Link to this sectionYOLOv5 ve YOLO11#
Yeni bir proje için doğru bilgisayarlı görü mimarisini seçerken, en gelişmiş 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 sağlar: öncü YOLOv5 ve yüksek düzeyde rafine edilmiş YOLO11.
Link to this sectionModellere Giriş#
Her iki mimari de, dağıtım ortamınıza ve eski gereksinimlerinize bağlı olarak belirgin avantajlar sunarak, gerçek zamanlı nesne algılama alanında önemli kilometre taşlarını temsil eder.
Link to this sectionYOLOv5: Sektörün İş Beygiri#
2020 yazında piyasaya sürülen YOLOv5, eğitim ve dağıtım için giriş engelini ciddi ölçüde düşüren yerel PyTorch uygulaması sayesinde hızla bir endüstri standardı haline geldi. Öncüllerinin karmaşık Darknet C çerçevelerinden uzaklaşarak, model oluşturmaya Pythonik bir yaklaşım getirdi.
- Yazarlar: Glenn Jocher
- Kuruluş: 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 çapalama dahil olmak üzere güçlü eğitim metodolojileri getirdi. İyi belgelenmiş, yoğun bir şekilde test edilmiş bir kod tabanı üzerine inşa eden araştırmacılar için inanılmaz derecede popüler kalmaya devam ediyor.
YOLOv5 hakkında daha fazla bilgi edin
Link to this sectionYOLO11: Birleşik Görü Çerçevesi#
Yıllarca süren geri bildirimler ve mimari araştırmalar üzerine inşa edilen YOLO11, birden fazla görü görevini yerel olarak işleyebilen 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
- Dokümantasyon: YOLO11 Dokümantasyonu
YOLO11, ultralytics Python paketi aracılığıyla kolaylaştırılmış bir kullanıcı deneyimi sunar ve nesne algılama, örnek segmentasyonu, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) birleştiren basit bir API ile övünür. Hız ve doğruluk arasında son derece uygun bir denge sağlar, bu da onu çeşitli gerçek dünya dağıtım senaryoları için ideal kılar.
YOLO11 hakkında daha fazla bilgi edinin
Her iki model de Ultralytics Platform tarafından sağlanan iyi bakılan ekosistemden yararlanır. Bu entegre ortam, veri kümesi etiketlemeyi, bulut eğitimini ve çeşitli donanım hedefleri genelinde model dışa aktarmayı basitleştirir.
Link to this sectionPerformans ve Metrik Karşılaştırması#
A direct comparison of these models reveals how architectural refinements translate to tangible performance gains. The table below illustrates the mean Average Precision (mAP) evaluated on the COCO dataset, alongside CPU and GPU inference speeds and parameter counts.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 |
Link to this sectionSonuçların Analizi#
Metrikler, YOLO11 tarafından elde edilen performans dengesinde net bir sıçramayı vurgular. Örneğin, YOLO11n (nano) modeli %39,5 mAP elde ederken YOLOv5n %28,0 mAP değerine sahiptir ve aynı zamanda ONNX aracılığıyla dışa aktarıldığında CPU çıkarım süresini azaltır. Ayrıca YOLO11, ağır Transformer tabanlı modellere kıyasla eğitim sırasında dikkat çekici derecede düşük bellek gereksinimlerini korur, bu da onu tüketici donanımı ve uç cihazlarda dağıtım için oldukça erişilebilir kılar.
Link to this sectionMimari Farklılıklar#
YOLO11'deki performans iyileştirmeleri birkaç önemli mimari evrimden kaynaklanmaktadır. YOLOv5 standart bir CSPNet omurgası ile C3 modüllerini kullanırken, YOLO11 gradyan akışını optimize eden ve hesaplama yükünü azaltan C2f ve daha sonra C3k2 gibi daha verimli özellik çıkarma blokları getirdi.
YOLO11 ayrıca büyük ölçüde rafine edilmiş bir başlığa sahiptir. Eski modellerin çapa tabanlı tasarımından uzaklaşarak, yeni Ultralytics mimarileri çapasız bir yaklaşım benimser. Bu, kutu tahmini sayısını azaltarak son işleme hattını kolaylaştırır ve modelin farklı ölçekler ve en boy oranları genelinde genelleme yeteneğini geliştirir. Ek olarak, bu modeller üstün eğitim verimliliği ile övünür ve ince ayarlı veri kümelerinin yakınsamasını hızlandıran, kullanıma hazır önceden eğitilmiş ağırlıklara sahiptir.
