YOLOv5 vs YOLO11: Kapsamlı Bir Teknik Karşılaştırma

Bilgisayarla görmenin hızla gelişen ortamında, doğru nesne algılama modelini seçmek projenin başarısı için kritik önem taşır. Bu alandaki en önemli kilometre taşlarından ikisi şunlardır YOLOv5 ve yakın zamanda yayınlanan YOLO11. YOLOv5 kullanım kolaylığı ve hız konusunda efsanevi bir standart oluştururken, YOLO11 yıllarca süren araştırma ve geliştirme çalışmalarından yararlanarak doğruluk ve verimliliğin sınırlarını zorluyor.

Bu kılavuz, bu iki mimarinin ayrıntılı bir teknik analizini sunarak geliştiricilerin, araştırmacıların ve mühendislerin yapay zeka uygulamaları için bilinçli kararlar vermelerine yardımcı olur.

Ultralytics YOLOv5: Güvenilir İşgücü

2020 yılında piyasaya sürülen YOLOv5 , nesne algılamanın erişilebilirliğinde devrim yarattı. "Sadece Bir Kez Bakarsın" modelinin yerel olarak uygulandığı ilk PyTorchBu sayede geliştiricilerin eğitmesi ve dağıtması son derece kolay hale geliyor. Hız ve doğruluk dengesi, endüstriyel denetimden otonom araçlara kadar her şey için tercih edilmesini sağladı.

Teknik Detaylar:

Yazarlar: Glenn Jocher
Organizasyon:Ultralytics
Tarih: 2020-06-26
GitHub:https://github.com/ultralytics/yolov5
Dokümanlar:https://docs.ultralytics.com/models/yolov5/

Temel Özellikler ve Mimari

YOLOv5 çapa tabanlı bir mimari kullanmaktadır. Önceki iterasyonlara kıyasla gradyan akışını önemli ölçüde iyileştiren ve hesaplama maliyetini azaltan bir CSPDarknet backbone getirmiştir. Model, bilgi akışını artırmak için bir Yol Toplama Ağı (PANet) boynu kullanır ve eğitim sırasında daha küçük nesnelere karşı model sağlamlığını artırmak için bir standart haline gelen bir teknik olan Mozaik veri artırımını entegre eder.

Güçlü Yönler

YOLOv5 , kararlılığı ve olgunluğu ile ünlüdür. Yıllar süren topluluk testleri ile öğreticiler, üçüncü taraf entegrasyonları ve dağıtım kılavuzları ekosistemi çok geniştir. Mimarisi için özel donanım optimizasyonlarının zaten mevcut olduğu eski sistemler veya uç cihazlar için mükemmel bir seçimdir.

YOLOv5 hakkında daha fazla bilgi edinin

Ultralytics YOLO11: Son Teknoloji Evrim

2024'ün sonlarında fırlatılacak, YOLO11 vizyon yapay zekasının en ileri noktasını temsil etmektedir. YOLOv5 'ten alınan dersler üzerine inşa edilmiştir ve YOLOv8 Daha hızlı, daha doğru ve hesaplama açısından daha verimli bir model sunmak için.

Teknik Detaylar:

Yazarlar: Glenn Jocher, Jing Qiu
Organizasyon:Ultralytics
Tarih: 2024-09-27
GitHub:https://github.com/ultralytics/ultralytics
Dokümanlar:https://docs.ultralytics.com/models/yolo11/

Mimari ve Temel Özellikler

YOLO11 , C3k2 bloğu ve C2PSA (Uzamsal Dikkat ile Çapraz Aşamalı Kısmi) modülleri de dahil olmak üzere önemli mimari iyileştirmeler sunar. YOLOv5'ten farklı olarak YOLO11 , çapa kutularını manuel olarak hesaplama ihtiyacını ortadan kaldırarak eğitim sürecini basitleştiren çapasız bir algılama kafası kullanır. Bu tasarım değişikliği genellemeyi geliştirir ve modelin çeşitli veri kümelerine daha iyi uyum sağlamasına olanak tanır.

Eşsiz Çok Yönlülük

YOLO11 'in tanımlayıcı özelliklerinden biri, tek bir çerçeve içinde birden fazla bilgisayarla görme görevi için yerel desteğidir. YOLOv5 öncelikle algılama üzerine odaklanırken (daha sonra segmentasyon desteği ile), YOLO11 sıfırdan işlemek için inşa edilmiştir:

Bu çok yönlülük, geliştiricilerin çerçeveleri değiştirmeden karmaşık robotik ve analiz sorunlarının üstesinden gelmelerine olanak tanır.

YOLO11 hakkında daha fazla bilgi edinin

Performans Karşılaştırması

YOLOv5 'ten YOLO11 'e geçiş önemli performans kazanımları sağlamaktadır. Ölçümler, YOLO11 'in hız ve doğruluk arasında üstün bir denge sunduğunu göstermektedir.

