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

Bilgisayarlı görü dünyasının evrimi, sürekli daha hızlı, daha doğru ve daha erişilebilir modellere duyulan ihtiyaçla şekillenmiştir. Ultralytics YOLOv5 ile en ileri teknoloji Ultralytics YOLO26 modelini karşılaştırdığımızda, sağlam eski sistemler ile modern yapay zeka dağıtımının en uç noktası arasındaki boşluğu kapatan bir paradigma değişimi ile karşı karşıyayız.

Bu rehber, her iki mimarinin kapsamlı bir teknik dökümünü sunarak performans metriklerini, yapısal farklılıklarını ve ideal kullanım senaryolarını öne çıkarıyor.

Model Genel Bakışları

YOLOv5: Sektörün İş Atı

2020'de piyasaya sürülen YOLOv5, nesne algılamanın erişilebilirliğinde devrim yarattı. Mimarinin yerel olarak PyTorch çerçevesine taşınmasıyla geliştiricilere benzeri görülmemiş bir "sıfırdan uzmanlığa" deneyimi sundu.

• Yazarlar: Glenn Jocher
• Organizasyon: Ultralytics
• Tarih: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Dokümanlar: YOLOv5 Dokümantasyonu

YOLOv5, yüksek düzeyde korunan Ultralytics ekosisteminin temelini oluşturdu. Agresif veri artırma teknikleri, verimli eğitim döngüleri ve CoreML ile ONNX gibi uç formatlara yönelik son derece optimize edilmiş dışa aktarma yolları sundu. Kullanım kolaylığı ve eğitim sırasındaki düşük bellek gereksinimleri, onu dünya çapındaki startup'lar ve araştırmacılar için vazgeçilmez bir araç haline getirdi.

YOLOv5 hakkında daha fazla bilgi edin

YOLO26: Yeni Nesil Görüntü Yapay Zeka Standardı

Ocak 2026'ya hızlı bir geçiş yaparsak, Ultralytics YOLO26 gerçek zamanlı görüntü yapay zekasının zirvesini temsil eder. YOLOv8 ve YOLO11 gibi arada kalan nesillerden öğrenilen dersleri yerel olarak entegre ederken, Büyük Dil Modeli (LLM) eğitiminden ilham alan devasa atılımlar getiriyor.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümantasyon: YOLO26 Dokümantasyonu

YOLO26, performans dengesi için yeni bir ölçüt belirleyerek en son teknoloji doğruluğu sunarken, uç bilgi işlem senaryolarına hükmetmek üzere özel olarak tasarlandı.

YOLO26 hakkında daha fazla bilgi edin

YOLO26'daki Mimari Atılımlar

YOLOv5, çapa tabanlı (anchor-based) algılama kafalarına ve standart kayıp fonksiyonlarına güvenirken, YOLO26 dağıtım darboğazlarını ortadan kaldırmak için iç mekanizmaları tamamen elden geçiriyor.

1. Uçtan Uca NMS-Free (NMS'siz) Tasarım: En önemli fark, YOLO26'nın yerel olarak uçtan uca mimarisidir. Gereksiz sınırlayıcı kutuları filtrelemek için manuel Non-Maximum Suppression (NMS - Maksimum Olmayan Bastırma) gerektiren YOLOv5'in aksine, YOLO26 bu işlem sonrası adımını tamamen ortadan kaldırır. Bu, deterministik çıkarım gecikmesini garanti eder ve C++ veya gömülü donanımlara entegrasyonu büyük ölçüde basitleştirir.
2. DFL Kaldırma: YOLO26, Distribution Focal Loss (DFL) özelliğini kaldırır. Bu mimari tercih, model dışa aktarımını önemli ölçüde basitleştirir ve karmaşık operatörlerle zorlanan düşük güçteki uç cihazlar ve mikrodenetleyicilerle uyumluluğu artırır.
3. MuSGD Optimize Edici: Moonshot AI'ın Kimi K2 modelinden ipuçları alan YOLO26, SGD ve Muon'un bir melezi olan MuSGD Optimize Edici'sini kullanır. Bu, LLM eğitiminde görülen kararlılığı ve hızlı yakınsamayı bilgisayarlı görüye getirerek, transformer ağırlıklı modellere kıyasla daha düşük bellek kullanımı ve daha hızlı eğitim döngüleri sağlar.
4. ProgLoss + STAL: YOLO26, küçük ve yoğun nesneleri tespit etme yeteneğini önemli ölçüde artıran gelişmiş ProgLoss ve STAL fonksiyonlarını kullanır; bu, YOLOv5 için tarihsel bir zorluktu.

