Ultralytics YOLO27:
Get Started

YOLOv5 ve YOLO11#

Yeni bir proje için doğru bilgisayarlı görü mimarisini seçerken son teknoloji modellerin gelişimini anlamak kritik önem taşır. Önceki mimarilerden modern ve birleşik çatılara uzanan ilerleme, hem algoritma verimliliğinde hem de geliştirici deneyiminde önemli sıçramalar olduğunu gösterir. Bu kılavuzda, Ultralytics tarafından geliştirilen iki dönüm noktası modelin, öncü YOLOv5 ile ileri düzeyde iyileştirilmiş YOLO11'in ayrıntılı teknik karşılaştırması sunuluyor.

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, eğitimi ve dağıtımı çok daha erişilebilir hâle getiren yerel PyTorch uygulaması sayesinde hızla sektör standardına dönüştü. Kendinden önceki modellerin karmaşık Darknet C çatılarından uzaklaşarak model geliştirmeye Python tarzı bir yaklaşım getirdi.

YOLOv5, kullanım kolaylığı için sağlam bir temel oluşturdu ve gelişmiş mozaik veri artırma ile otomatik çapa belirleme dâhil güçlü eğitim yöntemlerini kullanıma sundu. İyi belgelenmiş ve kapsamlı biçimde test edilmiş bir kod tabanını temel alan araştırmacılar arasında son derece 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 karşılaştırılması, mimari iyileştirmelerin somut performans kazanımlarına nasıl dönüştüğünü gösterir. Aşağıdaki tabloda, COCO veri kümesi üzerinde ölçülen Ortalama Hassasiyet Ortalaması (mAP) ile CPU ve GPU çıkarım hızları ve parametre sayıları gösterilmiştir.

Modelboyut
(piksel)		mAPval
50-95		Hız
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#

Ölçümler, YOLO11'in sağladığı performans dengesinde belirgin bir sıçrama olduğunu gösteriyor. Örneğin YOLO11n (nano) modeli, YOLOv5n'in %28.0 mAP değerine kıyasla %39.5 mAP elde ederek yalnızca 0.7M ek parametreyle 11.5 puanlık bir artış sağlıyor. Ayrıca YOLO11, eğitim sırasında bellek gereksinimlerini ağır Transformer tabanlı modellere kıyasla dikkat çekici ölçüde düşük tutuyor; bu da tüketici donanımlarında ve uç cihazlarda dağıtımını oldukça erişilebilir kılıyor.

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'de ayrıca büyük ölçüde iyileştirilmiş bir başlık bulunur. Eski modellerin çapa tabanlı tasarımından uzaklaşan yeni Ultralytics mimarileri, çapasız bir yaklaşım benimser. Bu yaklaşım kutu tahminlerinin sayısını azaltarak son işlem hattını basitleştirir ve modelin farklı ölçeklere ve en-boy oranlarına genelleme yeteneğini geliştirir. Ayrıca bu modeller, üstün eğitim verimliliği sunar ve ince ayarlı veri kümelerinin yakınsamasını hızlandıran önceden eğitilmiş ağırlıkları kolayca sağlar.

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 yardımcı kod gerekir. API, hiperparametre ayarını ve model yönetimini sorunsuz biçimde gerçekleştirir.

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 bütünleşir 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 Platformu tarafından sağlanan 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 gelişiyor. Bugün yeni projelere başlayan geliştiricilere, görsel yapay zekânın en güncel standardı olan Ultralytics YOLO26 modelini incelemelerini özellikle öneriyoruz.

Ocak 2026'da yayımlanan YOLO26, modern dağıtım gereksinimlerine özel olarak tasarlanmış ve paradigma değiştiren yenilikler sunuyor:

  • Uçtan Uca NMS'siz Tasarım: İlk olarak YOLOv10'da geliştirilen kavramlardan yararlanan YOLO26, yerel olarak uçtan uca çalışır. İsteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemine duyulan gereksinimi ortadan kaldırarak dağıtım işlem hatlarını önemli ölçüde basitleştirir ve gecikmeyi azaltır.
  • MuSGD İyileştiricisi: Moonshot AI'ın Kimi K2 gibi modellerindeki büyük dil modeli eğitimi yeniliklerinden ilham alan bu SGD ve Muon hibriti, son derece kararlı eğitim ve çok daha hızlı yakınsama sağlar.
  • Eşi Görülmemiş CPU Hızı: YOLO26, Dağılım Odaklı Kayıp (DFL) fonksiyonunu kaldırarak CPU çıkarımını %43'e kadar hızlandırır ve özel GPU'su olmayan ortamlar ile uç cihazlar için en iyi seçenek hâline gelir.
  • Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL entegrasyonu; drone analizi, IoT ve robotik için kritik olan küçük nesne tanıma performansını kayda değer ölçüde artırır.
  • Göreve Özel İyileştirmeler: Poz Tahmini için Artık Log-Olabilirlik Tahmini (RLE) ve yönlendirilmiş sınırlayıcı kutular için özel açı kaybı gibi optimizasyonlar sunarak tüm bilgisayarlı görü görevlerinde üstün performans sağlar.

Standart nesne algılamanın ötesindeki özel mimarilerle ilgileniyorsan Transformer tabanlı algılama için RT-DETR veya açık kelime dağarcıklı izleme ve algılama için YOLO-World gibi modelleri de inceleyebilirsin. Bakımı iyi yapılan ve yüksek oranda optimize edilmiş bu araçlardan yararlanmak, bilgisayarlı görü işlem hatlarının verimli, ölçeklenebilir ve sektörün önünde kalmasını sağlar.

Katkıda Bulunanlar
GLglenn-jocher16PDpderrenger2

Yorumlar