İçeriğe geç

YOLOv5 ve YOLO26: Gerçek Zamanlı Nesne Algılamada Nesiller Arası Bir Sıçrama

Bilgisayar görüşünün evrimi, daha hızlı, daha doğru ve daha erişilebilir modeller için sürekli çabayla tanımlanmıştır. Ultralytics YOLOv5'i son teknoloji Ultralytics YOLO26 ile karşılaştırdığımızda, sağlam eski sistemler ile modern yapay zeka dağıtımının en ileri noktası arasındaki boşluğu kapatan bir paradigma değişimine bakıyoruz.

Bu kılavuz, her iki mimarinin performans metriklerini, yapısal farklılıklarını ve ideal dağıtım senaryolarını vurgulayan kapsamlı bir teknik analizini sunmaktadır.

Model Genel Bakışları

YOLOv5: Sektörün İş Gücü

2020'de piyasaya sürülen YOLOv5, nesne algılamanın erişilebilirliğinde devrim yarattı. Mimariyi yerel olarak PyTorch çatısına taşıyarak, geliştiricilere eşi benzeri görülmemiş bir "sıfırdan kahramana" deneyimi sundu.

YOLOv5, yüksek düzeyde bakımı yapılan Ultralytics ekosisteminin temelini attı. Agresif veri artırma teknikleri, verimli eğitim döngüleri ve CoreML ve ONNX gibi kenar biçimlerine yüksek düzeyde optimize edilmiş dışa aktarma yolları sundu. Kullanım kolaylığı ve eğitim sırasında düşük bellek gereksinimleri, onu dünya çapındaki startup'lar ve araştırmacılar için vazgeçilmez kıldı.

YOLOv5 hakkında daha fazla bilgi edinin.

YOLO26: Yeni Nesil Görsel Yapay Zeka Standardı

Ocak 2026'ya gelindiğinde, Ultralytics YOLO26, gerçek zamanlı görsel yapay zekanın zirvesini temsil etmektedir. YOLOv8 ve YOLO11 gibi ara nesillerden öğrenilen dersleri yerel olarak entegre ederken, Büyük Dil Modeli (LLM) eğitiminden ilham alan büyük atılımlar sunmaktadır.

YOLO26, en son teknoloji doğruluğu sunarken, kenar bilişim senaryolarına hakim olmak üzere açıkça tasarlanmış performans dengesi için yeni bir ölçüt belirler.

YOLO26 hakkında daha fazla bilgi edinin

Diğer Ultralytics Modelleri

Eski bir kod tabanını taşıyorsanız, YOLOv5'i Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) gibi çeşitli görevler için ilk desteği sunan önceki nesil model olan YOLO11 ile karşılaştırmakla da ilgilenebilirsiniz.

YOLO26'daki Mimari Atılımlar

YOLOv5, çapa tabanlı algılama başlıklarına ve standart kayıp fonksiyonlarına dayanırken, YOLO26 dağıtım darboğazlarını ortadan kaldırmak için iç mekanizmalarını tamamen elden geçirir.

  1. Uçtan Uca NMS'siz Tasarım: En önemli fark, YOLO26'nın yerel olarak uçtan uca mimarisidir. Fazla sınırlayıcı kutuları filtrelemek için manuel Non-Maximum Suppression (NMS) gerektiren YOLOv5'in aksine, YOLO26 bu son işlem adımını tamamen ortadan kaldırır. Bu, deterministik çıkarım gecikmesi sağlar ve C++ veya gömülü donanıma entegrasyonu önemli ölçüde basitleştirir.
  2. DFL Kaldırma: YOLO26, Distribution Focal Loss (DFL) özelliğini kaldırır. Bu mimari seçim, model dışa aktarımını önemli ölçüde basitleştirir ve genellikle karmaşık operatörlerle zorlanan düşük güçlü kenar cihazları ve mikrodenetleyicilerle uyumluluğu artırır.
  3. MuSGD Optimizatörü: Moonshot AI'nin Kimi K2'sinden ilham alarak, YOLO26, SGD ve Muon'un bir hibriti olan MuSGD Optimizatörü'nü kullanır. Bu, LLM eğitiminde görülen kararlılığı ve hızlı yakınsamayı bilgisayar görüşüne taşıyarak, transformer ağırlıklı modellere kıyasla daha düşük bellek kullanımı ve daha hızlı eğitim döngüleri sağlar.
  4. ProgLoss + STAL: YOLO26, gelişmiş ProgLoss ve STAL fonksiyonlarını kullanarak, küçük ve yoğun nesneleri algılama yeteneğini büyük ölçüde geliştirir—ki bu YOLOv5 için tarihsel bir zorluktu.

