YOLOv5 ve YOLO26: Gerçek Zamanlı Nesne Algılamanın Evrimi

Nesne tespitinin evrimi, verimlilik ve doğrulukta önemli ilerlemelerle işaretlenmiştir. Yıllarca, YOLOv5, hız ve kullanım kolaylığı dengesiyle sevilen bir endüstri standardı olarak kalmıştır. Ancak, bilgisayar görüşü alanı hızla değişmektedir. Ultralytics'in en yeni nesli olan YOLO26 sahneye çıkarak, hem uç cihazlarda hem de yüksek performanslı sunucularda nelerin mümkün olduğunu yeniden tanımlamaktadır.

Bu kılavuz, efsanevi YOLOv5 ile son teknoloji YOLO26 arasında teknik bir karşılaştırma sunarak, bir sonraki bilgisayar görüşü projeniz için doğru aracı seçmenize yardımcı olmak amacıyla mimarilerini, performans metriklerini ve ideal kullanım senaryolarını analiz etmektedir.

Karşılaştırmaya Genel Bakış

Her iki model de Ultralytics'in erişilebilir yapay zekaya olan bağlılığının ürünleri olsa da, farklı tasarım felsefesi dönemlerini temsil etmektedirler. YOLOv5 sağlam, kullanıcı dostu bir ekosistem kurmaya odaklanırken, YOLO26 gecikme süresi ve mimari verimlilik sınırlarını zorlamaktadır.

YOLOv5: Miras Standart

Haziran 2020'de Glenn Jocher tarafından piyasaya sürülen YOLOv5, nesne tespitinin erişilebilirliğini devrim niteliğinde değiştirdi. Önceki modellerin Darknet çerçevesinden uzaklaşarak, doğrudan PyTorch ekosistemi içinde sorunsuz bir eğitim deneyimi sunan ilk modellerden biriydi.

• Tarih: 2020-06-26
• Yazarlar: Glenn Jocher
• Kuruluş:Ultralytics
• Temel Özellik: Non-Maximum Suppression (NMS) gerektiren çapa tabanlı tespit.

YOLOv5, özellikle çıkarım hattını güncellemenin maliyetli olabileceği eski sistemler için güvenilir bir iş gücü olmaya devam etmektedir. "Çapa Tabanlı" mimarisi, nesne konumlarını tahmin etmek için önceden tanımlanmış kutulara dayanır; bu etkili bir yöntem olsa da hiperparametrelerin dikkatli ayarlanmasını gerektirir.

YOLOv5 hakkında daha fazla bilgi edinin.

YOLO26: Yeni Sınır

Ocak 2026'da Glenn Jocher ve Jing Qiu tarafından piyasaya sürülen YOLO26, Uç Yapay Zeka'nın modern çağı için tasarlanmış radikal mimari değişiklikler sunmaktadır. Çapalardan ve karmaşık ön işlem sonrası adımlarından uzaklaşarak, doğruluktan ödün vermeden saf hız sağlamaktadır.

• Tarih: 2026-01-14
• Yazarlar: Glenn Jocher, Jing Qiu
• Kuruluş:Ultralytics
• Temel Özellik: Uçtan Uca NMS-Serbest, MuSGD Optimizatörü, DFL Kaldırma.

YOLO26, maksimum verim (throughput) ihtiyacı olan geliştiriciler için tasarlanmıştır. NMS ihtiyacını ortadan kaldırarak, dağıtım mantığını basitleştirir ve gecikmeyi azaltır, bu da onu CPU'lar ve mobil cihazlardaki gerçek zamanlı uygulamalar için üstün bir seçenek haline getirir.

YOLO26 hakkında daha fazla bilgi edinin

Teknik Performans Karşılaştırması

Aşağıdaki metrikler, performanstaki nesiller arası sıçramayı vurgulamaktadır. Testler, COCO veri kümesi üzerinde, nesne tespiti görevleri için standart bir kıyaslama olarak yapılmıştır.

