YOLOv5 ve YOLO26#

Bilgisayarlı görü alanındaki gelişmeler, daha hızlı, daha doğru ve daha erişilebilir modeller için aralıksız sürdürülen çalışmalarla şekillendi. Ultralytics YOLOv5 ile son teknoloji ürünü Ultralytics YOLO26 modellerini karşılaştırırken, sağlam eski sistemlerle modern yapay zekâ dağıtımının en ileri noktası arasındaki boşluğu kapatan bir paradigma değişimini inceliyoruz.

Bu kılavuz, her iki mimarinin performans ölçümlerini, yapısal farklılıklarını ve ideal dağıtım senaryolarını vurgulayarak kapsamlı bir teknik incelemesini sunar.

Modellere Genel Bakış#

YOLOv5: Sektörün İş Gücü#

2020'de yayımlanan YOLOv5, nesne algılamayı daha erişilebilir hâle getirdi. Mimariyi yerel olarak PyTorch çatısına taşıyarak geliştiricilere benzeri görülmemiş bir "sıfırdan uzmana" deneyimi sundu.

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Belgeler: YOLOv5 Belgeleri

YOLOv5, bakımı titizlikle yapılan Ultralytics ekosisteminin temelini oluşturdu. Agresif veri artırma tekniklerini, verimli eğitim döngülerini ve CoreML ile ONNX gibi uç formatlara yönelik yüksek oranda optimize edilmiş dışa aktarma yollarını kullanıma sundu. Kullanım kolaylığı ve eğitim sırasındaki düşük bellek gereksinimleri, YOLOv5'i dünyanın dört bir yanındaki girişimler ve araştırmacılar için vazgeçilmez hâle getirdi.

YOLO26: Yeni Nesil Görsel Yapay Zekâ Standardı#

Ocak 2026'ya geldiğimizde Ultralytics YOLO26, gerçek zamanlı görsel yapay zekânın zirvesini temsil ediyor. YOLOv8 ve YOLO11 gibi aradaki nesillerden edinilen dersleri yerel olarak entegre ederken, büyük dil modeli (LLM) eğitiminden ilham alan önemli yenilikleri de beraberinde getiriyor.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Belgeler: YOLO26 Belgeleri

YOLO26, uç bilişim senaryolarında üstün performans göstermek üzere özel olarak tasarlanırken son teknoloji doğruluk sunarak performans dengesinde yeni bir ölçüt belirliyor.

YOLO26'daki Mimari Yenilikler#

YOLOv5, çapa tabanlı algılama başlıklarına ve standart kayıp fonksiyonlarına dayanırken YOLO26, dağıtım darboğazlarını ortadan kaldırmak için iç mekanizmasını baştan sona yeniliyor.

1. Uçtan Uca NMS'siz Tasarım: En önemli fark, YOLO26'nın yerel uçtan uca çıkarım seçeneğidir. Yinelenen sınırlayıcı kutuları filtrelemek için Maksimum Olmayan Bastırma (NMS) gerektiren YOLOv5'in aksine, YOLO26'nın isteğe bağlı bire bir başlığı (nms=False) bu son işleme adımını tamamen atlar. Böylece çıkarım gecikmesi deterministik hâle gelir ve C++ veya gömülü donanımla entegrasyon büyük ölçüde basitleşir.
2. DFL'nin Kaldırılması: YOLO26, Dağılım Odaklı Kayıp (DFL) fonksiyonunu kaldırır. Bu mimari tercih, modelin dışa aktarılmasını büyük ölçüde basitleştirir ve karmaşık operatörlerde sıklıkla zorlanan düşük güçlü uç cihazlar ve mikrodenetleyicilerle uyumluluğu artırır.
3. MuSGD İyileştiricisi: Moonshot AI'ın Kimi K2 modelinden ilham alan YOLO26, SGD ve Muon'un hibriti olan MuSGD İyileştiricisini kullanır. Bu yaklaşım, büyük dil modeli eğitiminde görülen kararlılığı ve hızlı yakınsamayı bilgisayarlı görüye taşır; böylece Transformer ağırlıklı modellere kıyasla bellek kullanımı azalır ve eğitim döngüleri hızlanır.
4. ProgLoss + STAL: YOLO26, özellikle küçük ve yoğun nesneleri algılama becerisini önemli ölçüde geliştiren gelişmiş ProgLoss ve STAL fonksiyonlarını kullanır; bu, YOLOv5 için tarihsel bir zorluktu.

Performans Karşılaştırması#

Modelleri COCO veri kümesi üzerinde karşılaştırdığımızda YOLO26, orta ölçekli modelden itibaren daha az parametre kullanırken her ölçekte kesinlikte (mAP) önemli artışlar gösteriyor.

