YOLOv5 ve YOLOv10#

Gerçek zamanlı bilgisayarlı görü alanı son birkaç yılda katlanarak büyüdü; çeşitli mimariler modern donanımlarda mümkün olanın sınırlarını zorluyor. Son teknoloji mimarileri değerlendirirken YOLOv5 ve YOLOv10 karşılaştırması, nesne algılama alanındaki önemli bir evrimsel adımı ortaya koyuyor. Bu kapsamlı teknik incelemede mimari yaklaşımlar, performans ödünleşimleri ve geliştiricilerin bu araçlardan üretim ortamlarında nasıl yararlanabileceği ele alınıyor.

Mimarinin Derinlemesine İncelenmesi#

Bu modeller arasındaki yapısal farklılıkları anlamak, onları gerçek dünyada verimli biçimde dağıtmak açısından kritik önem taşır.

Ultralytics YOLOv5: Sektör Standardı#

Ultralytics tarafından kullanıma sunulan YOLOv5, hız, doğruluk ve erişilebilirlik arasındaki benzersiz dengeyle uzun süredir tanınıyor.

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

YOLOv5, bağlantı noktası tabanlı bir algılama mekanizmasını derinlemesine optimize edilmiş bir CSPDarknet omurgasıyla birleştirir. Bu mimari, neredeyse tüm çıkarım motorlarının desteklediği standart işlemlere büyük ölçüde dayanır ve bu sayede son derece çok yönlüdür. En büyük gücü, kolaylaştırılmış bir kullanıcı deneyimi, basit bir API ve kapsamlı belgeler sunan Ultralytics Python SDK içinde yatar. Ayrıca, YOLOv5'in transformatör tabanlı modellere kıyasla daha düşük bellek gereksinimleri, yüksek VRAM kullanımı yükü olmadan tüketici sınıfı GPU'larda hızla eğitilmesini sağlar.

YOLOv10: Paradigmayı İleriye Taşıyor#

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, yerleşik olarak NMS içermeyen (Maksimum Olmayan Bastırma) tasarımıdır. Model, eğitim sırasında tutarlı çift atamalar kullanarak çıkarım aşamasında NMS son işlemesine olan ihtiyacı ortadan kaldırır. Bu teorik gecikme azalması, güçlü NVIDIA TensorRT hızlandırmasına sahip üst düzey donanımlarda çalışan dağıtımlar için son derece yararlıdır; ancak uç cihazlarda yapısal karmaşıklıklara yol açabilir.

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.

YOLOv10, modernleştirilmiş verimlilik-doğruluk odaklı model tasarımından yararlanarak eşdeğer boyut kademelerinde açıkça daha yüksek mAP50-95 değerine ulaşır. Ancak YOLOv5, özellikle Nano ve Small kademelerinde son derece rekabetçi gecikme sürelerini korur; bu da onu NVIDIA Jetson serisi gibi kaynakları kısıtlı gömülü ortamlar veya OpenVINO kullanan 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, bakımı olağanüstü iyi yapılan bir ekosisteme sahiptir. YOLOv10 yalnızca 2B nesne algılamaya odaklanırken Ultralytics yerel olarak örnek bölümlemeyi, görüntü sınıflandırmayı, 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.

Sorunsuz Kod Yürütme#

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 Kendini Kanıtlamış Sistemler: YOLOv5'in uzun süreli istikrar geçmişine, 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 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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Gelecek: Ultralytics YOLO26#

YOLOv5 erişilebilirliği yeniden tanımlarken YOLOv10, NMS içermeyen mimarinin sınırlarını zorluyor. Ancak en ileri teknoloji gelişmeye devam ediyor. Yeni projeler için Ocak 2026'da yayımlanan son teknoloji Ultralytics YOLO26 modelini özellikle öneriyoruz.

YOLO26, Ultralytics ekosisteminin güvenilirliğini çığır açan yeniliklerle bir araya getiriyor:

• 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.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Distribution Focal Loss'un (DFL) kaldırılmasıyla YOLO26, GPU'su olmayan uç cihazlarda dikkat çekici ölçüde hızlanır.
• MuSGD Optimizasyon Algoritması: Moonshot AI'ın LLM eğitimi yeniliklerinden ilham alan MuSGD optimizasyon algoritması, benzeri görülmemiş bir kararlılık ve hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu yeni kayıp fonksiyonları, İHA görüntüleri ve robotik gibi alanlarda hayati önem taşıyan küçük nesnelerin tanınmasını büyük ölçüde 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. En iyi performans dengesinden, çok yönlülükten ve kullanım kolaylığından yararlanmak için geliştiriciler Ultralytics YOLO26 modelini tercih etmelidir. Bu model, NMS içermeyen çıkarım hızını sağlam ve belgeleri kapsamlı Ultralytics ekosistemiyle birleştirerek yapay görü çözümlerinin geleceğe hazır olmasını sağlar. Geliştiriciler, özel kullanım alanları için genel sağlamlık sunan YOLO11 modelini veya transformatör tabanlı hassasiyet sunan RT-DETR modelini de değerlendirebilir.