YOLOv5 ve YOLO26#

Bilgisayarlı görü evrimi, her zaman daha hızlı, daha doğru ve daha erişilebilir modeller üretme çabasıyla şekillenmiştir. Ultralytics YOLOv5 modelini en son teknoloji Ultralytics YOLO26 ile karşılaştırırken, sağlam eski sistemler ile modern yapay zeka dağıtımının en uç noktası arasındaki köprüyü kuran paradigma değişimini inceliyoruz.

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

Model Genel Bakışları#

YOLOv5: Sektörün İş Beygiri#

2020 yılında piyasaya sürülen YOLOv5, nesne tespiti erişilebilirliğinde devrim yarattı. Mimarisi yerel olarak PyTorch çerçevesine taşınarak geliştiricilere benzersiz bir "sıfırdan zirveye" deneyimi sundu.

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

YOLOv5, yoğun bir şekilde bakımı yapılan Ultralytics ekosisteminin temelini oluşturdu. Agresif veri artırma teknikleri, verimli eğitim döngüleri ve CoreML ile ONNX gibi uç biçimlere yönelik son derece optimize edilmiş dışa aktarma yolları kazandırdı. Kullanım kolaylığı ve eğitim sırasındaki düşük bellek gereksinimleri, onu dünya çapındaki girişimler ve araştırmacılar için vazgeçilmez kıldı.

YOLOv5 hakkında daha fazla bilgi edin

YOLO26: Yeni Nesil Görü Yapay Zeka Standardı#

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

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

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

YOLO26'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.

Performans Karşılaştırması#

Modelleri COCO dataset üzerinde karşılaştırırken YOLO26; parametre sayılarını ve CPU çıkarım hızlarını aynı anda azaltırken hassasiyette (mAP) devasa gelişmeler gösterir.

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.

Çok Yönlülük ve Görev Desteği#

YOLOv5 öncelikle object detection ile tanınır. Sonraki güncellemeler temel segmentasyon getirse de YOLO26, baştan sona birleşik bir çoklu görev motoru 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.
• Oriented Bounding Boxes (OBB): satellite image analysis için kritik olan sınır süreksizliği sorunlarını çözmek amacıyla özel açı kaybını içerir.
• Görüntü Sınıflandırma: Standart tam görüntü kategorizasyonu.

Kullanım 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.

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 komut satırı aracılığıyla YOLO26 dağıtımı yapabilirsiniz:

# 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#

Neden YOLO26 seçilmeli#

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

• Edge AI and IoT: %43 daha hızlı CPU çıkarımı ve DFL'nin kaldırılması, onu Raspberry Pi veya mobil cihazlara dağıtım için mükemmel kılar.
• High-Speed Pipelines: NMS içermeyen mimari, otonom robotik ve gerçek zamanlı security alarm systems için çok önemli olan kararlı, öngörülebilir gecikme süresi sağlar.
• Complex Scenarios: Uygulamanız küçük nesneleri (ör. drone monitoring) veya dönen nesneleri (OBB) takip etmeyi gerektiriyorsa, YOLO26 gelişmiş kayıp fonksiyonları (ProgLoss + STAL) devasa bir doğruluk avantajı sunar.

Neden 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.
• Specific Academic Baselines: Araştırmacılar, object detection architectures tarihsel gelişimini göstermek için genellikle klasik bir temel olarak YOLOv5 kullanır.

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-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.