Başla

YOLOv5 ve YOLO11

Yeni bir proje için doğru bilgisayarlı görü mimarisini seçerken en gelişmiş modellerin nasıl evrildiğini anlamak önemlidir. Önceki mimarilerden modern birleşik çerçevelere uzanan gelişim, hem algoritmik verimlilikte hem de geliştirici deneyiminde önemli sıçramaları ortaya koyar. Bu kılavuz, Ultralytics tarafından geliştirilen ve yaygın olarak kullanılan iki modelin, YOLOv5 ile onun halefi YOLO11'in teknik karşılaştırmasını sunar.

Modellere Giriş#

Bu iki mimari de gerçek zamanlı nesne algılama alanında önemli dönüm noktalarını temsil eder ve dağıtım ortamına ve eski sistem gereksinimlerine bağlı olarak farklı avantajlar sunar.

YOLOv5: Sektörün İş Gücü#

2020 yazında yayımlanan YOLOv5, eğitim ve dağıtıma giriş engelini düşüren yerel PyTorch uygulaması sayesinde kısa sürede endüstri standardı hâline geldi. Önceki modellerin karmaşık Darknet C çerçevelerinden uzaklaşarak model geliştirmeye Python'a özgü bir yaklaşım sundu.

YOLOv5, kullanım kolaylığı açısından güçlü bir temel oluşturdu ve mozaik veri artırma ile otomatik çapalma dâhil güçlü eğitim yöntemlerini kullanıma sundu. İyi belgelenmiş ve kapsamlı biçimde test edilmiş bir kod tabanını temel alan araştırmacılar arasında popülerliğini koruyor.

YOLO11: Birleşik Görsel Algılama Çatısı#

Yıllar süren geri bildirim ve mimari araştırmaların üzerine inşa edilen YOLO11, birden fazla görsel görevi yerel olarak yerine getirebilen birleşik bir çatının parçası olarak sunuldu. Yalnızca sınırlayıcı kutuların ötesine geçen model, en yüksek çok yönlülük ve verimlilik için başlangıçtan itibaren tasarlandı.

YOLO11, ultralytics Python paketiyle basitleştirilmiş bir kullanıcı deneyimi sunar. Basit API'si nesne algılama, örnek segmentasyonu, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) tek çatı altında birleştirir. Hız ve doğruluk arasında son derece elverişli bir denge kurarak gerçek dünyadaki çeşitli dağıtım senaryoları için ideal hâle gelir.

Entegre Platform

Her iki model de bakımı iyi yapılan Ultralytics Platformu ekosisteminden yararlanır. Bu entegre ortam; veri kümesi etiketlemeyi, bulutta eğitimi ve çeşitli donanım hedeflerine yönelik model dışa aktarımını basitleştirir.

Performans ve Metrik Karşılaştırması#

Bu modellerin doğrudan karşılaştırması, mimari iyileştirmelerin somut performans kazanımlarına nasıl dönüştüğünü gösteriyor. Aşağıdaki tabloda COCO veri kümesi üzerinde değerlendirilen ortalama Hassasiyet (mAP), CPU ve GPU çıkarım hızları ve parametre sayıları yer alıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Sonuçların Analizi#

Ölçütler, YOLO11'in elde ettiği performans dengesinde belirgin bir iyileşme olduğunu gösteriyor. Örneğin YOLO11n (nano) modeli, YOLOv5n'nin %28.0 değerine kıyasla %39.5 mAP değerine ulaşır; yalnızca 0.7M ek parametreyle 11.5 puanlık artış sağlar. YOLO11 ayrıca eğitim sırasında Transformer tabanlı modellere kıyasla daha az bellek gerektirir; bu da onu tüketici donanımlarında eğitmek ve uç cihazlarda dağıtmak için uygun kılar.

Mimari Farklılıklar#

YOLO11'deki performans iyileştirmeleri, birkaç önemli mimari gelişmeden kaynaklanıyor. YOLOv5, C3 modüllü standart bir CSPNet omurgası kullanırken daha yeni Ultralytics modelleri, gradyan akışını optimize edip hesaplama yükünü azaltan C2f (YOLOv8) ve C3k2 (YOLO11) gibi daha verimli özellik çıkarma bloklarını kullanıma sundu.

YOLO11'in başlığı da önemli ölçüde iyileştirilmiştir. Eski modellerin çapa tabanlı tasarımından uzaklaşan yeni Ultralytics mimarileri çapasız bir yaklaşım benimser. Bu, kutu tahminlerinin sayısını azaltarak son işleme işlem hattını basitleştirir ve modelin farklı ölçeklere ve en-boy oranlarına genelleme yeteneğini geliştirir. Ayrıca bu modeller, özel veri kümelerinde ince ayar yaparken yakınsamayı hızlandıran daha iyi eğitim verimliliği ve kolayca erişilebilen önceden eğitilmiş ağırlıklar sunar.