Doğruluk ve Verimlilik

YOLO11 , COCO veri setinde benzer boyuttaki YOLOv5 modellerine kıyasla sürekli olarak daha yüksek Ortalama Hassasiyet (mAP) elde etmektedir. Örneğin, YOLO11m modeli, parametrelerin bir kısmıyla (20,1M'ye karşı 97,2M) çalışırken doğrulukta çok daha büyük olan YOLOv5x 'i geride bırakmaktadır (51,5'e karşı 50,7 mAP). Model boyutundaki bu ciddi azalma, hem eğitim hem de çıkarım sırasında daha düşük bellek gereksinimi anlamına gelir ve bu da kaynak kısıtlı uç yapay zeka donanımında dağıtım için kritik bir faktördür.

Çıkarım Hızı

Optimize edilmiş mimari seçimler sayesinde YOLO11 , CPU çıkarım hızlarında parlıyor. YOLO11n modeli, ONNX ile CPU 'da sadece 56,1 ms'de çalışarak gerçek zamanlı uygulamalar için yeni bir ölçüt oluşturuyor ve selefinden önemli ölçüde daha hızlı.

Bellek Verimliliği

Ultralytics YOLO11 modelleri optimum bellek kullanımı için tasarlanmıştır. gibi transformatör tabanlı dedektörlerle karşılaştırıldığında RT-DETRYOLO11 , eğitim sırasında önemli ölçüde daha az CUDA belleği gerektirerek standart tüketici GPU'larına sahip geliştiriciler için erişilebilir hale gelir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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

Eğitim ve Geliştirici Deneyimi

Her iki model de "Kullanım Kolaylığı" ile bilinen kapsamlı Ultralytics ekosisteminden yararlanır.

Sorunsuz Entegrasyon

YOLO11 , modern teknolojiye entegre edilmiştir. ultralytics Tüm görevleri basit bir API altında birleştiren Python paketi. Bu, yalnızca birkaç satır kodla eğitim, doğrulama ve dağıtıma olanak tanır.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train on a custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

YOLOv5 kendi özel deposuna sahip olsa da, PyTorch Hub aracılığıyla kolayca yüklenebilir veya belirli görevler için daha yeni ekosistem içinde kullanılabilir. Her iki model için de sağlam dokümantasyon, ister hiperparametre ayarlaması yapıyor olun ister OpenVINOsüreç kolaylaştırılmıştır.

Ekosistem Faydaları

Bir Ultralytics modeli seçmek, bakımlı bir araç paketine erişim elde etmek anlamına gelir. Deney takibi için Comet ile entegrasyondan sorunsuz veri kümesi yönetimine kadar, ekosistem tüm MLOps yaşam döngüsünü destekler. Bu aktif geliştirme, güvenlik yamalarının ve performans iyileştirmelerinin düzenli olarak sunulmasını sağlar.

İdeal Kullanım Senaryoları

YOLOv5 Ne Zaman Seçilmeli

Eski Donanım: YOLOv5 mimarisi için özel olarak optimize edilmiş boru hatlarına sahip mevcut uç cihazlarınız (eski Raspberry Pis gibi) varsa.
Yerleşik İş Akışları: Çekirdek model mimarisini güncellemenin önemli yeniden düzenleme maliyetlerine yol açacağı bakım modundaki projeler için.
Özel GPU Optimizasyonları: Belirli TensorRT motorlarının YOLOv5'in tam katman yapısı için yoğun şekilde ayarlandığı nadir durumlarda.

YOLO11 Ne Zaman Seçilmeli

Yeni Gelişmeler: Neredeyse tüm yeni projeler için, üstün doğruluk/hesaplama oranı nedeniyle YOLO11 önerilen başlangıç noktasıdır.
Gerçek Zamanlı CPU Uygulamaları: Dizüstü bilgisayarlar veya bulut örnekleri gibi standart işlemciler üzerinde çalışan uygulamalar, YOLO11'in CPU hız optimizasyonlarından büyük ölçüde yararlanır.
Karmaşık Görevler: Algılamanın yanı sıra örnek segmentasyonu veya poz tahmini gerektiren projeler.
Yüksek Hassasiyet Gereksinimleri: Küçük nesneleri yüksek hassasiyetle tespit etmenin çok önemli olduğu tıbbi görüntüleme veya uydu görüntü analizi gibi alanlar.

Sonuç

YOLOv5 , son birkaç yıldır sayısız yeniliğe güç vererek verimli ve erişilebilir yapay zeka tasarımının bir kanıtı olmaya devam ediyor. Ancak YOLO11 geleceği temsil ediyor. Gelişmiş çapasız mimarisi, üstün mAP skorları ve gelişmiş çok yönlülüğü ile geliştiricilere modern bilgisayarla görme zorluklarını çözmek için daha güçlü bir araç seti sunuyor.

YOLO11'i benimseyerek, yalnızca daha iyi performans elde etmekle kalmaz, aynı zamanda gelişen Ultralytics ekosistemi içinde uygulamalarınızı geleceğe hazırlarsınız.

Diğer Modelleri İnceleyin

Bu mimarileri diğer önde gelen modellerle karşılaştırmakla ilgileniyorsanız, ayrıntılı karşılaştırmalarımızı inceleyin: