YOLOv5 ve YOLOv10
Gerçek zamanlı bilgisayarlı görü alanı son birkaç yılda hızla büyüdü; çeşitli mimariler modern donanımlarda mümkün olanların sınırlarını zorladı. En gelişmiş mimariler değerlendirilirken YOLOv5 ile YOLOv10 arasındaki karşılaştırma, nesne algılamada önemli bir evrimsel adımı ortaya koyuyor. Bu teknik karşılaştırma, mimari yaklaşımlarını, performans ödünleşimlerini ve geliştiricilerin bu araçlardan üretim ortamlarında nasıl yararlanabileceğini inceliyor.
Mimarinin Derinlemesine İncelenmesi#
Bu modeller arasındaki yapısal farkları anlamak, onları gerçek dünyada verimli biçimde dağıtmak için önemlidir.
Ultralytics YOLOv5: Sektör Standardı#
Ultralytics tarafından sunulan YOLOv5, hız, doğruluk ve erişilebilirlik arasındaki güçlü dengeyle uzun süredir tanınıyor.
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: YOLOv5 Deposu
- Belgeler: YOLOv5 Belgeleri
YOLOv5, çapa tabanlı bir algılama mekanizmasını yüksek düzeyde optimize edilmiş bir CSPDarknet omurgasıyla birleştirir. Bu mimari, neredeyse tüm çıkarım motorlarının desteklediği standart işlemlere büyük ölçüde dayanır ve bu sayede yüksek taşınabilirlik sunar. Başlıca gücü, kolaylaştırılmış kullanıcı deneyimi, basit bir API ve kapsamlı belgeler sunan Ultralytics Python SDK'dır. Ayrıca Transformer tabanlı modellere kıyasla daha az bellek gerektirmesi, YOLOv5'in tüketici sınıfı GPU'larda yüksek VRAM yükü oluşturmadan hızlıca eğitilmesini sağlar.
YOLOv10: NMS İçermeyen Gerçek Zamanlı Tespit#
Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, önceki mimarilerde görülen 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 NMS'siz (Maksimum Olmayan Bastırma) tasarımıdır. Eğitim sırasında tutarlı çift atamalar kullanan bire bir başlığı, çıkarım sırasında NMS son işlemesine duyulan ihtiyacı ortadan kaldırır; böylece son işleme gecikmesini azaltır ve NVIDIA TensorRT motorları gibi dağıtım işlem hatlarını basitleştirir. Ultralytics paketinde YOLOv10 varsayılan olarak NMS kullanan bire çok başlığı kullanır; NMS'siz başlığı kullanmak için nms=False değerini ayarla.
YOLOv10 ilgi çekici mimari yenilikler sunsa da YOLOv5 ve daha yeni YOLO26 gibi Ultralytics modelleri Ultralytics Platform içinde yerel olarak desteklenir; kutudan çıktığı gibi verimli eğitim ve kapsamlı dışa aktarma seçenekleri sunar.
Performans Analizi#
Bu modeller karşılaştırılırken doğruluk (mAP) ile hesaplama maliyeti (gecikme ve parametre sayısı) arasındaki denge, en uygun kullanım alanını belirler. Aşağıda COCO veri kümesindeki teknik performans karşılaştırması yer alıyor.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
YOLOv10, modernleştirilmiş verimlilik-doğruluk odaklı model tasarımından yararlanarak eşdeğer boyut ölçeklerinde açıkça daha yüksek mAPval50-95 değerlerine ulaşır. Ancak YOLOv5, Nano ve Small katmanlarında daha düşük GPU gecikmesini korur; bu da onu NVIDIA Jetson serisi gibi kaynakları kısıtlı gömülü ortamlar veya OpenVINO üzerinden kullanılan standart CPU'lar için pratik bir seçenek hâline getirir.
Eğitim Yöntemleri ve Ekosistem#
Bir modelin değeri, çevresindeki ekosistemle yakından bağlantılıdır. Ultralytics, çok çeşitli görevleri destekleyen ve etkin biçimde geliştirilen bir ekosistemi sürdürür. YOLOv10 yalnızca 2B nesne algılamaya odaklanırken Ultralytics yerel olarak örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler.
Ayrıca, bir Ultralytics modelini eğitmek, rakip transformatör tabanlı yöntemlere kıyasla çok daha az ek bellek gerektirir; bu da geliştirme döngüsünü hızlı ve uygun maliyetli tutar.
