YOLOv5 ve YOLOv10#

Gerçek zamanlı bilgisayarlı görü alanı, son birkaç yılda üstel bir büyüme gösterdi ve çeşitli mimariler, modern donanımlarda mümkün olanların sınırlarını zorladı. Son teknoloji mimariler değerlendirilirken YOLOv5 ile YOLOv10 arasındaki karşılaştırma, nesne algılama alanında önemli bir evrimsel adımı ortaya koyuyor. Bu teknik derinlemesine inceleme, mimari paradigmalarını, performans ödünleşimlerini ve geliştiricilerin bu araçlardan üretim ortamlarında nasıl yararlanabileceğini ele alıyor.

Mimariye Derinlemesine Bakış#

Bu modeller arasındaki yapısal farklılıkları anlamak, onları gerçek dünyada verimli bir şekilde devreye almak için kritik öneme sahiptir.

Ultralytics YOLOv5: Sektör Standardı#

Ultralytics tarafından tanıtılan YOLOv5, hız, doğruluk ve erişilebilirlik arasındaki eşsiz dengesiyle uzun süredir tanınıyor.

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: YOLOv5 Deposu
• Belgelendirme: YOLOv5 Belgeleri

YOLOv5, derinlemesine optimize edilmiş bir CSPDarknet omurgasıyla birleştirilmiş çapa tabanlı bir algılama mekanizmasına dayanır. Bu mimari, neredeyse tüm çıkarım motorlarında desteklenen standart işlemlerden büyük ölçüde yararlanır ve bu da onu son derece çok yönlü kılar. En büyük gücü, yalın bir kullanıcı deneyimi, basit bir API ve kapsamlı dokümantasyon sunan Ultralytics Python SDK'dır. Ayrıca YOLOv5'in Transformer tabanlı modellere kıyasla daha düşük bellek gereksinimleri, yüksek VRAM yükü olmadan tüketici sınıfı GPU'larda hızlı eğitim yapılmasını sağlar.

YOLOv10: Paradigmayı İleri Taşımak#

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, önceki mimarilerde bulunan belirli gecikme darboğazlarını gidermeyi amaçladı.

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
• Kuruluş: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• ArXiv: 2405.14458
• GitHub: YOLOv10 Deposu
• Belgeler: YOLOv10 Belgeleri

YOLOv10 hakkında daha fazla bilgi edin

YOLOv10'un belirleyici özelliği, yerel olarak NMS içermeyen (Maksimum Olmayan Bastırma) tasarımıdır. Eğitim sırasında tutarlı çiftli atamalar kullanarak model, çıkarım sırasında NMS son işleme ihtiyacını ortadan kaldırır. Bu teorik gecikme azalması, güçlü NVIDIA TensorRT hızlandırması kullanan üst düzey donanımlardaki dağıtımlar için oldukça faydalıdır; ancak uç cihazlar için yapısal karmaşıklıklar oluşturabilir.

Performans Analizi#

Bu modeller karşılaştırılırken doğruluk (mAP) ile hesaplama maliyeti (gecikme ve parametreler) arasındaki denge, en uygun kullanım alanını belirler. Aşağıda COCO veri kümesi üzerindeki teknik performans karşılaştırması yer alıyor.

YOLOv10, modernleştirilmiş verimlilik-doğruluk odaklı model tasarımından yararlanarak eşdeğer boyut ölçeklerinde açıkça daha yüksek bir mAP50-95 elde eder. Ancak YOLOv5, özellikle Nano ve Small katmanlarında son derece rekabetçi gecikmeyi korur; bu da onu NVIDIA Jetson serisi gibi kısıtlı gömülü ortamlar veya OpenVINO aracılığıyla kullanılan standart CPU'lar için son derece güvenilir kılar.

Eğitim Yöntemleri ve Ekosistem#

Bir modelin değeri, onu çevreleyen ekosistemle yakından ilişkilidir. Ultralytics, son derece geniş bir görev yelpazesini destekleyen, olağanüstü iyi bakımlı bir ekosistem sürdürüyor. YOLOv10 yalnızca 2B nesne algılamaya odaklanırken Ultralytics yerel olarak örnek bölütlemeyi, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler.

