Link to this sectionYOLOv5 ve YOLO26#

Bilgisayarlı görü dünyasının evrimi, sürekli daha hızlı, daha doğru ve daha erişilebilir modeller arayışıyla şekillendi. Ultralytics YOLOv5 ile son teknoloji Ultralytics YOLO26 modelini karşılaştırdığımızda, sağlam eski sistemler ile modern yapay zeka dağıtımının en uç noktası arasındaki boşluğu dolduran bir paradigma değişimiyle karşılaşıyoruz.

Bu kılavuz, her iki mimarinin de performans metriklerini, yapısal farklarını ve ideal kullanım senaryolarını vurgulayarak kapsamlı bir teknik dökümünü sunar.

Link to this sectionModel Genel Bakışları#

Link to this sectionYOLOv5: Sektörün İş Beygiri#

2020 yılında piyasaya sürülen YOLOv5, nesne algılama erişilebilirliğinde devrim yarattı. Mimarisini doğal bir şekilde PyTorch çerçevesine taşıyarak, geliştiricilere eşi benzeri görülmemiş bir "sıfırdan zirveye" deneyimi sundu.

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

YOLOv5, yoğun bakım altındaki 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 getirdi. Kullanım kolaylığı ve eğitim sırasındaki düşük bellek gereksinimleri, onu dünya genelindeki startup'lar ve araştırmacılar için vazgeçilmez kıldı.

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionYOLO26: Yeni Nesil Görü Yapay Zeka Standardı#

Ocak 2026'ya hızlı bir geçiş yaparsak, Ultralytics YOLO26 gerçek zamanlı görüntü yapay zekasının zirvesini temsil eder. YOLOv8 ve YOLO11 gibi ara nesillerden öğrenilen dersleri bünyesinde barındırırken, Büyük Dil Modeli (LLM) eğitiminden ilham alan devasa yenilikleri de beraberinde getirir.

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

YOLO26, performans dengesi için yeni bir kıyaslama noktası belirler; en üst düzey doğruluk sunarken aynı zamanda uç bilişim senaryolarına hükmedecek şekilde özel olarak tasarlanmıştır.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionYOLO26'daki Mimari Atılımlar#

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

1. Uçtan Uca NMS-Free (NMS Gerektirmeyen) Tasarım: En önemli fark, YOLO26'nın doğal uçtan uca mimarisidir. Gereksiz sınırlayıcı kutuları filtrelemek için manuel NMS (Non-Maximum Suppression) gerektiren YOLOv5'in aksine, YOLO26 bu işlem sonrası adımını tamamen ortadan kaldırır. Bu, deterministik çıkarım gecikmesi sağlar ve C++ veya gömülü donanımlara entegrasyonu ciddi oranda basitleştirir.
2. DFL Kaldırıldı: YOLO26, Dağılım Odaklı Kaybı (DFL) kaldırır. Bu mimari tercih, modelin dışa aktarımını büyük ölçüde basitleştirir ve karmaşık operatörlerle zorlanan düşük güçlü uç cihazlar ve mikro denetleyicilerle uyumluluğu artırır.
3. MuSGD Optimize Edici: Moonshot AI'ın Kimi K2 modelinden esinlenen YOLO26, SGD ve Muon'un bir hibriti olan MuSGD Optimize Edici'yi kullanır. Bu, LLM eğitiminde görülen kararlılığı ve hızlı yakınsamayı bilgisayarlı görüye taşıyarak, transformatör ağırlıklı modellere kıyasla daha düşük bellek kullanımı ve daha hızlı eğitim döngüleri sağlar.
4. ProgLoss + STAL: YOLO26, YOLOv5 için tarihsel bir zorluk olan küçük ve yoğun nesneleri tespit etme yeteneğini büyük ölçüde geliştiren sofistike ProgLoss ve STAL fonksiyonlarını kullanır.

Link to this sectionPerformans Karşılaştırması#

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

Not: YOLO26 Nano (YOLO26n), YOLOv5n'in 28.0 mAP değerine kıyasla 40.9 mAP değerine ulaşırken, DFL kaldırılması ve NMS-free kafa yapısı sayesinde %43 daha hızlı CPU çıkarımı sunar.

Link to this sectionÇok Yönlülük ve Görev Desteği#

YOLOv5 esas olarak nesne algılama ile ünlüdür. Daha sonraki güncellemeler temel segmentasyonu getirse de, YOLO26 en başından itibaren birleşik ve çok görevli bir motor olarak inşa edilmiştir.

YOLO26 doğal olarak şunları destekler:

• Örnek Segmentasyonu: Göreve özel çok ölçekli protolar ve anlamsal segmentasyon kaybı ile.
• Poz Tahmini: Oldukça doğru anahtar nokta tespiti için Artık Log-Olabilirlik Tahmini (RLE) kullanarak.
• Yönelimli Sınırlayıcı Kutular (OBB): Uydu görüntüsü analizi için kritik olan sınır süreksizliği sorunlarını çözmek adına özel açı kaybı dahil edilmiştir.
• Görüntü Sınıflandırma: Standart tam görüntü kategorizasyonu.

Link to this sectionKullanım ve Kod Örnekleri#

Ultralytics Python API'si, modeller arasında geçiş yapmayı inanılmaz derecede basit hale getirir. Her iki model de aynı bakımlı ekosistemi paylaştığı için, eski bir YOLOv5 hattını YOLO26'ya yükseltmek sadece ağırlık dosyasını değiştirmeyi gerektirir.

Link to this sectionPython 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()

Link to this sectionCLI 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

Link to this sectionİdeal Kullanım Senaryoları#

Link to this sectionNeden YOLO26 seçilmeli#

Herhangi bir modern bilgisayarlı görü projesi için YOLO26 tartışmasız bir öneridir.

• 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-free mimarisi, otonom robotik ve gerçek zamanlı güvenlik alarm sistemleri için kritik olan istikrarlı ve öngörülebilir gecikme süresi sağlar.
• Karmaşık Senaryolar: Uygulaman küçük nesneleri izlemeyi (örn. drone takibi) veya dönen nesneleri (OBB) gerektiriyorsa, YOLO26'nın gelişmiş kayıp fonksiyonları (ProgLoss + STAL) büyük bir doğruluk avantajı sağlar.

Link to this sectionNeden YOLOv5 seçilmeli#

• Eski Sistemler: Üretim ortamın, YOLOv5'in özel çapa üretimi veya NMS ayrıştırma mantığına sıkı sıkıya bağlı bağımlılıklara sahipse, geçiş yapmak kısa bir yeniden düzenleme süreci gerektirebilir.
• Özel Akademik Referanslar: Araştırmacılar genellikle nesne algılama mimarilerinin tarihsel ilerlemesini göstermek için YOLOv5'i klasik bir referans noktası olarak kullanırlar.

Link to this sectionÖzet#

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-free tasarım ile karmaşık işlemlerden kurtularak ve CPU hızlarını devasa oranda artırarak, Ultralytics YOLO26 hız ve hassasiyetin tavizsiz bir dengesini sunar.

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