YOLOv5 ve YOLOv10: Kapsamlı Bir Teknik Karşılaştırma
Gerçek zamanlı bilgisayarlı görü alanı, son birkaç yılda üstel bir büyüme yaşadı ve çeşitli mimariler modern donanımlarda mümkün olanın sınırlarını zorladı. En güncel mimariler değerlendirilirken, YOLOv5 ve YOLOv10 arasındaki karşılaştırma, nesne tespiti alanındaki önemli bir evrimsel adımı vurgular. Bu teknik inceleme, bu modellerin mimari paradigmalarını, performans ödünleşimlerini ve geliştiricilerin bu araçlardan üretim ortamlarında nasıl yararlanabileceğini ele alıyor.
Mimari Derinlemesine İnceleme
Bu modeller arasındaki yapısal farkları anlamak, onları gerçek dünyada verimli bir şekilde dağıtmak için çok önemlidir.
Ultralytics YOLOv5: Sektör Standardı
Ultralytics tarafından tanıtılan YOLOv5, uzun zamandır hız, doğruluk ve erişilebilirlik konusundaki benzersiz dengesiyle tanınmaktadır.
- Yazar: Glenn Jocher
- Organizasyon: Ultralytics
- Tarih: 2020-06-26
- GitHub: YOLOv5 Deposu
- Dokümantasyon: YOLOv5 Belgeleri
YOLOv5 hakkında daha fazla bilgi edin
YOLOv5, derinlemesine optimize edilmiş bir CSPDarknet omurgası ile birleştirilmiş çapa tabanlı (anchor-based) bir tespit mekanizmasına dayanır. Bu mimari, neredeyse tüm çıkarım motorları tarafından desteklenen standart operasyonlara büyük ölçüde güvenir ve bu da onu son derece çok yönlü kılar. En büyük gücü, kolaylaştırılmış bir kullanıcı deneyimi, basit bir API ve kapsamlı dokümantasyon sağlayan Ultralytics Python SDK ürünüdür. Ayrıca, YOLOv5'in transformer tabanlı modellere kıyasla daha düşük bellek gereksinimleri, yüksek VRAM yükü olmadan tüketici sınıfı GPU'larda hızlı bir şekilde eğitilmesini sağlar.
YOLOv10: Paradigmayı İlerletmek
Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, önceki mimarilerde bulunan belirli gecikme darboğazlarını ele almayı amaçladı.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu, ve diğerleri.
- Kuruluş: Tsinghua University
- Tarih: 2024-05-23
- ArXiv: 2405.14458
- GitHub: YOLOv10 Deposu
- Dokümantasyon: YOLOv10 Belgeleri
YOLOv10 hakkında daha fazla bilgi edinin
YOLOv10'un belirleyici özelliği, yerel olarak NMS-free (Baskılayıcı Olmayan Maksimum Bastırma) tasarımıdır. Eğitim sırasında tutarlı ikili atamalar kullanarak model, çıkarım sırasında NMS son 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 getirebilir.
YOLOv10 ilginç mimari yenilikler sunsa da, YOLOv5 ve daha yeni olan YOLO26 gibi Ultralytics modelleri Ultralytics Platform içinde yerel olarak desteklenir ve üstün eğitim verimliliği, otomatik hiperparametre evrimi ve doğrudan kullanıma hazır kapsamlı dışa aktarma seçenekleri sunar.
Performans Analizi
Bu modelleri karşılaştırırken, doğruluk (mAP) ve hesaplama maliyeti (gecikme ve parametreler) arasındaki denge en iyi kullanım durumunu belirler. Aşağıda COCO veri kümesi üzerindeki teknik performans karşılaştırması yer almaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (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 tasarımından yararlanarak eşdeğer boyut ölçeklerinde açıkça daha yüksek bir mAP50-95 elde eder. Ancak YOLOv5, özellikle Nano ve Small katmanlarında inanılmaz derecede rekabetçi gecikme süresini korur, bu da onu NVIDIA Jetson serisi gibi kısıtlı gömülü ortamlar veya OpenVINO aracılığıyla standart CPU'lar için son derece güvenilir kılar.
