YOLOv5 ve YOLO26
Bilgisayarlı görü alanındaki gelişim, daha hızlı, daha isabetli ve daha erişilebilir modeller geliştirmek için süregelen çabayla şekillendi. Ultralytics YOLOv5 ve Ultralytics YOLO26, bu gelişimde iki dönüm noktasını temsil eder: yaygın olarak kullanılan eski bir model ve günümüzde önerilen Ultralytics modeli.
Bu kılavuz, her iki mimarinin performans ölçümlerini, yapısal farklılıklarını ve ideal dağıtım senaryolarını vurgulayarak kapsamlı bir teknik incelemesini sunar.
Modellere Genel Bakış#
YOLOv5: Sektörün İş Gücü#
2020'de yayımlanan YOLOv5, nesne algılamayı çok daha erişilebilir hâle getirdi. Mimarinin PyTorch çerçevesinde yerel olarak uygulanması, geliştiricilere kurulumdan eğitime ve dağıtıma kadar basit bir yol sundu.
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- Belgeler: YOLOv5 Belgeleri
YOLOv5, etkin biçimde bakımı yapılan Ultralytics ekosisteminin temelini oluşturdu. Güçlü veri artırma tekniklerini, verimli eğitim döngülerini ve CoreML ile ONNX gibi uç biçimlere yönelik yüksek düzeyde optimize edilmiş dışa aktarma yollarını kullanıma sundu. Kullanım kolaylığı ve eğitim sırasındaki düşük bellek gereksinimleri, onu dünya çapındaki girişimler ve araştırmacılar için vazgeçilmez kıldı.
YOLO26: Yeni Nesil Görsel Yapay Zekâ Standardı#
Ocak 2026'da yayımlanan Ultralytics YOLO26, Ultralytics YOLO'nun en yeni neslidir. YOLOv8 ve YOLO11 gibi aradaki nesillerden edinilen deneyimleri bir araya getirirken Büyük Dil Modeli (LLM) eğitiminden ilham alan eğitim tekniklerini de sunar.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: YOLO26 Belgeleri
YOLO26, doğruluk ve hız arasında güçlü bir denge sunar ve özellikle uç bilişim senaryoları için tasarlanmıştır.
Eski bir kod tabanını yeni sürüme geçiriyorsan poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) gibi çeşitli görevleri destekleyen önceki nesil model YOLOv5 ile YOLO11'i karşılaştırmak da ilgini çekebilir.
YOLO26'daki Mimari Yenilikler#
YOLOv5 çapa tabanlı algılama başlıklarına ve standart kayıp fonksiyonlarına dayanırken YOLO26, dağıtım darboğazlarını ortadan kaldırmak için başlığı, kayıp fonksiyonlarını ve optimizer'ı yeniden tasarlar.
- Uçtan Uca, NMS'siz Tasarım: En önemli fark, YOLO26'nın yerel uçtan uca çıkarım seçeneğidir. Yinelenen sınırlayıcı kutuları filtrelemek için Maksimum Olmayan Bastırma (NMS) gerektiren YOLOv5'in aksine YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False) bu son işleme adımını atlar. Böylece çıkarım gecikmesi daha öngörülebilir olur ve C++ ya da gömülü donanımlara entegrasyon basitleşir. - DFL'nin Kaldırılması: YOLO26, Distribution Focal Loss'u (DFL) kaldırır. Bu mimari tercih, modelin dışa aktarımını basitleştirir ve karmaşık operatörleri kullanmakta sıklıkla zorlanan düşük güç tüketimli uç cihazları ve hızlandırıcılarla uyumluluğu artırır.
- MuSGD Optimizer: Moonshot AI'nin Kimi K2'sinden esinlenen YOLO26, SGD ile Muon'un hibriti olan MuSGD Optimizer'ı kullanır. Bu sayede LLM eğitiminde görülen kararlılık ve hızlı yakınsama, bilgisayarlı görüye taşınır.
- ProgLoss + STAL: YOLO26, YOLOv5'in geçmişte zorlandığı küçük ve yoğun nesnelerin algılanmasını iyileştirmek için ProgLoss ve STAL kullanır.
Performans Karşılaştırması#
COCO veri kümesindeki modeller karşılaştırıldığında YOLO26, orta boy varyanttan itibaren daha az parametre kullanırken her ölçekte daha yüksek doğruluk (mAP) gösterir.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Not: YOLO26 Nano (YOLO26n), YOLOv5n'nin 28.0 mAP değerine kıyasla 40.9 mAP değerine ulaşır; yalnızca 0.5M ek parametreyle 12.9 puanlık artış sağlar. DFL'nin kaldırılması ve NMS'siz başlık ise CPU ve uç dağıtımını basitleştirir.