Uygulama ve Kod Örnekleri#

Ultralytics ekosisteminin öne çıkan özelliklerinden biri basitliğidir. 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 çok az kalıp kod gerekir. API, makul varsayılan eğitim ayarları sunar; kontrol noktalarını ve günlük kaydını otomatik olarak yönetir.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO11 modeli yükle
model = YOLO("yolo11s.pt")

# Özel bir veri kümesinde 50 epoch boyunca eğitim yap
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Hızlı çıkarım çalıştır ve sonuçları görüntüle
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

# Donanım hızlandırması için modeli TensorRT biçimine kolayca aktar
model.export(format="engine")

YOLOv5 ile Eski Sistemlerde Çıkarım#

Eski bir işlem hattının bakımını yapıyorsan YOLOv5, PyTorch'un yerel yükleme mekanizmasıyla doğrudan entegre olur ve mevcut çıkarım betiklerine kolayca eklenebilir.

import torch

# PyTorch Hub'dan özel veya önceden eğitilmiş bir YOLOv5 modeli yükle
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Bir görüntü URL'sinde çıkarım yap
results = model("https://ultralytics.com/images/zidane.jpg")

# Tahmin ayrıntılarını konsola yazdır
results.print()
Dağıtım Esnekliği

Her iki model de çok çeşitli dışa aktarma biçimlerini destekler. TensorRT kullanan bir NVIDIA Jetson ya da CoreML kullanan bir iOS uygulaması hedefliyor olabilirsin; dağıtım süreci kapsamlı biçimde belgelenmiş ve topluluk tarafından desteklenmiştir.

İdeal Kullanım Alanları#

Bu modeller arasında seçim yapmak büyük ölçüde projenin yaşam döngüsündeki aşamaya ve özel gereksinimlerine bağlıdır.

YOLOv5'i Ne Zaman Seçmeli?#

  • Eski Kod Tabanlarının Bakımı: Üretim ortamın YOLOv5 depo yapısına veya belirli hiperparametre evrimi tekniklerine göre yoğun biçimde özelleştirilmişse.
  • Akademik Temel Modeller: Yerleşik 2020-2022 bilgisayarlı görü standartlarıyla doğrudan kıyaslama gerektiren araştırmalar yayımlarken.

YOLO11'i Ne Zaman Seçmeli#

  • Çok Görevli Projeler: Uygulaman tek bir birleşik API kullanarak poz tahmini ve örnek segmentasyonu gibi görevlerin bir karışımını gerektirdiğinde.
  • Uç Dağıtımlar: Belirli bir hesaplama bütçesi (FLOPs) dâhilinde en yüksek mAP değerine ulaşmanın kritik olduğu uç bilişim senaryolarında.
  • Ticari Yapay Zekâ Çözümleri: Ultralytics Platform desteğiyle perakende ve güvenlik alanındaki kurumsal uygulamalar için idealdir.

Yeni Nesil: Ultralytics YOLO26#

YOLO11 hız ve doğruluk arasında güçlü bir denge sunsa da alan hızla gelişiyor. Bugün yeni projelere başlayan geliştiriciler için Ultralytics en yeni modeli olan Ultralytics YOLO26'yı öneriyor.

Ocak 2026'da yayımlanan YOLO26, modern dağıtım gereksinimleri için tasarlanmış çeşitli yenilikler sunar:

  • Uçtan Uca NMS'siz Tasarım: YOLO modellerine YOLOv10 tarafından kazandırılan NMS'siz eğitim yaklaşımını temel alan YOLO26, yerel uçtan uca çıkarımı destekler. İsteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesine olan ihtiyacı ortadan kaldırarak dağıtım işlem hatlarını basitleştirir ve gecikmeyi azaltır.
  • MuSGD Optimizer: Moonshot AI'nin Kimi K2'si gibi modellerin LLM eğitimindeki yeniliklerden ilham alan bu SGD ve Muon hibriti, daha kararlı eğitim ve daha hızlı yakınsama sağlar.
  • Daha Hızlı CPU Çıkarımı: Distribution Focal Loss'un (DFL) kaldırılmasıyla YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çalışır; bu da YOLO26'yı uç cihazlar ve özel GPU'su bulunmayan ortamlar için son derece uygun kılar.
  • Gelişmiş Eğitim Yöntemleri: ProgLoss ve STAL'ın entegrasyonu, drone analitiği, IoT ve robotik için kritik olan küçük nesnelerin tanınmasını önemli ölçüde iyileştirir.
  • Göreve Özel İyileştirmeler: Poz tahmini için Residual Log-Likelihood Estimation (RLE) ve yönlendirilmiş sınırlayıcı kutular için özel açı kaybı gibi özel optimizasyonlar sunarak desteklenen görevlerde doğruluğu artırır.

Standart nesne algılamanın ötesindeki özel mimarilerle ilgileniyorsan Transformer tabanlı algılama için RT-DETR veya açık söz dağarcıklı takip ve algılama için YOLO-World gibi modelleri de inceleyebilirsin. Bakımı iyi yapılan bu araçlar, bilgisayarlı görü işlem hatlarının verimli ve ölçeklenebilir kalmasına yardımcı olur.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.