YOLOv5 - YOLO11 Karşılaştırması: Kapsamlı Teknik Bir İnceleme

Yeni bir proje için doğru bilgisayar görüşü mimarisini seçerken, son teknoloji modellerin evrimini anlamak çok önemlidir. Önceki mimarilerden modern birleşik çerçevelere geçiş, hem algoritmik verimlilikte hem de geliştirici deneyiminde önemli sıçramaları vurgular. Bu kılavuz, Ultralytics tarafından geliştirilen iki dönüm noktası modeli arasında derinlemesine bir teknik karşılaştırma sunar: öncü YOLOv5 ve yüksek düzeyde geliştirilmiş YOLO11.

Modellere Giriş

Bu mimarilerin her ikisi de gerçek zamanlı nesne algılama alanında önemli dönüm noktalarını temsil etmekte olup, dağıtım ortamınıza ve eski sistem gereksinimlerinize bağlı olarak farklı avantajlar sunmaktadır.

YOLOv5: Sektörün İş Gücü

2020 yazında piyasaya sürülen YOLOv5, yerel PyTorch uygulaması sayesinde hızla bir endüstri standardı haline geldi ve eğitim ve dağıtım için giriş engelini önemli ölçüde düşürdü. Öncüllerinin karmaşık Darknet C çerçevelerinden uzaklaşarak, model oluşturmaya Pythonik bir yaklaşım sunmuştur.

• Yazarlar: Glenn Jocher
• Kuruluş:Ultralytics
• Tarih: 2020-06-26
• GitHub:ultralytics/yolov5
• Belgeler:YOLOv5 Belgeleri

YOLOv5, kullanım kolaylığı için güçlü bir temel oluşturdu ve gelişmiş mozaik veri artırma ve otomatik sabitleme dahil olmak üzere güçlü eğitim metodolojileri tanıttı. İyi belgelenmiş, yoğun bir şekilde test edilmiş bir kod tabanı üzerine inşa eden araştırmacılar arasında inanılmaz derecede popülerliğini koruyor.

YOLOv5 hakkında daha fazla bilgi edinin.

YOLO11: Birleşik Görüntü İşleme Çerçevesi

Yıllarca süren geri bildirim ve mimari araştırmalar üzerine inşa edilen YOLO11, birden fazla görüntü işleme görevini doğal olarak yerine getirebilen 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
• Kuruluş:Ultralytics
• Tarih: 2024-09-27
• GitHub:ultralytics/ultralytics
• Belgeler:YOLO11 Dökümantasyonu

YOLO11, kolaylaştırılmış bir kullanıcı deneyimi sunar ultralytics Python paketi aracılığıyla, birleştiren basit bir API'ye sahip olarak nesne tespiti, örnek segmentasyon, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (obb). Hız ve doğruluk arasında oldukça uygun bir denge sağlayarak çeşitli gerçek dünya dağıtım senaryoları için idealdir.

YOLO11 hakkında daha fazla bilgi edinin

Performans ve Metrik Karşılaştırması

Bu modellerin doğrudan karşılaştırması, mimari iyileştirmelerin somut performans kazanımlarına nasıl dönüştüğünü ortaya koymaktadır. Aşağıdaki tablo, COCO veri kümesi üzerinde değerlendirilen ortalama Hassasiyet (mAP) ile birlikte CPU ve GPU çıkarım hızlarını ve parametre sayılarını göstermektedir.

Sonuçları Analiz Etme

Metrikler, YOLO11 tarafından elde edilen performans dengesinde net bir sıçramayı vurgulamaktadır. Örneğin, YOLO11n (nano) modeli, YOLOv5n'in %28,0'ına kıyasla %39,5 mAP elde ederken, ONNX aracılığıyla dışa aktarıldığında CPU çıkarım süresini eş zamanlı olarak azaltmaktadır. Ayrıca, YOLO11 eğitim sırasında ağır transformatör tabanlı modellere kıyasla oldukça düşük bellek gereksinimlerini koruyarak tüketici donanımları ve kenar cihazlarda dağıtım için son derece erişilebilir olmasını sağlar.

Mimari Farklılıklar

YOLO11'deki performans iyileştirmeleri, birkaç temel mimari evrimden kaynaklanmaktadır. YOLOv5, C3 modülleriyle standart bir CSPNet backbone kullanırken, YOLO11, gradyan akışını optimize eden ve hesaplama yükünü azaltan C2f ve daha sonra C3k2 gibi daha verimli özellik çıkarma blokları sunmuştur.

YOLO11 ayrıca oldukça geliştirilmiş bir kafaya sahiptir. Eski modellerin çapa tabanlı tasarımından uzaklaşarak, yeni Ultralytics mimarileri çapa-serbest bir yaklaşım benimsemektedir. Bu, kutu tahminlerinin sayısını azaltır, işlem sonrası hattını kolaylaştırır ve modelin farklı ölçeklerde ve en boy oranlarında genelleme yeteneğini geliştirir. Ek olarak, bu modeller üstün eğitim verimliliği ve ince ayarlı veri kümelerinin yakınsamasını hızlandıran hazır önceden eğitilmiş ağırlıklar sunar.