Performans Karşılaştırması

Modelleri COCO dataset üzerinde karşılaştırdığımızda, YOLO26 doğruluk (mAP) konusunda devasa gelişmeler gösterirken, aynı zamanda parametre sayısını ve CPU çıkarım hızlarını da iyileştiriyor.

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

Çok Yönlülük ve Görev Desteği

YOLOv5, öncelikle nesne algılama ile ünlüdür. Daha sonraki güncellemeler temel segmentasyonu getirse de, YOLO26 baştan sona birleşik, çok görevli bir motor olacak şekilde inşa edildi.

YOLO26 doğal olarak şunları destekler:

• Örnek Segmentasyonu (Instance Segmentation): Göreve özgü çok ölçekli protolar ve anlamsal segmentasyon kaybı içerir.
• Poz Tahmini (Pose Estimation): Son derece doğru anahtar nokta tespiti için Residual Log-Likelihood Estimation (RLE) kullanır.
• Yönelimli Sınırlayıcı Kutular (OBB): uydu görüntü analizi için kritik olan, sınır süreksizliği sorunlarını çözmek amacıyla özel açı kaybı (angle loss) içerir.
• Görüntü Sınıflandırma: Standart tam görüntü kategorizasyonu.

Kullanım ve Kod Örnekleri

Ultralytics Python API, modeller arasında geçiş yapmayı inanılmaz derecede basit hale getirir. Her iki model de aynı iyi korunmuş ekosistemi paylaştığından, eski bir YOLOv5 hattını YOLO26'ya güncellemek için sadece ağırlık 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 aracılığıyla 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 Durumları

Ne zaman YOLO26 seçilmeli

Herhangi bir modern bilgisayarlı görü projesi için, YOLO26 tartışmasız tavsiyemizdir.

• Uç Yapay Zeka ve IoT: %43 daha hızlı CPU çıkarımı ve DFL'nin kaldırılması, onu Raspberry Pi veya mobil cihazlarda dağıtım için mükemmel kılar.
• Yüksek Hızlı Hatlar: NMS'siz mimari, otonom robotik ve gerçek zamanlı güvenlik alarm sistemleri için hayati önem taşıyan kararlı ve öngörülebilir bir gecikme sağlar.
• Karmaşık Senaryolar: Uygulaman küçük nesneleri izlemeyi (ör. drone izleme) veya dönen nesneleri (OBB) gerektiriyorsa, YOLO26'nın gelişmiş kayıp fonksiyonları (ProgLoss + STAL) büyük bir doğruluk avantajı sağlar.

Ne zaman YOLOv5 seçilmeli

• Eski Sistemler: Üretim ortamında YOLOv5'in özel çapa oluşturma veya NMS ayrıştırma mantığına dayalı kodlanmış bağımlılıkların varsa, taşıma süreci kısa bir yeniden düzenleme dönemi gerektirebilir.
• Belirli Akademik Referanslar: Araştırmacılar, nesne algılama mimarilerinin tarihsel ilerleyişini göstermek için YOLOv5'i genellikle klasik bir referans olarak kullanırlar.

Özet

YOLOv5'ten YOLO26'ya geçiş sadece yinelemeli bir güncelleme değil; nesne algılama modellerinin eğitilme ve dağıtılma şeklinde temel bir sıçramadır. MuSGD optimize edicisinden yararlanarak, NMS'siz tasarım sayesinde karmaşık işlem sonrası adımları bırakarak 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.