YOLOv5 ve YOLOv10#
Gerçek zamanlı computer vision alanı, modern donanımlarda mümkün olanın sınırlarını zorlayan çeşitli mimarilerle birlikte son birkaç yılda üstel bir büyüme kaydetti. En son teknoloji mimarileri değerlendirirken, YOLOv5 ile YOLOv10 arasındaki karşılaştırma, nesne tespiti alanındaki önemli bir evrimsel adımı gözler önüne seriyor. Bu teknik derinlemesine inceleme, mimari paradigmalarını, performans ödünleşimlerini ve geliştiricilerin bu araçları prodüksiyon ortamlarında nasılten yararlanabileceğini ele alıyor.
Mimari Derinlemesine İnceleme#
Bu modeller arasındaki yapısal farkları anlamak, onları gerçek dünyada verimli bir şekilde dağıtmak için çok önemlidir.
Ultralytics 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 Repository
- Documentation: YOLOv5 Docs
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 yoğun bir şekilde güvenir ve bu da onu inanılmaz derecede çok yönlü kılar. Başlıca gücü, kolaylaştırılmış bir kullanıcı deneyimi, basit bir API ve kapsamlı belgeler sağlayan Ultralytics Python SDK içinde yatar. Ek olarak, YOLOv5'in transformer tabanlı modellere kıyasla daha düşük bellek gereksinimleri, yüksek VRAM yükü olmaksızın tüketici sınıfı GPU'larda hızlı bir şekilde eğitilebileceği anlamına gelir.
YOLOv10: 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.
- Kuruluş: Tsinghua University
- Tarih: 23-05-2024
- ArXiv: 2405.14458
- GitHub: YOLOv10 Repository
- Documentation: YOLOv10 Docs
YOLOv10 hakkında daha fazla bilgi edin
YOLOv10'un belirleyici özelliği, yerel olarak NMS'siz (Non-Maximum Suppression) tasarımıdır. Eğitim sırasında tutarlı ikili atamalar kullanarak model, çıkarım sırasında NMS son işlem ihtiyacını ortadan kaldırır. Bu teorik gecikme azalması, güçlü NVIDIA TensorRT hızlandırmasına sahip üst düzey donanımlarda çalışan dağıtımlar için oldukça faydalıdır, ancak uç cihazlar için yapısal karmaşıklıklar getirebilir.
YOLOv10 ilginç mimari yenilikler sunarken, YOLOv5 ve daha yeni YOLO26 gibi Ultralytics modelleri, Ultralytics Platform içinde yerel olarak desteklenir ve kullanıma hazır üstün eğitim verimliliği, otomatik hiperparametre evrimi ve kapsamlı dışa aktarma seçenekleri sunar.
Performans Analizi#
Bu modelleri karşılaştırırken, doğruluk (mAP) ile hesaplama maliyeti (gecikme ve parametreler) arasındaki denge en iyi kullanım durumunu belirler. Aşağıda COCO dataset üzerindeki teknik performans karşılaştırması yer almaktadır.
| 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 tasarımından yararlanarak eşdeğer boyut ölçeklerinde açıkça daha yüksek bir mAP50-95 elde eder. Ancak YOLOv5, özellikle Nano ve Small katmanlarında inanılmaz derecede rekabetçi bir gecikmeyi 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, etrafındaki ekosistemle derinlemesine bağlantılıdır. Ultralytics, inanılmaz derecede geniş bir görev yelpazesini destekleyen, olağanüstü düzeyde iyi bakılan bir ekosistem korur. YOLOv10 yalnızca 2D object detection üzerine odaklanırken, Ultralytics yerel olarak instance segmentation, image classification, pose estimation ve oriented bounding boxes (OBB) desteği sunar.
Ayrıca, bir Ultralytics modelini 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 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)Kullanım Durumları ve Öneriler#
YOLOv5 ile YOLOv10 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
YOLOv5 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.
Ne 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 Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Gelecek: 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 Platform üzerinden yönetebilir, eğitebilir ve dağıtabilirsin.
Sonuç#
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 computer vision alanı dinamiktir. Kesin olarak en iyi performans dengesini, çok yönlülüğü ve kullanım kolaylığını elde etmek için geliştiriciler Ultralytics YOLO26 tercih etmelidir. NMS'siz çıkarım hızını sağlam, iyi belgelendirilmiş Ultralytics ekosistemiyle birleştirerek yapay zeka çözümlerinin geleceğe hazır olmasını sağlar. Özel kullanım durumları için geliştiriciler genel dayanıklılık amacıyla YOLO11 veya transformer tabanlı hassasiyet amacıyla RT-DETR seçeneklerini de inceleyebilir.