Uygulama ve Kod Örnekleri

Ultralytics ekosisteminin öne çıkan özelliklerinden biri basitliğidir. YOLOv5'in kullanımını yaygınlaştırmasına rağmen torch.hub hızlı çıkarım için, YOLO11 bunu bir adım öteye taşıyarak birleşik ultralytics Python paketi.

YOLO11 ile Eğitim

Bir modeli yüklemek, eğitmek ve doğrulamak minimal düzeyde tekrar eden kod gerektirir. API, hiperparametre ayarlamasını ve model yönetimini sorunsuz bir şekilde ele alır.

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 Çıkarım

Eski bir hattı sürdürüyorsanız, YOLOv5 doğrudan PyTorch'un yerel yükleme mekanizmasıyla entegre olur, bu da mevcut çıkarım betiklerine kolayca dahil edilmesini sağlar.

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()

İdeal Kullanım Senaryoları

Bu modeller arasında seçim yapmak, büyük ölçüde projenizin yaşam döngüsü aşamasına ve özel gereksinimlerine bağlıdır.

YOLOv5 Ne Zaman Tercih Edilmeli?

• Eski Kod Tabanlarını Sürdürme: Üretim ortamınız YOLOv5 depo yapısı veya belirli hiperparametre evrimi teknikleri etrafında yoğun bir şekilde özelleştirilmişse.
• Akademik Temeller: Yerleşik 2020-2022 bilgisayar görüşü standartlarına karşı doğrudan kıyaslama gerektiren araştırmalar yayınlarken.

Ne Zaman YOLO11 Seçmeli

• Çok Görevli Projeler: Uygulamanız, tek ve birleşik bir API kullanarak poz tahmini ve örnek segmentasyon gibi görevlerin bir karışımını gerektirdiğinde.
• Kenar Dağıtımları: Belirli bir hesaplama bütçesi (FLOPs) için maksimum mAP'yi sıkıştırmanın kritik olduğu kenar bilişim senaryoları için.
• Ticari Yapay Zeka Çözümleri: Perakende ve güvenlikteki kurumsal uygulamalar için idealdir, Ultralytics Platformu'nun sağlam desteğinden yararlanır.

Yeni Nesil: Ultralytics YOLO26

YOLO11 hız ve doğruluk arasında harika bir denge sunsa da, yapay zeka alanı hızla gelişmektedir. Bugün yeni projelere başlayan geliştiriciler için, vizyon yapay zekasında en son standardı keşfetmelerini şiddetle tavsiye ederiz: Ultralytics YOLO26.

Ocak 2026'da piyasaya sürülen YOLO26, modern dağıtım ihtiyaçları için özel olarak tasarlanmış paradigma değiştiren ilerlemeler sunmaktadır:

• Uçtan Uca NMS-Serbest Tasarım: İlk olarak YOLOv10'da öncülük edilen konseptler üzerine inşa edilen YOLO26, doğal olarak uçtan ucadır. Maksimum Olmayan Bastırma (NMS) sonrası işleme ihtiyacını ortadan kaldırarak dağıtım hatlarını önemli ölçüde basitleştirir ve gecikmeyi azaltır.
• MuSGD Optimize Edici: Moonshot AI'nin Kimi K2 gibi modellerinden LLM eğitim yeniliklerinden esinlenen bu SGD ve Muon hibriti, inanılmaz derecede kararlı eğitim ve önemli ölçüde daha hızlı yakınsama sağlar.
• Eşi Benzeri Görülmemiş CPU Hızı: Dağıtım Odaklı Kaybı (DFL) kaldırarak, YOLO26 %43'e kadar daha hızlı CPU çıkarımı elde eder, bu da onu kenar cihazlar ve özel GPU'ları olmayan ortamlar için kesinlikle en iyi seçim yapar.
• Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL'ın entegrasyonu, drone analizi, IoT ve robotik için kritik olan küçük nesne tanımada önemli iyileştirmeler sağlar.
• Göreve Özgü İyileştirmeler: Poz için Artık Log-Olasılık Tahmini (RLE) ve yönlendirilmiş sınırlayıcı kutular için özel açı kaybı gibi özel optimizasyonlar sunarak tüm bilgisayar görüşü görevlerinde üstün performans sağlar.

YOLO26 hakkında daha fazla bilgi edinin

Standart nesne algılamanın ötesinde özelleşmiş mimarilerle ilgilenen kullanıcılar için, transformer tabanlı algılama için RT-DETR gibi modelleri veya açık-kelime dağarcıklı takip ve algılama için YOLO-World'ü de keşfedebilirsiniz. Bu iyi bakımlı, yüksek düzeyde optimize edilmiş araçları benimsemek, bilgisayar görüşü işlem hatlarınızın verimli, ölçeklenebilir ve çağın ilerisinde kalmasını sağlar.

Yorumlar