YOLOv5 ve YOLO11#

Yeni bir proje için doğru bilgisayarlı görü mimarisini seçerken, en gelişmiş modellerin gelişimini anlamak kritik önem taşır. Önceki mimarilerden modern birleşik çerçevelere geçiş, hem algoritmik verimlilikte hem de geliştirici deneyiminde önemli sıçramaları ortaya koyar. Bu kılavuzda, Ultralytics tarafından geliştirilen iki dönüm noktası niteliğindeki model (öncü YOLOv5 ve büyük ölçüde geliştirilmiş YOLO11) arasında ayrıntılı bir teknik karşılaştırma sunulmaktadır.

Modellere Giriş#

Bu iki mimari de gerçek zamanlı nesne tespiti alanında önemli kilometre taşlarını temsil eder ve dağıtım ortamına ve eski sistem gereksinimlerine bağlı olarak farklı avantajlar sunar.

YOLOv5: Sektörün Güçlü İş Atı#

2020 yazında yayımlanan YOLOv5, eğitimi ve dağıtımı önemli ölçüde kolaylaştıran yerel PyTorch uygulaması sayesinde kısa sürede bir sektör standardı hâline geldi. Önceki modellerin karmaşık Darknet C çerçevelerinden uzaklaşarak model oluşturmaya Python tarzı bir yaklaşım getirdi.

• Yazar: 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 ile otomatik anchor belirleme dâhil olmak üzere güçlü eğitim yöntemlerini kullanıma sundu. İyi belgelenmiş ve kapsamlı biçimde test edilmiş bir kod tabanı üzerine çalışan araştırmacılar için hâlâ son derece popülerdir.

YOLO11: Birleşik Görüntü Çerçevesi#

Yıllar süren geri bildirim ve mimari araştırmaların üzerine inşa edilen YOLO11, birden fazla görüntü görevini yerel olarak gerçekleştirebilen birleşik bir çerçevenin parçası olarak tanıtıldı. Yalnızca sınırlayıcı kutuların ötesine geçen model, en üst düzey çok yönlülük ve verimlilik için sıfırdan tasarlandı.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: ultralytics/ultralytics
• Belgeler: YOLO11 Belgeleri

YOLO11, ultralytics Python paketi aracılığıyla daha akıcı bir kullanıcı deneyimi sunar ve nesne tespiti, örnek segmentasyonu, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) tek bir basit API ile birleştirir. Hız ve doğruluk arasında son derece elverişli bir denge kurarak çeşitli gerçek dünya dağıtım senaryoları için ideal hâle gelir.

Performans ve Metrik Karşılaştırması#

Bu modellerin doğrudan karşılaştırılması, mimari iyileştirmelerin somut performans kazanımlarına nasıl dönüştüğünü ortaya koyar. Aşağıdaki tabloda, COCO veri kümesi üzerinde değerlendirilen ortalama Kesinlik (mAP) ile CPU ve GPU çıkarım hızları ve parametre sayıları gösterilmektedir.

Sonuçların Analizi#

Metrikler, YOLO11'in elde ettiği performans dengesi açısından belirgin bir sıçrama olduğunu gösterir. Örneğin YOLO11n (nano) modeli, YOLOv5n'nin %28,0 değerine kıyasla %39,5 mAP elde ederken ONNX aracılığıyla dışa aktarıldığında CPU çıkarım süresini de azaltır. Ayrıca YOLO11, ağır Transformer tabanlı modellere kıyasla eğitim sırasında oldukça düşük bellek gereksinimlerini korur; bu da modeli tüketici donanımlarında ve uç cihazlarda dağıtım için son derece erişilebilir kılar.

Mimari Farklılıklar#

YOLO11'deki performans iyileştirmeleri, birkaç temel mimari evrimden kaynaklanır. 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 bloklarını kullanıma sundu.

YOLO11 ayrıca büyük ölçüde geliştirilmiş bir başlığa sahiptir. Eski modellerin anchor tabanlı tasarımından uzaklaşan yeni Ultralytics mimarileri anchor'suz bir yaklaşım benimser. Bu yaklaşım kutu tahminlerinin sayısını azaltarak son işleme işlem hattını sadeleştirir ve modelin farklı ölçekler ile en-boy oranları arasında genelleme yapma yeteneğini geliştirir. Buna ek olarak bu modeller, üstün eğitim verimliliği sunar ve ince ayar yapılan veri kümelerinin yakınsamasını hızlandıran, kullanıma hazır önceden eğitilmiş ağırlıklara sahiptir.

