İçeriğe geç

YOLOv5 - YOLO11: Teknik Bir Karşılaştırma

Doğru nesne algılama modelini seçmek, doğruluk, hız ve kaynak verimliliği ihtiyacını dengeleyen kritik bir karardır. Bu sayfa, Ultralytics'ten iki önemli model arasında ayrıntılı bir teknik karşılaştırma sunmaktadır: Yaygın olarak benimsenen Ultralytics YOLOv5 ve son teknoloji ürünü Ultralytics YOLO11. YOLOv5, performans ve kullanım kolaylığı için bir endüstri standardı belirlerken, YOLO11 aynı güçlü Ultralytics ekosistemi içinde üstün doğruluk, daha fazla çok yönlülük ve gelişmiş verimlilik sunarak bir sonraki evrimi temsil etmektedir.

Ultralytics YOLOv5: Yerleşik Endüstri Standardı

2020'de piyasaya sürülen YOLOv5, kısa sürede dünyanın en popüler nesne algılama modellerinden biri haline geldi. Ünü, hız, güvenilirlik ve kullanıcı dostu olma özelliklerinin olağanüstü birleşimine dayanmaktadır ve bu da onu sayısız geliştirici ve araştırmacı için başvurulacak bir seçim haline getirmektedir.

Teknik Detaylar:

Mimari ve Temel Özellikler

YOLOv5, PyTorch üzerine kurulmuştur ve etkili özellik toplama için bir PANet boynu ile birlikte bir CSPDarknet53 backbone'una sahiptir. Mimarisi oldukça ölçeklenebilirdir ve küçük ve hızlı YOLOv5n'den büyük ve doğru YOLOv5x'e kadar çeşitli modeller sunar. YOLOv5'in temel bir özelliği, piyasaya sürüldüğü sırada oldukça etkili olan anchor tabanlı algılama başlığıdır.

Güçlü Yönler

  • Olağanüstü Çıkarım Hızı: YOLOv5, hızlı çıkarım için yüksek düzeyde optimize edilmiştir ve özellikle GPU donanımında gerçek zamanlı uygulamalar için sağlam bir seçimdir.
  • Olgun Ekosistem: Köklü bir model olarak YOLOv5, büyük bir topluluktan, kapsamlı eğitimlerden ve geniş üçüncü taraf desteğinden yararlanır. Çok sayıda üretim ortamında savaş testinden geçmiştir.
  • Kullanım Kolaylığı: Basit API'si ve kapsamlı dokümantasyonu ile ünlü olan YOLOv5, hızlı prototip oluşturma ve dağıtıma olanak tanır. Model, kodsuz eğitim için Ultralytics HUB dahil olmak üzere Ultralytics ekosistemine sorunsuz bir şekilde entegre edilmiştir.
  • Eğitim Verimliliği: YOLOv5, kolayca erişilebilen önceden eğitilmiş ağırlıklar ile verimli bir eğitim süreci sunarak etkili transfer öğrenimi ve daha hızlı geliştirme döngüleri sağlar.

Zayıflıklar

  • Anchor-Based Detection: Önceden tanımlanmış anchor kutularına dayanması, bazen alışılmadık şekilli nesnelere sahip veri kümeleri için dikkatli ayarlama gerektirebilir; bu sınırlama daha yeni anchor-free dedektörler tarafından giderilmiştir.
  • Doğruluk Tavanı: Hala çok doğru olmasına rağmen, COCO gibi kıyaslamalardaki performansı YOLO11 gibi daha yeni mimariler tarafından aşılmıştır.

İdeal Kullanım Senaryoları

YOLOv5, hız ve kararlılığın öncelikli olduğu uygulamalar için mükemmel bir seçim olmaya devam ediyor:

  • Edge Computing: Daha küçük varyantları, Raspberry Pi ve NVIDIA Jetson gibi kaynak kısıtlamalı cihazlarda dağıtım için mükemmeldir.
  • Gerçek Zamanlı Gözetim: Yüksek FPS gerektiren güvenlik sistemlerine ve izleme uygulamalarına güç verme.
  • Endüstriyel Otomasyon: Üretim ortamlarında kalite kontrolü ve süreç otomasyonu için kullanılır.

YOLOv5 hakkında daha fazla bilgi edinin

Ultralytics YOLO11: Vizyon Yapay Zekasında Bir Sonraki Evrim

YOLO11, bilgisayar görüşünde mümkün olanın sınırlarını zorlamak için tasarlanmış Ultralytics'in en son teknoloji modelidir. Doğruluk, hız ve çok yönlülükte önemli iyileştirmeler sunmak için YOLOv8 dahil olmak üzere önceki modellerinin başarıları üzerine inşa edilmiştir.

Teknik Detaylar:

Mimari ve Temel Özellikler

YOLO11, gelişmiş özellik çıkarma yeteneklerine ve akıcı bir tasarıma sahip geliştirilmiş bir ağ mimarisi sunar. Önemli bir gelişme, genellemeyi iyileştiren ve eğitim sürecini basitleştiren ankrajsız algılama başlığıdır. Bu modern tasarım, YOLO11'in daha verimli parametre kullanımıyla daha yüksek doğruluk elde etmesini sağlayarak daha hızlı çıkarım hızlarına ve daha düşük hesaplama taleplerine yol açar.

