Link to this sectionYOLOv5 ve YOLOv10#
Gerçek zamanlı bilgisayarlı görü alanı, son birkaç yılda modern donanımlarda nelerin mümkün olduğunun sınırlarını zorlayan çeşitli mimarilerle üstel bir büyüme gösterdi. En güncel mimarileri değerlendirirken, YOLOv5 ve YOLOv10 arasındaki karşılaştırma, nesne tespiti alanında önemli bir evrimsel adımı vurgular. Bu teknik inceleme, mimari paradigmalarını, performans ödünleşimlerini ve geliştiricilerin bu araçları üretim ortamlarında nasıl kullanabileceklerini keşfediyor.
Link to this sectionMimari Derinlemesine İnceleme#
Bu modeller arasındaki yapısal farkları anlamak, onları gerçek dünyada verimli bir şekilde dağıtmak için çok önemlidir.
Link to this sectionUltralytics YOLOv5: Endüstri Standardı#
Ultralytics tarafından tanıtılan YOLOv5, uzun zamandır hız, doğruluk ve erişilebilirlik arasındaki benzersiz dengesiyle tanınmaktadır.
- Yazar: Glenn Jocher
- Organizasyon: Ultralytics
- Tarih: 2020-06-26
- GitHub: YOLOv5 Deposu
- Dokümantasyon: YOLOv5 Dokümanları
YOLOv5 hakkında daha fazla bilgi edin
YOLOv5, derinlemesine optimize edilmiş bir CSPDarknet omurgasıyla birleştirilmiş çapa tabanlı bir tespit mekanizmasına dayanır. Bu mimari, neredeyse tüm çıkarım motorlarında desteklenen standart işlemlere büyük ölçüde güvenir ve bu da onu inanılmaz derecede çok yönlü kılar. En büyük gücü, akıcı bir kullanıcı deneyimi, basit bir API ve kapsamlı dokümantasyon sağlayan Ultralytics Python SDK içinde yatar. Ek olarak, YOLOv5'in transformer tabanlı modellere kıyasla daha düşük bellek gereksinimleri, yüksek VRAM yükü olmadan tüketici sınıfı GPU'larda hızlı bir şekilde eğitilebileceği anlamına gelir.
Link to this sectionYOLOv10: Paradigmayı İlerletmek#
Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, önceki mimarilerde bulunan belirli gecikme darboğazlarını gidermeyi amaçladı.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
- Kurum: Tsinghua Üniversitesi
- Tarih: 23-05-2024
- ArXiv: 2405.14458
- GitHub: YOLOv10 Deposu
- Dokümantasyon: YOLOv10 Dokümanları
YOLOv10 hakkında daha fazla bilgi edin
YOLOv10'un belirleyici özelliği, NMS (Non-Maximum Suppression) gerektirmeyen doğal tasarımıdır. Eğitim sırasında tutarlı ikili atamalar kullanarak, model çıkarım sırasında NMS sonrası işleme ihtiyacını ortadan kaldırır. Bu teorik gecikme azalması, güçlü NVIDIA TensorRT hızlandırmasına sahip üst düzey donanımlarda çalışan kurulumlar için oldukça faydalıdır, ancak uç cihazlar için yapısal karmaşıklıklar ortaya çıkarabilir.
YOLOv10 ilginç mimari yenilikler sunarken, YOLOv5 ve daha yeni YOLO26 gibi Ultralytics modelleri, Ultralytics Platformu içinde doğal olarak desteklenir ve kullanıma hazır üstün eğitim verimliliği, otomatik hiperparametre evrimi ve kapsamlı dışa aktarma seçenekleri sunar.
Link to this sectionPerformans Analizi#
Bu modelleri karşılaştırırken, doğruluk (mAP) ve hesaplama maliyeti (gecikme ve parametreler) arasındaki denge, en iyi kullanım durumunu belirler. Aşağıda, COCO veri kümesi üzerinde teknik performans karşılaştırması bulunmaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
YOLOv10, modernize edilmiş verimlilik-doğruluk odaklı model tasarımı sayesinde, benzer boyut ölçeklerinde daha yüksek bir mAP50-95 değerine net bir şekilde ulaşır. Ancak YOLOv5, özellikle Nano ve Küçük seviyelerde inanılmaz derecede rekabetçi gecikme süresini korur ve bu da onu NVIDIA Jetson serisi gibi kısıtlı gömülü ortamlar veya OpenVINO aracılığıyla standart CPU'lar için son derece güvenilir kılar.