Temel Çıkarımlar

1. CPU Verimliliği: YOLO26n, YOLOv5n'den CPU üzerinde neredeyse 2 kat daha hızlıdır ve doğrulukta büyük bir artış sunar (%28,0'e karşı %40,9 mAP). Bu, GPU kaynaklarının bulunmadığı Raspberry Pi veya mobil cihazlardaki dağıtımlar için kritik öneme sahiptir.
2. Parametre Verimliliği: YOLO26x, YOLOv5x'ten (%50,7) önemli ölçüde daha yüksek doğruluk (%57,5 mAP) elde ederken, neredeyse yarı yarıya daha az parametre kullanır (55,7M'ye karşı 97,2M). Model boyutundaki bu azalma, bellek gereksinimlerini ve depolama maliyetlerini düşürür.
3. Doğruluk/Hız Dengesi: YOLO26'nın "Nano" sürümü, daha küçük bir model sınıfı olmasına rağmen, doğruluk açısından YOLOv5'in "Small" sürümünü geride bırakmaktadır.

Mimari Derinlemesine İnceleme

Performans farkı, modellerin tespit problemine yaklaşımındaki temel farklılıklardan kaynaklanmaktadır.

1. Uçtan Uca NMS-Serbest Tasarım

YOLOv5, binlerce potansiyel sınırlayıcı kutu üreten geleneksel bir yaklaşım kullanır. Bunları nihai tespitlere indirgemek için Non-Maximum Suppression (NMS) adı verilen bir ön işlem sonrası adımı gereklidir. Bu adım genellikle yavaştır ve FPGA'lar veya NPU'lar gibi donanımlarda hızlandırması zordur.

YOLO26 doğal olarak uçtan ucadır. Eğitim sırasında, modelin nesne başına tek, yüksek kaliteli bir kutu tahmin etmesini sağlayan çift etiket atama stratejisi kullanır. Bu, çıkarım sırasında NMS adımını tamamen ortadan kaldırır.

• Fayda: Daha düşük gecikme süresi ve daha basit dağıtım hatları (özel dışa aktarımlar için C++ veya CUDA'da NMS uygulamaya gerek kalmaması).
• Sonuç: Yoğun ön işleme dayanan önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı.

2. Kayıp Fonksiyonları: DFL Kaldırma ve ProgLoss

YOLOv5 (ve sonraki YOLOv8), kutu sınırlarını iyileştirmek için Distribution Focal Loss (DFL) kullandı. Etkili olmasına rağmen, DFL dışa aktarma sürecine hesaplama yükü ve karmaşıklık ekler.

YOLO26 DFL'yi kaldırır ve INT8 dağıtımı için nicemlemesi daha kolay olan basitleştirilmiş bir regresyon başlığına geri döner. Olası doğruluk kaybını telafi etmek için YOLO26, ProgLoss (Aşamalı Kayıp Dengeleme) ve STAL (Küçük Hedefe Duyarlı Etiket Ataması)'nı tanıtır.

• STAL: Özellikle "küçük nesne" sorununu hedefler, v5 dahil önceki YOLO sürümlerinde yaygın bir zayıflık olan uzak veya küçük hedeflerde performansı artırır.
• ProgLoss: Yakınsamayı stabilize etmek için eğitim sırasında farklı kayıp bileşenlerinin ağırlığını dinamik olarak ayarlar.

3. MuSGD Optimizatörü

Eğitim kararlılığı, YOLO26 ekibi için önemli bir odak noktasıydı. YOLOv5 genellikle standart SGD veya Adam optimize edicilerine güvenirken, YOLO26, Moonshot AI'nin Kimi K2 ve Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen hibrit bir optimize edici olan MuSGD'yi içerir.

• İnovasyon: Muon optimizasyonunun kararlılığını bilgisayar görüşüne getirerek, kayıp ani artışları riski olmadan daha yüksek öğrenme oranlarına ve daha hızlı yakınsamaya olanak tanır.

