YOLOv5 ve YOLO26#

Bilgisayarlı görü alanının gelişimi, daha hızlı, daha doğru ve daha erişilebilir modeller için sürekli sürdürülen çabalarla şekillenmiştir. Ultralytics YOLOv5 ile son teknoloji Ultralytics YOLO26 karşılaştırıldığında, sağlam eski sistemlerle modern yapay zekâ dağıtımının en ileri noktası arasındaki boşluğu kapatan bir paradigma değişimine tanık oluyoruz.

Bu kılavuz, her iki mimarinin kapsamlı bir teknik analizini sunarak performans ölçümlerini, yapısal farklılıklarını ve ideal dağıtım senaryolarını öne çıkarır.

Model Genel Bakışları#

YOLOv5: Sektörün Güçlü İş Atı#

2020'de piyasaya sürülen YOLOv5, nesne algılamayı daha erişilebilir hâle getirdi. Mimarinin doğrudan PyTorch çatısına taşınmasıyla geliştiricilere eşi benzeri görülmemiş bir "sıfırdan kahramana" deneyimi sundu.

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

YOLOv5, sürekli geliştirilen Ultralytics ekosisteminin temelini oluşturdu. Agresif veri artırma teknikleri, verimli eğitim döngüleri ve CoreML ile ONNX gibi uç formatlara yönelik yüksek düzeyde optimize edilmiş dışa aktarma yolları sundu. Kullanım kolaylığı ve eğitim sırasındaki düşük bellek gereksinimleri, onu dünya genelindeki girişimler ve araştırmacılar için vazgeçilmez hâle getirdi.

YOLO26: Yeni Nesil Görsel Yapay Zekâ Standardı#

Ocak 2026'ya gelindiğinde Ultralytics YOLO26, gerçek zamanlı görsel yapay zekânın zirvesini temsil eder. YOLOv8 ve YOLO11 gibi aradaki nesillerden edinilen dersleri doğal olarak bünyesine katarken, Büyük Dil Modeli (LLM) eğitiminden ilham alan büyük atılımlar da sunar.

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

YOLO26, performans dengesi için yeni bir ölçüt belirleyerek son teknoloji doğruluk sunarken uç bilişim senaryolarında üstünlük sağlamak üzere özel olarak tasarlanmıştır.

YOLO26'da Mimari Atılımlar#

YOLOv5, anchor tabanlı algılama başlıklarına ve standart kayıp işlevlerine dayanırken YOLO26, dağıtım darboğazlarını ortadan kaldırmak için dahili mekanizmaları tamamen elden geçirir.

1. Uçtan Uca NMS'siz Tasarım: En önemli fark, YOLO26'nın doğal olarak uçtan uca olan mimarisidir. Fazlalık bounding box'ları filtrelemek için manuel Non-Maximum Suppression (NMS) gerektiren YOLOv5'in aksine YOLO26, bu son işleme adımını tamamen ortadan kaldırır. Bu, belirlen deterministik çıkarım gecikmesi sağlar ve C++ ya da gömülü donanımlara entegrasyonu büyük ölçüde basitleştirir.
2. DFL'nin Kaldırılması: YOLO26, Distribution Focal Loss (DFL) kullanmaz. Bu mimari tercih, model dışa aktarmayı büyük ölçüde basitleştirir ve karmaşık operatörlerle çalışmakta sıklıkla zorlanan düşük güçlü uç cihazlar ile mikrodenetleyicilerle uyumluluğu artırır.
3. MuSGD Optimizleyicisi: Moonshot AI'nin Kimi K2'sinden ilham alan YOLO26, SGD ve Muon'un bir birleşimi olan MuSGD Optimizer'ı kullanır. Bu yaklaşım, LLM eğitiminde görülen kararlılığı ve hızlı yakınsamayı bilgisayarlı görüye taşıyarak Transformer ağırlıklı modellere kıyasla daha düşük bellek kullanımı ve daha hızlı eğitim döngüleri sağlar.
4. ProgLoss + STAL: YOLO26, küçük ve yoğun nesneleri algılama yeteneğini büyük ölçüde geliştiren gelişmiş ProgLoss ve STAL işlevlerini kullanır; bu, YOLOv5 için tarihsel bir zorluktur.

Performans Karşılaştırması#

Modelleri COCO veri kümesi üzerinde karşılaştırdığında YOLO26, parametre sayısını ve CPU çıkarım sürelerini aynı anda azaltırken kesinlikte (mAP) büyük iyileşmeler sergiler.

Not: YOLO26 Nano (YOLO26n), YOLOv5n'nin 28.0 mAP değerine kıyasla etkileyici 40.9 mAP değerine ulaşır; üstelik DFL'nin kaldırılması ve NMS'siz başlık sayesinde %43'e kadar daha hızlı CPU çıkarımı sunar.

Çok Yönlülük ve Görev Desteği#

YOLOv5, öncelikle nesne algılama ile tanınır. Daha sonraki güncellemeler temel segmentasyon desteği sunsa da YOLO26, baştan sona birleşik bir çok görevli motor olarak tasarlanmıştır.

YOLO26 şu özellikleri doğal olarak destekler:

• Örnek Segmentasyonu: Göreve özgü çok ölçekli protoları ve anlamsal segmentasyon kaybını içerir.
• Poz Tahmini: Son derece doğru anahtar nokta algılama için Residual Log-Likelihood Estimation (RLE) kullanır.
• Yönlendirilmiş Sınırlayıcı Kutular (OBB): Sınır süreksizliği sorunlarını çözmek için, uydu görüntüsü analizi açısından kritik olan özel açı kaybını içerir.
• Görüntü Sınıflandırma: Standart tam görüntü kategorilendirmesi.

Kullanım ve Kod Örnekleri#

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

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#

Maksimum GPU verimi için TensorRT entegrasyonunu kullanarak YOLO26'yı doğrudan komut satırı üzerinden 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 ne zaman seçilmeli#

Her modern bilgisayarlı görü projesi için YOLO26 tartışmasız önerimizdir.

• Uç Yapay Zekâ ve IoT: %43 daha hızlı CPU çıkarımı ve DFL'nin kaldırılması, onu bir Raspberry Pi veya mobil cihaz üzerinde dağıtım için mükemmel hâle getirir.
• Yüksek Hızlı İşlem Hatları: NMS'siz mimari, otonom robotik ve gerçek zamanlı güvenlik alarm sistemleri için kritik olan kararlı ve öngörülebilir gecikmeyi garanti eder.
• Karmaşık Senaryolar: Uygulaman küçük nesneleri (ör. drone izleme) veya dönen nesneleri (OBB) takip etmeyi gerektiriyorsa YOLO26'nın gelişmiş kayıp işlevleri (ProgLoss + STAL) büyük bir doğruluk avantajı sağlar.

YOLOv5 ne zaman seçilmeli#

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

Özet#

YOLOv5'ten YOLO26'ya geçiş yalnızca yinelemeli bir güncelleme değildir; nesne algılama modellerinin nasıl eğitildiği ve dağıtıldığı konusunda temel bir sıçramadır. MuSGD optimizleyicisinden yararlanan, NMS'siz tasarımla karmaşık son işlemeyi ortadan kaldıran ve CPU hızlarını büyük ölçüde artıran Ultralytics YOLO26, hız ile kesinlik arasında tavizsiz bir denge sunar.

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