Kod Örneği#
Modelleri eğitme, doğrulama ve dışa aktarma işlemleri tek bir API altında birleştirilir. Yalnızca bir dizeyi değiştirerek modeller arasında geçiş yapabilirsin.
from ultralytics import YOLO
# Temel performans testi için önceden eğitilmiş bir YOLOv5 modeli yükle
model_v5 = YOLO("yolov5su.pt") # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları
# Karşılaştırma için bir YOLOv10 modeli yükle
model_v10 = YOLO("yolov10s.pt")
# Modeli COCO8 veri kümesinde verimli biçimde eğit
results = model_v5.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # PyTorch CUDA hızlandırmasını otomatik olarak kullanır
batch=16,
)
# CPU çıkarımı dağıtımı için ONNX'e aktar
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'i Ne Zaman Seçmeli?#
YOLOv5 şu durumlar için güçlü bir seçenektir:
- Üretimde Başarısını Kanıtlamış Sistemler: YOLOv5'in uzun istikrar geçmişine, kapsamlı belgelerine ve geniş topluluğuna değer verilen mevcut dağıtımlar.
- Kaynakları Kısıtlı Eğitim: YOLOv5'in verimli eğitim işlem hattının ve daha düşük bellek gereksinimlerinin avantaj sağladığı, GPU kaynaklarının sınırlı olduğu ortamlar.
- Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve LiteRT dâhil birçok biçimde dağıtım gerektiren projeler.
YOLOv10'u Ne Zaman Seçmeli?#
YOLOv10 şu durumlarda önerilir:
- NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Hız ve Doğruluk Arasında Dengeli Ödünleşimler: 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'i (YOLO26) Ne Zaman Seçmeli#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:
- NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.
Gelecek: Ultralytics YOLO26#
YOLOv5 nesne algılamayı geniş kitleler için erişilebilir kılarken YOLOv10, NMS'siz mimariyi geliştirdi; ancak en yeni yaklaşımlar gelişmeye devam ediyor. Yeni projeler için Ultralytics, Ocak 2026'da yayımlanan Ultralytics YOLO26'yı öneriyor.
YOLO26, Ultralytics ekosisteminin güvenilirliğini çeşitli yeniliklerle bir araya getirir:
- Uçtan Uca, NMS İçermeyen Tasarım: NMS içermeyen paradigmayı isteğe bağlı bire bir başlık (
nms=False) olarak doğrudan Ultralytics çatısına entegre eden YOLO26, dağıtımı kolaylaştırır ve gecikmeyi azaltır. - CPU Çıkarımında %43'e Varan Hız Artışı: Distribution Focal Loss (DFL) kaldırıldığında YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da GPU'su olmayan uç cihazlarda avantaj sağlar.
- MuSGD Optimize Edici: Moonshot AI'nin LLM eğitimindeki yeniliklerinden ilham alan MuSGD optimize edici, daha kararlı eğitim ve daha hızlı yakınsama sağlar.
- ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket ataması, drone görüntüleri ve robotik gibi alanlar için hayati önem taşıyan küçük nesne tanımayı iyileştirir.
YOLO26'yı doğrudan Ultralytics Platform üzerinden yönetebilir, eğitebilir ve dağıtabilirsin.
Sonuç#
YOLOv5 ile YOLOv10 arasında seçim yapmak çoğu zaman projeye özgü kısıtlamalara bağlıdır. YOLOv10, araştırmacılar ve ham GPU işlem gücünden yararlanan uygulamalar için mükemmel mAP sunar. Buna karşılık YOLOv5, standart dağıtımlar için güvenilir ve son derece uyumlu bir iş gücü olmaya devam eder.
Ancak bilgisayarlı görü alanı dinamiktir. Performans, çok yönlülük ve kullanım kolaylığı arasında en iyi dengeyi yakalamak için geliştiriciler Ultralytics YOLO26 modelini değerlendirmelidir. Bu model, isteğe bağlı NMS'siz çıkarımı iyi belgelenmiş Ultralytics ekosistemiyle bir araya getirir. Geliştiriciler, özel kullanım senaryoları için genel sağlamlığıyla YOLO11 modelini veya Transformer tabanlı hassasiyetiyle RT-DETR modelini de inceleyebilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.