Link to this sectionUygulama 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 paketiyle bir adım öteye taşıyor.
Link to this sectionYOLO11 ile Eğitim#
Bir modeli yüklemek, eğitmek ve doğrulamak minimum ortak kod gerektirir. API, hiperparametre ayarlamasını ve model yönetimini sorunsuz bir şekilde gerçekleştirir.
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")Link to this sectionYOLOv5 ile Eski Çıkarım#
Eski bir hattı koruyorsan, YOLOv5 doğrudan PyTorch'un yerel yükleme mekanizmasıyla entegre olur ve bu da onu mevcut çıkarım komut dosyalarına dahil etmeyi 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.
Link to this sectionİdeal Kullanım Senaryoları#
Bu modeller arasında seçim yapmak büyük ölçüde projenin yaşam döngüsü aşamasına ve özel gereksinimlerine bağlıdır.
Link to this sectionYOLOv5 Ne Zaman Seçilmeli#
- Eski Kod Tabanlarını Korumak: Üretim ortamın YOLOv5 depo yapısı veya belirli hiperparametre evrimi teknikleri etrafında yoğun bir şekilde özelleştirilmişse.
- Akademik Temeller: Yerleşik 2020-2022 bilgisayarlı görü standartlarına karşı doğrudan kıyaslama gerektiren araştırmalar yayınlarken.
Link to this sectionYOLO11 Ne Zaman Seçilmeli#
- Çok Görevli Projeler: Uygulaman, tek ve birleşik bir API kullanarak poz tahmini ve örnek segmentasyonu gibi görevlerin bir karışımını gerektirdiğinde.
- Uç Dağıtımlar: Belirli bir hesaplama bütçesi (FLOPs) için maksimum mAP elde etmenin kritik olduğu uç bilişim senaryoları için.
- Ticari YZ Çözümleri: Ultralytics Platform desteğinden yararlanarak perakende ve güvenlik alanındaki kurumsal uygulamalar için idealdir.
Link to this sectionYeni 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 YZ'sindeki en son standardı keşfetmenizi şiddetle öneriyoruz: Ultralytics YOLO26.
Ocak 2026'da piyasaya sürülen YOLO26, modern dağıtım ihtiyaçları için özel olarak tasarlanmış paradigma değiştiren ilerlemeler sunuyor:
- Uçtan Uca NMS-Free Tasarım: YOLOv10'da ilk kez öncülük edilen kavramlar üzerine inşa edilen YOLO26, yerel olarak uçtan uca çalışır. Non-Maximum Suppression (NMS) sonrası işleme ihtiyacını ortadan kaldırarak dağıtım hatlarını önemli ölçüde basitleştirir ve gecikmeyi azaltır.
- MuSGD İyileştirici: Moonshot AI'ın Kimi K2'si gibi modellerdeki YZ eğitim yeniliklerinden ilham alan bu SGD ve Muon hibriti, inanılmaz derecede kararlı eğitim ve önemli ölçüde daha hızlı yakınsama sağlar.
- Eşi Görülmemiş CPU Hızı: Distribution Focal Loss (DFL) kaldırılarak, YOLO26 %43'e kadar daha hızlı CPU çıkarımı elde eder, bu da onu uç cihazlar ve özel GPU'ları olmayan ortamlar için kesinlikle en iyi seçenek haline getirir.
- Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL 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 uzmanlaşmış optimizasyonlar sunarak tüm bilgisayarlı görü görevlerinde üstün performans sağlar.
YOLO26 hakkında daha fazla bilgi edin
Standart nesne algılamanın ötesindeki uzmanlaşmış mimarilerle ilgilenen kullanıcılar için, Transformer tabanlı algılama için RT-DETR veya açık kelime dağarcığı takibi ve algılama için YOLO-World gibi modelleri de keşfedebilirsin. Bu iyi bakılan, yüksek oranda optimize edilmiş araçları benimsemek, bilgisayarlı görü hatlarının verimli, ölçeklenebilir ve güncel kalmasını sağlar.