Link to this sectionEğitim Metodolojileri ve Ekosistem#
Bir modelin değeri, onu çevreleyen ekosistemle derinlemesine bağlantılıdır. Ultralytics, inanılmaz derecede geniş bir görev yelpazesini destekleyen, son derece iyi bakılan bir ekosistemi sürdürür. YOLOv10 sadece 2D nesne tespiti konusuna odaklanırken, Ultralytics örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) konularını doğal olarak destekler.
Ayrıca, bir Ultralytics modelini eğitmek, rakip transformer tabanlı yöntemlerden önemli ölçüde daha düşük bellek yükü gerektirir ve geliştirme döngüsünü hızlı ve uygun maliyetli tutar.
Link to this sectionSorunsuz Kod Yürütme#
Modelleri eğitme, doğrulama ve dışa aktarma işlemleri tek bir API altında birleştirilmiştir. Sadece bir dizgeyi 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)Link to this sectionKullanım Durumları ve Öneriler#
YOLOv5 ile YOLOv10 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Link to this sectionYOLOv5 Ne Zaman Seçilmeli#
YOLOv5 şunlar için güçlü bir tercihtir:
- Kanıtlanmış Üretim Sistemleri: YOLOv5'in uzun istikrar geçmişinin, kapsamlı belgelerinin ve devasa topluluk desteğinin değerli olduğu mevcut dağıtımlar.
- Kaynak Kısıtlı Eğitim: YOLOv5'in verimli eğitim hattının ve düşük bellek gereksinimlerinin avantajlı olduğu, sınırlı GPU kaynaklarına sahip ortamlar.
- Kapsamlı Dışa Aktarma Formatı Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok formatta dağıtım gerektiren projeler.
Link to this sectionNe Zaman YOLOv10 Seçilmeli#
YOLOv10 şunlar için önerilir:
- NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
- Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#
Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Link to this sectionGelecek: Ultralytics YOLO26#
YOLOv5 erişilebilirlikte devrim yaratırken ve YOLOv10 NMS-free mimarinin sınırlarını zorlarken, teknolojinin ulaştığı son nokta gelişmeye devam ediyor. Yeni projeler için, Ocak 2026'da piyasaya sürülen son teknoloji Ultralytics YOLO26'yı şiddetle öneririz.
YOLO26, Ultralytics ekosisteminin güvenilirliğini çığır açan ilerlemelerle birleştiriyor:
- Uçtan Uca NMS-Free Tasarım: NMS-free paradigmasını doğrudan Ultralytics çerçevesine dahil eden YOLO26, dağıtımı basitleştirir ve daha düşük gecikme süresini garanti eder.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL)'un kaldırılmasıyla YOLO26, GPU'su olmayan uç cihazlarda dikkat çekici derecede daha hızlıdır.
- MuSGD Optimize Edici: Moonshot AI'ın LLM eğitim yeniliklerinden esinlenen MuSGD optimize edici, eşsiz bir kararlılık ve hızlı yakınsama sağlar.
- ProgLoss + STAL: Bu yeni kayıp fonksiyonları, drone görüntüleri ve robotik gibi alanlar için hayati önem taşıyan küçük nesne tanımayı önemli ölçüde iyileştirir.
YOLO26'yı doğrudan Ultralytics Platformu üzerinden yönetebilir, eğitebilir ve dağıtabilirsin.
Link to this sectionSonuç#
YOLOv5 ile YOLOv10 arasında seçim yapmak genellikle belirli proje kısıtlamalarına dayanır. YOLOv10, ham GPU işleme gücünden yararlanan araştırmacılar ve uygulamalar için mükemmel bir mAP sunar. Buna karşılık, YOLOv5 standart dağıtımlar için değişmez, son derece uyumlu bir iş gücü olmaya devam etmektedir.
Ancak, bilgisayarlı görü alanı dinamiktir. En iyi performans dengesini, çok yönlülüğü ve kullanım kolaylığını elde etmek için geliştiriciler Ultralytics YOLO26 seçeneğine yönelmelidir. NMS-free çıkarımın hızını, güçlü ve iyi belgelenmiş Ultralytics ekosistemiyle birleştirerek vizyon AI çözümlerinin geleceğe hazır olmasını sağlar. Özel kullanım durumları için geliştiriciler, genel sağlamlık için YOLO11 veya transformer tabanlı hassasiyet için RT-DETR modellerini de keşfedebilirler.