Ayrıca bir Ultralytics modelini eğitmek, rakip Transformer tabanlı yöntemlere kıyasla önemli ölçüde daha düşük bellek yükü gerektirir; bu da geliştirme döngüsünü hızlı ve uygun maliyetli tutar.

Sorunsuz Kod Yürütme#

Modelleri eğitme, doğrulama ve dışa aktarma işlemleri tek bir API altında birleştirilmiştir. Yalnızca bir dizeyi değiştirerek modeller arasında geçiş yapabilirsin.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model for baseline testing
model_v5 = YOLO("yolov5s.pt")

# Load a YOLOv10 model for comparison
model_v10 = YOLO("yolov10s.pt")

# Train the model on the COCO8 dataset efficiently
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Automatically utilizes PyTorch CUDA acceleration
    batch=16,
)

# Export to ONNX for CPU inference deployment
model_v5.export(format="onnx", simplify=True)

Kullanım Alanları ve Öneriler#

YOLOv5 ile YOLOv10 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv5 Ne Zaman Seçilmeli?#

YOLOv5 şu durumlar için güçlü bir seçimdir:

• Üretimde Kanıtlanmış Sistemler: YOLOv5'in uzun yıllara dayanan kararlılığına, kapsamlı belgelerine ve geniş topluluk desteğine değer verilen mevcut dağıtımlar.
• Kaynakları Kısıtlı Eğitim: YOLOv5'in verimli eğitim işlem hattının ve daha düşük bellek gereksinimlerinin avantaj sağladığı, GPU kaynakları sınırlı ortamlar.
• Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok biçimde dağıtım gerektiren projeler.

YOLOv10 Ne Zaman Seçilmeli?#

YOLOv10 şu durumlar için önerilir:

• NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Dengesi: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Gelecek: Ultralytics YOLO26#

YOLOv5 erişilebilirlikte devrim yaratırken YOLOv10 NMS içermeyen mimarinin sınırlarını zorladı; ancak son teknoloji gelişmeye devam ediyor. Yeni projeler için Ocak 2026'da yayımlanan son teknoloji Ultralytics YOLO26'yı önemle öneriyoruz.

YOLO26, Ultralytics ekosisteminin güvenilirliğini çığır açan yeniliklerle birleştiriyor:

• Uçtan Uca NMS İçermeyen Tasarım: NMS içermeyen paradigmayı doğrudan Ultralytics çatısına dahil eden YOLO26, dağıtımı basitleştirir ve daha düşük gecikmeyi garanti eder.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss'un (DFL) kaldırılmasıyla YOLO26, GPU içermeyen uç cihazlarda dikkat çekici ölçüde daha hızlıdır.
• MuSGD Optimize Edicisi: Moonshot AI'nin LLM eğitimi alanındaki yeniliklerinden ilham alan MuSGD optimize edicisi, eşi benzeri görülmemiş kararlılık ve hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu yeni kayıp işlevleri, drone görüntüleme ve robotik gibi alanlar için hayati önem taşıyan küçük nesne tanıma performansını büyük ölçüde iyileştirir.

YOLO26'yı doğrudan Ultralytics Platformu üzerinden yönetebilir, eğitebilir ve devreye alabilirsin.

Sonuç#

YOLOv5 ile YOLOv10 arasında seçim yapmak çoğu zaman belirli proje kısıtlarına bağlıdır. YOLOv10, araştırmacılar ve ham GPU iş hacminden yararlanan uygulamalar için mükemmel mAP sunar. Buna karşılık YOLOv5, standart dağıtımlar için kararlı ve son derece uyumlu bir iş gücü olmaya devam eder.

Ancak bilgisayarlı görü alanı dinamiktir. En iyi performans dengesi, çok yönlülük ve kullanım kolaylığından yararlanmak için geliştiriciler Ultralytics YOLO26'ya yönelmelidir. YOLO26, NMS içermeyen çıkarımın hızını sağlam ve iyi belgelenmiş Ultralytics ekosistemiyle birleştirerek görü yapay zekâ çözümlerinin geleceğe hazır olmasını sağlar. Özel kullanım alanları için geliştiriciler genel sağlamlık amacıyla YOLO11'i veya Transformer tabanlı hassasiyet amacıyla RT-DETR'i de değerlendirebilir.