Performans Karşılaştırması

Modelleri COCO veri kümesi üzerinde karşılaştırırken, YOLO26 hassasiyette (mAP) büyük iyileşmeler sergilerken, aynı anda parametre sayılarını ve CPU çıkarım hızlarını azaltır.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOP'lar
(B)
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9

Not: YOLO26 Nano (YOLO26n), YOLOv5n'in 28.0 mAP'sine kıyasla şaşırtıcı bir 40.9 mAP elde ederken, DFL kaldırma ve NMS'siz başlık sayesinde %43'e kadar daha hızlı CPU çıkarımı sunar.

Çok Yönlülük ve Görev Desteği

YOLOv5 öncelikli olarak nesne algılama ile tanınır. Daha sonraki güncellemeler temel segmentasyon sunsa da, YOLO26 sıfırdan birleşik bir çok görevli motor olarak inşa edildi.

YOLO26 doğal olarak şunları destekler:

  • Örnek Segmentasyonu: Göreve özel çok ölçekli protolar ve anlamsal segmentasyon kaybı içerir.
  • Poz Tahmini: Yüksek doğrulukta anahtar nokta algılaması için Artık Log-Olasılık Tahmini (RLE) kullanır.
  • Yönlendirilmiş Sınırlayıcı Kutular (OBB): Sınır süreksizliği sorunlarını çözmek için özelleşmiş açı kaybı içerir; bu, uydu görüntüsü analizi için kritik öneme sahiptir.
  • Görüntü Sınıflandırma: Standart tam görüntü kategorizasyonu.

Ekosistem Entegrasyonu

Her iki model de, sorunsuz veri etiketleme, otomatik hiperparametre ayarlama ve tek tıklamayla bulut dağıtımı sağlayan Ultralytics Platformu'ndan faydalanır. Ancak, YOLO26 modern API yapılarından tam olarak yararlanır.

Kullanım ve Kod Örnekleri

Ultralytics Python API'si, modeller arasında geçiş yapmayı inanılmaz derecede basitleştirir. Her iki model de aynı iyi yönetilen ekosistemi paylaştığından, eski bir YOLOv5 hattını YOLO26'ya güncellemek yalnızca ağırlık dosyasını değiştirmeyi gerektirir.

Python Örneği

from ultralytics import YOLO

# To use YOLOv5, load a v5 weights file
# model = YOLO("yolov5su.pt")

# Migrate to the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the efficient MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # YOLO26's low memory footprint allows larger batch sizes
)

# Run an NMS-free inference
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

CLI Örneği

YOLO26'yı maksimum GPU verimi için TensorRT entegrasyonunu kullanarak komut satırı aracılığıyla doğrudan dağıtabilirsiniz:

# Export the model to TensorRT format
yolo export model=yolo26n.pt format=engine

# Run inference with the compiled engine
yolo predict model=yolo26n.engine source=path/to/video.mp4

İdeal Kullanım Senaryoları

YOLO26 ne zaman seçilmeli

Her modern bilgisayar görüşü projesi için, YOLO26 tartışmasız bir öneridir.

  • Uç Yapay Zeka ve IoT: %43 daha hızlı CPU çıkarımı ve DFL'nin kaldırılması, onu bir Raspberry Pi veya mobil cihazlara dağıtım için mükemmel kılar.
  • Yüksek Hızlı İş Akışları: NMS içermeyen mimari, otonom robotik ve gerçek zamanlı güvenlik alarm sistemleri için kritik olan istikrarlı, öngörülebilir gecikme süresi sağlar.
  • Karmaşık Senaryolar: Uygulamanız küçük nesneleri takip etme (örn. drone izleme) veya dönen nesneleri (obb) gerektiriyorsa, YOLO26'nın gelişmiş kayıp fonksiyonları (ProgLoss + STAL) büyük bir doğruluk avantajı sağlar.

Ne zaman YOLOv5 seçmeli

  • Eski Sistemler: Üretim ortamınızda YOLOv5'in belirli çapa üretimi veya NMS ayrıştırma mantığına sabit kodlanmış bağımlılıklar varsa, geçiş kısa bir yeniden düzenleme dönemi gerektirebilir.
  • Belirli Akademik Temeller: Araştırmacılar, nesne algılama mimarilerinin tarihsel gelişimini göstermek için genellikle YOLOv5'i klasik bir temel olarak kullanır.

Özet

YOLOv5'ten YOLO26'ya geçiş sadece yinelemeli bir güncelleme değil; nesne algılama modellerinin nasıl eğitildiği ve dağıtıldığı konusunda temel bir sıçramadır. MuSGD optimize ediciyi kullanarak, NMS içermeyen bir tasarımla karmaşık son işlemeyi ortadan kaldırarak ve CPU hızlarını büyük ölçüde artırarak, Ultralytics YOLO26 hız ve hassasiyetin tavizsiz bir dengesini sunar.

YOLOv5 her zaman yapay zeka görüşünü demokratikleştiren model olarak hatırlanacak olsa da, sağlam, üretime hazır ve geleceğe dönük uygulamalar geliştirmek isteyen geliştiriciler YOLO26 üzerine güvenle inşa etmelidir.


Yorumlar