Güçlü Yönler

  • Son Teknoloji Performansı: YOLO11, tüm model boyutlarında YOLOv5'ten daha yüksek mAP skorları elde ederek doğruluk için yeni bir standart belirliyor.
  • Gelişmiş Çok Yönlülük: YOLO11, tek, birleşik bir model içinde nesne tespiti, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekleyen gerçek bir çoklu görev çerçevesidir.
  • Üstün Verimlilik: Model oldukça verimlidir ve daha iyi bir hız-doğruluk dengesi sunar. Özellikle, CPU'larda YOLOv5'e kıyasla önemli ölçüde daha hızlı çıkarım göstererek daha geniş bir donanım yelpazesi için erişilebilir hale getirir. Ayrıca, diğer birçok mimariye göre eğitim ve çıkarım için daha az bellek gerektirir.
  • Kolaylaştırılmış Kullanıcı Deneyimi: Ultralytics ekosisteminin bir parçası olarak YOLO11, basit bir Python API, güçlü CLI ve kapsamlı belgelerle kullanım kolaylığına aynı bağlılığı sürdürmektedir.

Zayıflıklar

  • Büyük Modeller için Hesaplama Talebi: Oldukça verimli olmasına rağmen, en büyük YOLO11 modelleri (örneğin, YOLO11x) maksimum doğruluğu elde etmek için hala önemli miktarda hesaplama kaynağı gerektirir.
  • Gelişen Entegrasyonlar: Daha yeni bir model olarak, üçüncü taraf araçlar ve entegrasyonlar ekosistemi hızla büyüyor, ancak uzun süredir yerleşik olan YOLOv5 için olduğu kadar kapsamlı olmayabilir.

İdeal Kullanım Senaryoları

YOLO11, en yüksek düzeyde doğruluk ve esneklik talep eden yeni projeler için ideal seçimdir:

  • Gelişmiş Robotik: Karmaşık, dinamik ortamlarda hassas nesne etkileşimi ve navigasyonu sağlamak.
  • Sağlık ve Tıbbi Görüntüleme: Yüksek hassasiyetin kritik olduğu tümör tespiti gibi görevleri destekleme.
  • Akıllı Şehirler: Gelişmiş trafik yönetimi ve kamu güvenliği sistemlerini güçlendirme.
  • Perakende Analitiği: Envanter yönetimini iyileştirme ve müşteri davranış analizini daha yüksek doğrulukla yapma.

YOLO11 hakkında daha fazla bilgi edinin

Performans Yüzleşmesi: YOLOv5 - YOLO11

Performans metrikleri, YOLO11 ile yapılan gelişmeleri açıkça göstermektedir. Genel olarak, YOLO11 modelleri, çıkarım hızını korurken veya hatta iyileştirirken mAP'de önemli bir artış sağlar. Örneğin, YOLO11s, YOLOv5l ile karşılaştırılabilir olan 47.0 mAP'ye ulaşır, ancak çok daha az parametreye ve önemli ölçüde daha hızlı CPU çıkarımına sahiptir. Benzer şekilde, YOLO11m, bir CPU üzerinde 4 kat daha hızlıyken doğrulukta YOLOv5x'i (51.5'e karşı 50.7 mAP) aşmaktadır.

Model boyut
(piksel)		 mAPval
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

Sonuç: Hangi Modeli Seçmelisiniz?

YOLOv5 sağlam ve güvenilir bir model olmaya devam ederken, YOLO11 açık ara halefidir ve neredeyse tüm yeni projeler için önerilen seçimdir. Daha yüksek doğruluk, daha fazla görev çok yönlülüğü ve seleflerini bu kadar popüler yapan kullanım kolaylığından ödün vermeden gelişmiş verimlilik sağlayarak performansta önemli bir sıçrama sunar.

  • Hali hazırda kullanan eski bir proje üzerinde çalışıyorsanız veya temel kısıtlamanız belirli GPU hız optimizasyonlarının kritik bir avantaj sağladığı donanımlara dağıtım yapmaksa YOLOv5'i seçin.

  • Herhangi bir yeni uygulama için YOLO11'i Seçin. Üstün doğruluğu, ankrajsız tasarımı, çoklu görev yetenekleri ve hem CPU hem de GPU'daki mükemmel performansı, onu daha güçlü, esnek ve geleceğe dönük bir çözüm haline getiriyor.

Her iki model de sağlam Ultralytics ekosistemi tarafından desteklenmektedir ve mükemmel destek ve dokümantasyon ile sorunsuz bir geliştirme deneyimi sağlar.

Diğer Model Karşılaştırmalarını İnceleyin

Bu modellerin diğer önde gelen mimarilere karşı nasıl performans gösterdiğini merak ediyorsanız, diğer karşılaştırma sayfalarımıza göz atın:



📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi
glenn-jocher

Yorumlar