Çok Yönlülük ve Görev Desteği

Her iki model de Ultralytics ekosistemine entegre edilmiştir, yani geniş bir bilgisayar görüşü görevleri yelpazesini desteklerler. Ancak, YOLO26, YOLOv5'in sahip olmadığı göreve özel mimari iyileştirmeler içerir.

YOLO26'nın poz tahmini için Kalıntı Log-Olasılık Tahmini (RLE) desteği, insan poz takibi için önemli ölçüde daha doğru anahtar noktalar sağlayarak, onu spor analizi ve sağlık uygulamaları için üstün kılar.

Eğitim ve Kullanım

Ultralytics ekosisteminin güçlü yönlerinden biri birleşik API'sidir. YOLOv5'i (modern paket aracılığıyla) veya YOLO26'yı kullanıyor olsanız da, kod tutarlı ve basit kalır.

Python Kod Örneği

İşte her iki modelle de eğitim ve çıkarım yapmanın yolu: ultralytics paketi. YOLOv5 için modern paketin yolov5u (çapasız uyarlanmış) ağırlıkları varsayılan olarak kullandığını unutmayın, ancak mimari için karşılaştırma geçerlidir.

from ultralytics import YOLO

# Load the models
model_v5 = YOLO("yolov5s.pt")  # Legacy standard
model_26 = YOLO("yolo26n.pt")  # New NMS-free standard

# Comparison: Inference on an image
# YOLO26 requires no NMS post-processing arguments in export/deployment
results_v5 = model_v5("https://ultralytics.com/images/bus.jpg")
results_26 = model_26("https://ultralytics.com/images/bus.jpg")

# Print results to see speed differences
print(f"YOLOv5 Speed: {results_v5[0].speed}")
print(f"YOLO26 Speed: {results_26[0].speed}")

# Train YOLO26 on custom data
# The MuSGD optimizer is handled automatically
results = model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

Ultralytics Platformu (eski adıyla HUB), veri kümelerini yönetmenize ve her iki modeli de bulutta kod yazmadan eğitmenize olanak tanıyarak bunu daha da basitleştirir; ancak platformda oluşturulan yeni projeler için YOLO26 önerilen varsayılandır.

Dağıtım ve Ekosistem

YOLOv5'in büyük bir eski ekosistemi var. Özellikle için yazılmış binlerce eğitim, üçüncü taraf depo ve donanım entegrasyonu bulunmaktadır. yolov5 formatları. YOLOv5'in tam çıktı tensor şeklini kesinlikle gerektiren katı, eski bir donanım hattıyla çalışıyorsanız, hala geçerli bir seçenektir.

Ancak, modern dağıtım için YOLO26, üstün dışa aktarma seçenekleri sunar.

• Edge AI: DFL ve NMS'nin kaldırılması, YOLO26 modellerini TensorRT ve OpenVINO gibi formatlara dönüştürmeyi önemli ölçüde kolaylaştırır.
• Kuantizasyon: YOLO26, kuantizasyon dostu olacak şekilde tasarlanmıştır ve mobil işlemciler için INT8'e dönüştürüldüğünde daha yüksek doğruluk korur.

Sonuç

YOLOv5 nesne tespitini demokratikleştiren efsanevi bir model olmaya devam etse de, YOLO26 geleceği temsil etmektedir. Uçtan uca NMS-free tasarımı, ağır kayıp fonksiyonlarının kaldırılması ve MuSGD gibi LLM'den ilham alan optimize edicilerin entegrasyonu ile YOLO26, YOLOv5'in basitçe eşleşemeyeceği bir performans profili sunar.

Yeni projelere başlayan geliştiriciler için YOLO26 açık ara tavsiyedir. Daha düşük gecikme süresinde daha yüksek doğruluk, azaltılmış bellek kullanımı ve daha basit bir dağıtım yolu sunar.

Yorumlar