Uygulama ve Kod Örnekleri#

Ultralytics ekosisteminin öne çıkan özelliklerinden biri sadeliğidir. YOLOv5 hızlı çıkarım için torch.hub kullanımını yaygınlaştırırken YOLO11, birleşik ultralytics Python paketiyle bunu bir adım ileri taşır.

YOLO11 ile Eğitim#

Bir modeli yüklemek, eğitmek ve doğrulamak için gereken başlangıç kodu minimum düzeydedir. API, hiperparametre ayarlama ve model yönetimini sorunsuz biçimde 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 Sistemlerde Çıkarım#

Daha eski bir işlem hattını sürdürüyor olman durumunda YOLOv5, PyTorch'un yerel yükleme mekanizmasıyla doğrudan entegre olur ve mevcut çıkarım betiklerine eklenmesini son derece 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()

İdeal Kullanım Alanları#

Bu modeller arasındaki seçim büyük ölçüde projenin yaşam döngüsündeki aşamasına ve özel gereksinimlerine bağlıdır.

YOLOv5 Ne Zaman Seçilmeli?#

• Eski Kod Tabanlarını Sürdürme: Üretim ortamın YOLOv5 depo yapısı veya belirli hiperparametre evrimi teknikleri etrafında büyük ölçüde özelleştirilmişse.
• Akademik Temel Modeller: Yerleşik 2020-2022 bilgisayarlı görü standartlarıyla doğrudan karşılaştırma yapılmasını gerektiren araştırmalar yayımlarken.

YOLO11 Ne Zaman Seçilmeli?#

• Çok Görevli Projeler: Uygulaman tek bir birleşik API kullanarak poz tahmini ve örnek segmentasyonu gibi görevlerin bir karışımını gerektirdiğinde.
• Uç Dağıtımları: Belirli bir hesaplama bütçesi (FLOPs) için maksimum mAP değerini elde etmenin kritik olduğu uç bilişim senaryolarında.
• Ticari Yapay Zekâ Çözümleri: Ultralytics Platform tarafından sunulan güçlü destekten yararlanan perakende ve güvenlik alanlarındaki kurumsal uygulamalar için idealdir.

Yeni Nesil: Ultralytics YOLO26#

YOLO11 hız ve doğruluk arasında harika bir denge sunsa da yapay zekâ alanı hızla gelişmektedir. Bugün yeni projelere başlayan geliştiricilere, görüntü yapay zekâsındaki en yeni standardı keşfetmelerini önemle tavsiye ediyoruz: Ultralytics YOLO26.

Ocak 2026'da yayımlanan YOLO26, modern dağıtım ihtiyaçları için özel olarak tasarlanmış, paradigma değiştiren gelişmeleri kullanıma sunar:

• Uçtan Uca NMS'siz Tasarım: YOLOv10'da ilk kez öncülük edilen kavramlar üzerine inşa edilen YOLO26, yerel olarak uçtan uca çalışır. Maksimum olmayan bastırma (NMS) son işleme adımına duyulan ihtiyacı ortadan kaldırarak dağıtım işlem hatlarını önemli ölçüde sadeleştirir ve gecikmeyi azaltır.
• MuSGD Optimizasyonu: Moonshot AI'ın Kimi K2 gibi modellerdeki LLM eğitim yeniliklerinden ilham alan bu SGD ve Muon hibriti, son derece kararlı eğitim ve önemli ölçüde daha hızlı yakınsama sağlar.
• Eşi Benzeri Görülmemiş CPU Hızı: Dağılım Odaklı Kayıp (DFL) kaldırılarak YOLO26, %43'e kadar daha hızlı CPU çıkarımı sağlar ve bu da modeli uç cihazlar ile özel GPU'ları olmayan ortamlar için kesinlikle en iyi seçenek hâline getirir.
• Gelişmiş Kayıp İşlevleri: ProgLoss ve STAL entegrasyonu, drone analitiği, IoT ve robotik için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: Poz için Artık Log-Olabilirlik Tahmini (RLE) ve yönlendirilmiş sınırlayıcı kutular için özel açı kaybı gibi özelleştirilmiş optimizasyonlar sunarak tüm bilgisayarlı görü görevlerinde üstün performans sağlar.

Standart nesne tespitinin ötesinde özel mimarilerle ilgileniyorsan Transformer tabanlı tespit için RT-DETR veya açık kelime dağarcığıyla izleme ve tespit için YOLO-World gibi modelleri de inceleyebilirsin. Bu bakımı iyi yapılan, yüksek düzeyde optimize edilmiş araçları benimsemek, bilgisayarlı görü işlem hatlarının verimli, ölçeklenebilir ve yeniliklerin önünde kalmasını sağlar.