Çok Yönlülük ve Görev Desteği#
YOLOv5 öncelikle nesne algılamayla bilinir. Sonraki güncellemeler temel segmentasyon özellikleri sunsa da YOLO26 en başından birleşik, çok görevli bir motor olarak tasarlanmıştır.
YOLO26, yerleşik olarak şu görevleri destekler:
- Örnek Segmentasyonu: Göreve özel çok ölçekli protolar ve anlamsal segmentasyon kaybı içerir.
- Anlamsal Segmentasyon: Her piksel için yoğun sınıf etiketlemesi.
- Derinlik Tahmini: Tek bir görüntüden piksel bazında derinlik tahmini.
- Görüntü Sınıflandırma: Görüntünün tamamını standart biçimde kategorilere ayırma.
- Poz Tahmini: Anahtar noktaların konumlarını daha doğru belirlemek için Residual Log-Likelihood Estimation (RLE) kullanır.
- Yönlendirilmiş Sınırlayıcı Kutular (OBB): Sınır süreksizliği sorunlarını çözmek için özel açı kaybı içerir; bu, uydu görüntüsü analizi için kritik önemdedir.
Her iki model de veri açıklama, bulut eğitimi ve tek tıklamayla dağıtım sunan Ultralytics Platform avantajlarından yararlanır.
Kullanım ve Kod Örnekleri#
Ultralytics Python API'si, modeller arasında geçişi kolaylaştırır. Her iki model de bakımı iyi yapılan aynı ekosistemi paylaştığından, ultralytics paketindeki YOLOv5u işlem hattını YOLO26'ya güncellemek için yalnızca ağırlık dosyasını değiştirmen yeterlidir.
Python Örneği#
from ultralytics import YOLO
# YOLOv5'i kullanmak için v5 ağırlık dosyasını yükle
# model = YOLO("yolov5su.pt")
# Önerilen YOLO26 modeline geç
model = YOLO("yolo26n.pt")
# COCO8 veri kümesinde eğitim yap; optimizer="auto", uzun çalıştırmalarda (>10k yineleme) MuSGD'yi seçer
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=32, # YOLO26'nın düşük bellek kullanımı daha büyük toplu iş boyutlarına olanak tanır
)
# NMS'siz çıkarım çalıştır
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()CLI Örneği#
En yüksek GPU aktarım hızına ulaşmak için YOLO26'yı TensorRT entegrasyonunu kullanarak doğrudan komut satırından 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.mp4İdeal Kullanım Alanları#
YOLO26'yı Ne Zaman Seçmeli?#
Yeni bilgisayarlı görü projeleri için önerilen seçenek YOLO26'dır.
- Uç Yapay Zekâ ve IoT: CPU'da %43'e varan daha hızlı çıkarımı (YOLO26n, YOLO11n'e kıyasla) ve DFL'nin kaldırılması, modeli bir Raspberry Pi veya mobil cihazlarda dağıtım için son derece uygun hâle getirir.
- Yüksek Hızlı İşlem Hatları: İsteğe bağlı NMS'siz başlık, otonom robotik ve gerçek zamanlı güvenlik alarm sistemleri için önemli olan daha öngörülebilir bir gecikme sağlar.
- Karmaşık Senaryolar: Uygulaman küçük nesneleri (ör. drone izleme) veya döndürülmüş nesneleri (OBB) algılamayı gerektiriyorsa YOLO26'nın eğitim iyileştirmeleri (ProgLoss + STAL ve OBB için özel açı kaybı), doğruluğu artırır.
YOLOv5'i Ne Zaman Seçmeli?#
- Eski Sistemler: Üretim ortamında YOLOv5'in belirli çapa oluşturma veya NMS ayrıştırma mantığına sabit kodlanmış bağımlılıklar varsa geçiş için kısa bir yeniden düzenleme süreci gerekebilir.
- Belirli Akademik Temel Modeller: Araştırmacılar, nesne algılama mimarilerinin tarihsel gelişimini göstermek için genellikle YOLOv5'i klasik bir temel model olarak kullanır.
Özet#
YOLOv5'ten YOLO26'ya geçiş, yinelemeli bir güncellemeden fazlasıdır: nesne algılama modellerinin eğitim ve dağıtım biçimini değiştirir. MuSGD optimizer, son işlemeyi ortadan kaldıran isteğe bağlı NMS'siz başlık ve daha hızlı CPU çıkarımıyla Ultralytics YOLO26, hız ve doğruluk arasında güçlü bir denge sunar.
YOLOv5, görü yapay zekâsını geniş bir geliştirici topluluğu için erişilebilir kılan model olmaya devam etse de yeni üretim uygulamaları geliştirenler YOLO26 ile başlamalıdır.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.