Not: YOLO26 Nano (YOLO26n), YOLOv5n'in 28.0 mAP değerine karşılık 40.9 mAP gibi çarpıcı bir sonuca ulaşıyor. Yalnızca 0.5M ek parametreyle 12.9 puanlık kazanç sağlarken DFL'nin kaldırılması ve NMS'siz başlık, CPU ve uç cihaz dağıtımını basitleştiriyor.

Çok Yönlülük ve Görev Desteği#

YOLOv5, öncelikle nesne algılama ile tanınır. Sonraki güncellemelerde temel segmentasyon özellikleri eklense de YOLO26, başlangıçtan itibaren birleşik ve çok görevli bir motor olarak geliştirildi.

YOLO26, yerleşik olarak şu görevleri destekler:

• Örnek Segmentasyonu: Göreve özel çok ölçekli protolar ve anlamsal segmentasyon kaybı içerir.
• Anlamsal Segmentasyon: Her piksel için yoğun sınıf etiketlemesi.
• Derinlik Tahmini: Tek bir görüntüden piksel bazında derinlik tahmini.
• Görüntü Sınıflandırma: Görüntünün tamamını standart biçimde kategorilere ayırma.
• Poz Tahmini: Son derece hassas anahtar nokta algılama için Artık Log-Olabilirlik Tahminini (RLE) kullanır.
• Yönlendirilmiş Sınırlayıcı Kutular (OBB): Sınır süreksizliği sorunlarını çözmek için özel açı kaybı içerir; bu, uydu görüntüsü analizi için kritik önemdedir.

Kullanım ve Kod Örnekleri#

Ultralytics Python API'si modeller arasında geçişi son derece kolaylaştırır. Her iki model de bakımı iyi yapılan aynı ekosistemi paylaştığı için eski bir YOLOv5 işlem hattını YOLO26'ya güncellemek üzere yalnızca ağırlık dosyasını değiştirmen yeterlidir.

Python Örneği#

from ultralytics import YOLO

# YOLOv5'i kullanmak için v5 ağırlık dosyasını yükle
# model = YOLO("yolov5su.pt")

# Önerilen YOLO26 modeline geç
model = YOLO("yolo26n.pt")

# COCO8 veri kümesinde eğitim yap; optimizer="auto", uzun çalıştırmalarda (>10k yineleme) MuSGD'yi seçer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # YOLO26'nın düşük bellek kullanımı daha büyük toplu iş boyutlarına olanak tanır
)

# NMS'siz çıkarım çalıştır
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

CLI Örneği#

En yüksek GPU aktarım hızına ulaşmak için YOLO26'yı TensorRT entegrasyonunu kullanarak doğrudan komut satırından dağıtabilirsin:

# 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 Alanları#

YOLO26'yı Ne Zaman Seçmeli?#

Her türlü modern bilgisayarlı görü projesi için kesinlikle YOLO26'yı öneriyoruz.

• Uç Yapay Zekâ ve IoT: YOLO11n'e kıyasla CPU çıkarımının %43'e kadar daha hızlı olması ve DFL'nin kaldırılması, YOLO26'yı Raspberry Pi veya mobil cihazlarda dağıtım için ideal kılar.
• Yüksek Hızlı İşlem Hatları: NMS'siz mimari, otonom robotik ve gerçek zamanlı güvenlik alarm sistemleri için kritik olan kararlı ve öngörülebilir gecikme sağlar.
• Karmaşık Senaryolar: Uygulaman küçük nesneleri (drone izleme gibi) veya dönen nesneleri (OBB) izlemeyi gerektiriyorsa YOLO26'nın gelişmiş kayıp fonksiyonları (ProgLoss + STAL) büyük bir doğruluk avantajı sağlar.

YOLOv5'i Ne Zaman Seçmeli?#

• Eski Sistemler: Üretim ortamında YOLOv5'in belirli çapa oluşturma veya NMS ayrıştırma mantığına sabit kodlanmış bağımlılıklar varsa geçiş için kısa bir yeniden düzenleme süreci gerekebilir.
• Belirli Akademik Temel Modeller: Araştırmacılar, nesne algılama mimarilerinin tarihsel gelişimini göstermek için genellikle YOLOv5'i klasik bir temel model olarak kullanır.

Özet#

YOLOv5'ten YOLO26'ya geçiş yalnızca aşamalı bir güncelleme değildir; nesne algılama modellerinin eğitim ve dağıtım biçiminde köklü bir sıçramadır. MuSGD iyileştiricisinden yararlanan, NMS'siz tasarımla karmaşık son işlem adımlarını ortadan kaldıran ve CPU hızlarını önemli ölçüde artıran Ultralytics YOLO26, hız ve kesinlik arasında ödün vermeyen bir denge sunar.

YOLOv5, görsel yapay zekâyı herkes için erişilebilir hâle getiren model olarak daima hatırlanacak olsa da sağlam, üretime hazır ve geleceğe dönük uygulamalar geliştirmek isteyen geliştiriciler güvenle YOLO26'yı tercih edebilir.