YOLOv5 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.
Modellere 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.
YOLOv5: Sektörün İş Beygiri#
2020 yazında piyasaya sürülen YOLOv5, eğitim ve dağıtım için giriş engelini büyük ölçüde düşüren yerel PyTorch uygulaması sayesinde hızla sektör standardı haline geldi. Kendinden önceki modellerin karmaşık Darknet C çerçevelerinden uzaklaşarak model oluşturmaya Python odaklı bir yaklaşım sundu.
- Yazarlar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Dokümantasyon: YOLOv5 Documentation
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
YOLO11: 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
- Belgeler: YOLO11 Belgeleri
ultralytics Python paketi aracılığıyla kolaylaştırılmış bir kullanıcı deneyimi sunan YOLO11; nesne tespiti, örnek bölütleme, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) birleştiren basit bir API barındırır. Hız ve doğruluk arasında son derece elverişli bir denge kurarak onu çeşitli gerçek dünya dağıtım senaryoları için ideal hale getirir.
YOLO11 hakkında daha fazla bilgi edinin
Her iki model de Ultralytics Platform tarafından sağlanan bakımlı ekosistemden yararlanır. Bu entegre ortam; veri kümesi etiketlemeyi, bulut eğitimini ve çeşitli donanım hedefleri genelinde model dışa aktarmayı basitleştirir.
Performans ve Metrik Karşılaştırması#
Bu modellerin doğrudan karşılaştırılması, mimari iyileştirmelerin somut performans kazançlarına nasıl dönüştüğünü ortaya koyar. Aşağıdaki tablo, CPU ve GPU çıkarım hızları ile parametre sayılarıyla birlikte COCO dataset üzerinde değerlendirilen ortalama Duyarlılığı (mAP) göstermektedir.
| 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 |
Sonuçların Analizi#
Metrikler, YOLO11 tarafından elde edilen performans dengesinde net bir sıçramanın altını çizer. Örneğin, YOLO11n (nano) modeli, ONNX aracılığıyla dışa aktarıldığında CPU çıkarım süresini aynı anda azaltırken YOLOv5n'in %28,0'lik mAP oranına kıyasla %39,5 mAP elde eder. Dahası, YOLO11, ağır transformatör tabanlı modellere kıyasla eğitim sırasında dikkat çekici ölçüde daha düşük bellek gereksinimleri koruyarak tüketici donanımında ve uç cihazlarda dağıtımı son derece erişilebilir kılar.
Mimari 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 geliştirilmiş bir başlık (head) barındırır. Eski modellerin çapa (anchor) tabanlı tasarımından uzaklaşan daha yeni Ultralytics mimarileri, çapasız bir yaklaşım benimser. Bu, kutu tahminlerinin sayısını azaltarak son işlem hattını sadeleştirir ve modelin farklı ölçeklerde ve en boy oranlarında genelleme yeteneğini geliştirir. Ek olarak, bu modeller üstün training efficiency ve ince ayar yapılan veri kümelerinin yakınsamasını hızlandıran kullanıma hazır ön eğitilmiş ağırlıklara sahiptir.
Uygulama ve Kod Örnekleri#
Ultralytics ekosisteminin dikkat çeken özelliklerinden biri sadeliğidir. YOLOv5 hızlı çıkarım için torch.hub kullanımını popüler hale getirirken, YOLO11 birleştirilmiş ultralytics Python paketiyle bunu bir adım öteye taşıyor.
YOLO11 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")YOLOv5 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()Her iki model de kapsamlı dışa aktarma formatlarını destekler. TensorRT kullanan bir NVIDIA Jetson cihazını veya CoreML kullanan bir iOS uygulamasını hedefliyor ol, dağıtım süreci kapsamlı bir şekilde belgelenmiştir ve topluluk tarafından desteklenmektedir.
İdeal Kullanım Senaryoları#
Bu modeller arasında seçim yapmak büyük ölçüde projenin yaşam döngüsü aşamasına ve özel gereksinimlerine bağlıdır.
YOLOv5 Ne Zaman Seçilmeli#
- Eski Kod Tabanlarını Sürdürme: Üretim ortamınız YOLOv5 depo yapısına veya belirli hyperparameter evolution tekniklerine göre büyük ölçüde özelleştirilmişse.
- Akademik Temeller: Yerleşik 2020-2022 bilgisayarlı görü standartlarına karşı doğrudan kıyaslama gerektiren araştırmalar yayınlarken.
YOLO11 Ne Zaman Seçilmeli#
- Çok Görevli Projeler: Uygulamanız tek ve birleştirilmiş bir API kullanarak pose estimation ve instance segmentation gibi görevlerin bir karışımını gerektirdiğinde.
- Uç Nokta Dağıtımları: Belirli bir hesaplama bütçesi (FLOP'lar) için maksimum mAP'yi elde etmenin kritik olduğu edge computing senaryoları için.
- Ticari Yapay Zeka Çözümleri: Ultralytics Platform desteğinden yararlanarak perakende ve güvenlik alanındaki kurumsal uygulamalar için idealdir.
Yeni Nesil: Ultralytics YOLO26#
YOLO11 hız ve doğruluk arasında harika bir dengeyi temsil ederken, yapay zeka alanı hızla gelişmektedir. Bugün yeni projelere başlayan geliştiriciler için vizyon yapay zekasındaki en son standardı keşfetmenizi şiddetle tavsiye ediyoruz: 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 Artık Log-Olabilirlik Tahmini (RLE) ve oriented bounding boxes için özel açı kaybı gibi özel optimizasyonlar sunarak tüm bilgisayarlı görü görevlerinde üstün performans sağlar.
YOLO26 hakkında daha fazla bilgi edin
Standart nesne tespiti dışındaki özel mimarilerle ilgilenen kullanıcılar için, transformatör tabanlı tespit için RT-DETR gibi modelleri veya açık kelime dağarcığı takibi ve tespiti için YOLO-World gibi modelleri de keşfedebilirsiniz. Bu bakımlı, yüksek düzeyde optimize edilmiş araçları benimsemek, bilgisayarlı görü boru hatlarınızın verimli, ölçeklenebilir ve çağın ötesinde kalmasını sağlar.