eğitim sırasında dikkat çekici derecede düşük bellek gereksinimlerini korur ve bu da onu tüketici donanımları ve uç cihazlarda dağıtım için oldukça erişilebilir kılar.
Mimari Farklılıklar
YOLO11'deki performans iyileştirmeleri, birkaç temel mimari evrimden kaynaklanmaktadır. YOLOv5, C3 modüllerine sahip standart bir CSPNet omurgası kullanırken, YOLO11, gradyan akışını optimize eden ve hesaplama yükünü azaltan C2f ve daha sonra C3k2 gibi daha verimli özellik çıkarma blokları getirdi.
YOLO11 ayrıca oldukça rafine edilmiş bir başlığa sahiptir. Eski modellerin çapa tabanlı tasarımından uzaklaşan daha yeni Ultralytics mimarileri, çapa içermeyen bir yaklaşımı benimser. Bu, kutu tahmini sayısını azaltır, işlem sonrası hattını kolaylaştırır ve modelin farklı ölçekler ve en boy oranları arasında genelleme yapma yeteneğini geliştirir. Ek olarak, bu modeller üstün eğitim verimliliğine ve ince ayarlı veri kümelerinin yakınsamasını hızlandıran hazır önceden eğitilmiş ağırlıklara sahiptir.
Uygulama ve Kod Örnekleri
Ultralytics ekosisteminin öne çıkan özelliklerinden biri basitliğidir. YOLOv5 hızlı çıkarım için torch.hub kullanımını popüler hale getirirken, YOLO11 bunu birleşik ultralytics Python paketi ile bir adım öteye taşıyor.
YOLO11 ile Eğitim
Bir modeli yüklemek, eğitmek ve doğrulamak minimum ortak kod gerektirir. API, hiperparametre ayarlamasını ve model yönetimini sorunsuz bir şekilde yönetir.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11s.pt")
# Train on a custom dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run fast inference and display results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()
# Easily export the model to TensorRT for hardware acceleration
model.export(format="engine")YOLOv5 ile Eski Sistem Çıkarımı
Eski bir hattı koruyorsan, YOLOv5 doğrudan PyTorch'un yerel yükleme mekanizmasıyla entegre olur ve mevcut çıkarım betiklerine eklenmesini çok kolaylaştırır.
import torch
# Load a custom or pretrained YOLOv5 model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")
# Perform inference on an image URL
results = model("https://ultralytics.com/images/zidane.jpg")
# Print prediction details to the console
results.print()Both models support extensive export formats. Whether you are targeting an NVIDIA Jetson using TensorRT or an iOS application using CoreML, the deployment process is thoroughly documented and supported by the community.
İdeal Kullanım Durumları
Bu modeller arasında seçim yapmak büyük ölçüde projenin yaşam döngüsü aşamasına ve özel gereksinimlerine bağlıdır.
Ne Zaman YOLOv5 Seçilmeli
- Eski Kod Tabanlarını Korumak: Üretim ortamın, YOLOv5 depo yapısı veya belirli hiperparametre evrimi teknikleri etrafında büyük ölçüde özelleştirilmişse.
- Akademik Temeller: Kanıtlanmış 2020-2022 bilgisayarlı görü standartlarına karşı doğrudan kıyaslama gerektiren araştırmalar yayınlarken.
Ne Zaman YOLO11 Seçilmeli
- Çok Görevli Projeler: Uygulaman, tek bir birleşik API kullanarak poz tahmini ve örnek segmentasyonu gibi görevlerin bir karışımını gerektiriyorsa.
- Uç Noktada Dağıtımlar: Belirli bir hesaplama bütçesi (FLOPs) için maksimum mAP elde etmenin kritik olduğu uç bilişim senaryoları için.
- Ticari Yapay Zeka Çözümleri: Ultralytics Platform'un sağlam desteğinden yararlanarak perakende ve güvenlik alanındaki kurumsal uygulamalar için idealdir.
Gelecek Nesil: Ultralytics YOLO26
YOLO11 harika bir hız ve doğruluk dengesini temsil etse de, yapay zeka alanı hızla gelişmektedir. Bugün yeni projelere başlayan geliştiriciler için, görü yapay zekasındaki en son standardı keşfetmenizi şiddetle tavsiye ediyoruz: Ultralytics YOLO26.
Ocak 2026'da piyasaya sürülen YOLO26, modern dağıtım ihtiyaçları için özel olarak tasarlanmış paradigma değiştiren gelişmeler sunar:
- Uçtan Uca NMS'siz Tasarım: İlk olarak YOLOv10'da öncülük edilen kavramlar üzerine inşa edilen YOLO26, yerel olarak uçtan ucadır. Non-Maximum Suppression (NMS) işlem sonrası ihtiyacını ortadan kaldırır, dağıtım hatlarını önemli ölçüde basitleştirir ve gecikmeyi azaltır.
- MuSGD Optimize Edici: Moonshot AI'nın Kimi K2'si gibi modellerdeki LLM eğitim yeniliklerinden ilham alan bu SGD ve Muon hibriti, inanılmaz derecede kararlı eğitim ve önemli ölçüde daha hızlı yakınsama sağlar.
- Benzersiz CPU Hızı: Distribution Focal Loss (DFL) özelliğini kaldırarak, YOLO26 43% daha hızlı CPU çıkarımı sağlar ve bu da onu uç cihazlar ve özel GPU'ları olmayan ortamlar için kesinlikle en iyi seçim haline getirir.
- Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL'ın entegrasyonu, drone analitiği, IoT ve robotik için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
- Göreve Özel İyileştirmeler: Poz için Residual Log-Likelihood Estimation (RLE) ve yönlendirilmiş sınırlayıcı kutular için özel açı kaybı gibi tüm bilgisayarlı görü görevlerinde üstün performans sağlayan özel optimizasyonlar sunar.
YOLO26 hakkında daha fazla bilgi edin
Standart nesne tespitinin ötesindeki özel mimarilerle ilgilenen kullanıcılar için, transformatör tabanlı tespit için RT-DETR veya açık sözcüklü takip ve tespit için YOLO-World gibi modelleri de keşfedebilirsin. Bu iyi bakılan ve yüksek düzeyde optimize edilmiş araçları benimsemek, bilgisayarlı görü hatlarınızın verimli, ölçeklenebilir ve güncel kalmasını sağlar.