YOLOv5 - YOLO11 Karşılaştırması: Kapsamlı Teknik Bir İnceleme

Bilgisayar görüşü alanındaki hızlı gelişmelerde, doğru nesne algılama modelini seçmek proje başarısı için kritik öneme sahiptir. Bu alandaki en önemli kilometre taşlarından ikisi YOLOv5 ve yakın zamanda piyasaya sürülen YOLO11'dir. YOLOv5 kullanım kolaylığı ve hızı için efsanevi bir standart oluştururken, YOLO11 yıllarca süren araştırma ve geliştirmeden yararlanarak doğruluk ve verimlilik sınırlarını zorlamaktadır.

Bu kılavuz, geliştiricilerin, araştırmacıların ve mühendislerin Yapay Zeka uygulamaları için bilinçli kararlar almasına yardımcı olmak amacıyla bu iki mimarinin ayrıntılı bir teknik analizini sunar.

Ultralytics YOLOv5: Güvenilir İş Gücü

2020'de yayınlanan YOLOv5, nesne algılamanın erişilebilirliğinde devrim yarattı. Yerel olarak PyTorch içinde uygulanan ilk "You Only Look Once" modeliydi ve geliştiricilerin eğitmesini ve dağıtmasını inanılmaz derecede kolaylaştırdı. Hız ve doğruluk dengesi, onu endüstriyel denetimden otonom araçlara kadar her şey için tercih edilen seçenek haline getirdi.

Teknik Detaylar:

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

Temel Özellikler ve Mimari

YOLOv5, anchor tabanlı bir mimari kullanır. Önceki yinelemelere kıyasla gradyan akışını önemli ölçüde iyileştiren ve hesaplama maliyetini azaltan bir CSPDarknet backbone tanıttı. Model, bilgi akışını artırmak için bir Path Aggregation Network (PANet) boynu kullanır ve eğitim sırasında, daha küçük nesnelere karşı modelin sağlamlığını artırmak için standart hale gelen bir teknik olan Mozaik veri artırmayı entegre eder.

Güçlü Yönler

YOLOv5, kararlılığı ve olgunluğu ile ünlüdür. Yıllarca süren topluluk testleriyle, eğitimlerin, üçüncü taraf entegrasyonlarının ve dağıtım kılavuzlarının ekosistemi geniştir. Mimarisi için belirli donanım optimizasyonlarının zaten mevcut olduğu eski sistemler veya uç cihazlar için mükemmel bir seçimdir.

YOLOv5 hakkında daha fazla bilgi edinin

Ultralytics YOLO11: Son Teknolojinin Evrimi

2024'ün sonlarında piyasaya sürülecek olan YOLO11, vizyon yapay zekasının en son noktasını temsil ediyor. Daha hızlı, daha doğru ve daha hesaplama açısından verimli bir model sunmak için YOLOv5 ve YOLOv8'den alınan dersler üzerine inşa edilmiştir.

Teknik Detaylar:

Yazarlar: Glenn Jocher, Jing Qiu
Kuruluş:Ultralytics
Tarih: 2024-09-27
GitHub:https://github.com/ultralytics/ultralytics
Belgeler:https://docs.ultralytics.com/models/YOLO11/

Mimari ve Temel Özellikler

YOLO11, C3k2 bloğu ve C2PSA (Cross-Stage Partial with Spatial Attention) modülleri dahil olmak üzere önemli mimari iyileştirmeler sunar. YOLOv5'ten farklı olarak YOLO11, anchor kutularını manuel olarak hesaplama ihtiyacını ortadan kaldırarak eğitim sürecini basitleştiren anchor'suz detect başlığı kullanır. Bu tasarım değişikliği, genellemeyi geliştirir ve modelin çeşitli veri kümelerine daha iyi uyum sağlamasına olanak tanır.

Rakipsiz Çok Yönlülük

YOLO11'in belirleyici özelliklerinden biri, tek bir çerçeve içinde birden fazla bilgisayar görüşü görevine yerel desteğidir. YOLOv5 öncelikle algılamaya odaklanırken (daha sonra segmentasyon desteğiyle), YOLO11 sıfırdan şu işlevleri yerine getirmek üzere oluşturulmuştur:

Bu çok yönlülük, geliştiricilerin karmaşık robotik ve analiz sorunlarını çerçeve değiştirmeden çözmelerini sağlar.

YOLO11 hakkında daha fazla bilgi edinin

Performans Karşılaştırması

YOLOv5'ten YOLO11'e geçiş, önemli performans kazanımları sağlar. Metrikler, YOLO11'in hız ve doğruluk arasında üstün bir ödünleşim sunduğunu göstermektedir.

Doğruluk - Verimlilik Karşılaştırması

YOLO11, benzer boyuttaki YOLOv5 modellerine kıyasla COCO veri kümesinde sürekli olarak daha yüksek Ortalama Ortalama Hassasiyet (mAP) elde eder. Örneğin, YOLO11m modeli, çok daha büyük olan YOLOv5x'i doğrulukta (51,5'e karşı 50,7 mAP) aşarken, parametrelerin bir kısmı ile çalışır (20,1M'ye karşı 97,2M). Model boyutundaki bu önemli azalma, hem eğitim hem de çıkarım sırasında daha düşük bellek gereksinimlerine dönüşür ve bu da kaynak kısıtlı edge AI donanımında dağıtım için kritik bir faktördür.

Çıkarım Hızı

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

Bellek Verimliliği

Ultralytics YOLO11 modelleri, optimum bellek kullanımı için tasarlanmıştır. RT-DETR gibi transformer tabanlı dedektörlere kıyasla, YOLO11 eğitim sırasında önemli ölçüde daha az CUDA belleği gerektirir ve bu da onu standart tüketici GPU'larına sahip geliştiriciler için erişilebilir kılar.

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 olana 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, iyi yönetilen bir araç paketine erişim kazanmak 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

Ne Zaman YOLOv5 Seçmeli

Eski Donanım: Özellikle YOLOv5 mimarisi için optimize edilmiş işlem hatlarına sahip mevcut edge cihazlarınız (daha eski Raspberry Pi'ler gibi) varsa.
Yerleşik Çalışma Akışları: Temel model mimarisini güncellemenin önemli yeniden yapılandırma maliyetlerine neden olacağı bakım modundaki projeler için.
Belirli GPU Optimizasyonları: Nadir durumlarda, belirli TensorRT motorları YOLOv5'in tam katman yapısı için yoğun bir şekilde ayarlanmıştır.

Ne Zaman YOLO11 Seçmeli

Yeni Gelişmeler: Neredeyse tüm yeni projeler için, üstün doğruluk-işlem oranı nedeniyle YOLO11 önerilen başlangıç noktasıdır.
Gerçek Zamanlı CPU Uygulamaları: Dizüstü bilgisayarlar veya bulut örnekleri gibi standart işlemcilerde çalışan uygulamalar, YOLO11'in CPU hızı optimizasyonlarından büyük ölçüde yararlanır.
Karmaşık Görevler: Algılama ile birlikte örnek segmentasyonu veya poz tahmini gerektiren projeler.
Yüksek Doğruluk Gereksinimleri: Yüksek hassasiyetle küçük nesnelerin tespit edilmesinin çok önemli olduğu tıbbi görüntüleme veya uydu görüntü analizi gibi alanlar.

Sonuç

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

YOLO11'i benimseyerek, yalnızca daha iyi performans elde etmekle kalmaz, aynı zamanda gelişen Ultralytics ekosisteminde uygulamalarınızı geleceğe hazır hale getirirsiniz.

Diğer Modelleri İnceleyin

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