Eğitim Metodolojileri ve Ekosistem
Bir modelin değeri, onu çevreleyen ekosistemle derin bir şekilde bağlantılıdır. Ultralytics, inanılmaz derecede geniş bir görev yelpazesini destekleyen son derece iyi korunmuş bir ekosistemi sürdürmektedir. YOLOv10 kesinlikle 2D nesne tespiti konusuna odaklanırken, Ultralytics örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekler.
Dahası, bir Ultralytics modeli eğitmek, rakip transformer tabanlı yöntemlerden önemli ölçüde daha düşük bellek yükü gerektirir ve geliştirme döngüsünü hızlı ve uygun maliyetli tutar.
Sorunsuz Kod Yürütme
Modelleri eğitme, doğrulama ve dışa aktarma işlemleri tek bir API altında birleştirilmiştir. Sadece 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 Durumları ve Öneriler
YOLOv5 ile YOLOv10 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Ne Zaman YOLOv5 Seçilmeli
YOLOv5 şunlar için güçlü bir seçimdir:
- Kanıtlanmış Üretim Sistemleri: YOLOv5'in uzun istikrar geçmişine, kapsamlı dokümantasyonuna ve devasa topluluk desteğine değer verilen mevcut dağıtımlar.
- Kaynak Kısıtlı Eğitim: YOLOv5'in verimli eğitim hattının ve daha düşük bellek gereksinimlerinin avantajlı olduğu, sınırlı GPU kaynağına sahip ortamlar.
- Kapsamlı Dışa Aktarma Formatı Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok formatta dağıtım gerektiren projeler.
Ne Zaman YOLOv10 Seçilmeli
YOLOv10 aşağıdakiler için önerilir:
- NMS-Free Gerçek Zamanlı Algılama: Non-Maximum Suppression olmadan uçtan uca algılamadan faydalanan, dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
- Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.
Ne Zaman Ultralytics (YOLO26) Seçilmeli
Çoğu yeni proje için Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası zorluğu olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: Özel GPU hızlandırması olmayan, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı 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.
Gelecek: Ultralytics YOLO26
YOLOv5 erişilebilirliği kökten değiştirirken ve YOLOv10 NMS-free mimarinin sınırlarını zorlarken, teknolojinin son noktası gelişmeye devam ediyor. Yeni projeler için Ocak 2026'da yayınlanan son teknoloji Ultralytics YOLO26'yı şiddetle tavsiye ediyoruz.
YOLO26, Ultralytics ekosisteminin güvenilirliğini çığır açan ilerlemelerle birleştirir:
- 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) kaldırılmasıyla YOLO26, GPU'su olmayan uç cihazlarda dikkat çekici derecede daha hızlıdır.
- MuSGD Optimize Edici: Moonshot AI'nın LLM eğitimi yeniliklerinden esinlenen MuSGD optimize edici, benzeri görülmemiş bir kararlılık ve hızlı yakınsama sağlar.
- ProgLoss + STAL: Bu yeni kayıp işlevleri, drone görüntüleri ve robotik gibi alanlar için hayati önem taşıyan küçük nesne tanımayı önemli ölçüde iyileştirir.
YOLO26'yı doğrudan Ultralytics Platform üzerinden yönetebilir, eğitebilir ve dağıtabilirsin.
Sonuç
YOLOv5 ile YOLOv10 arasında seçim yapmak genellikle belirli proje kısıtlamalarına dayanır. YOLOv10, ham GPU çıktısından yararlanan araştırmacılar ve uygulamalar için mükemmel mAP sunar. Buna karşılık YOLOv5, standart dağıtımlar için güvenilir, yüksek uyumluluğa sahip bir iş yükü olmaya devam etmektedir.
Ancak bilgisayarlı görü alanı dinamiktir. En iyi performans dengesini, çok yönlülüğü ve kullanım kolaylığını elde etmek için geliştiriciler Ultralytics YOLO26 modeline göz atmalıdır. Bu model, NMS-free çıkarım hızını, sağlam ve iyi belgelenmiş Ultralytics ekosistemiyle birleştirerek vizyon AI çözümlerinin geleceğe hazır olmasını sağlar. Özel kullanım durumları için geliştiriciler genel sağlamlık adına YOLO11 veya transformer tabanlı hassasiyet için RT-DETR seçeneklerini keşfedebilirler.