YOLOv5 ve YOLOv6-3.0: Kapsamlı Bir Teknik Karşılaştırma

Hızla gelişen bilgisayar görme alanında, YOLO You Only Look Once) serisi kadar büyük etki yaratan model ailesi çok azdır. Bu karşılaştırma, iki önemli yinelemeye derinlemesine odaklanmaktadır: Ultralytics YOLOv5, kullanılabilirliği ile nesne algılamayı demokratikleştiren efsanevi model ve Meituan'ın endüstriyel uygulamalara odaklanan güçlü bir yinelemesi olan YOLOv6.YOLOv6. Projeniz için doğru aracı seçmenize yardımcı olmak amacıyla, bunların mimari farklılıklarını, performans ölçütlerini ve ideal kullanım örneklerini inceleyeceğiz.

Yönetici Özeti

Her iki model de gerçek zamanlı nesne algılamada önemli kilometre taşlarını temsil etmektedir. YOLOv5 , benzersiz kullanım kolaylığı, sağlamlığı ve makine öğreniminin tüm yaşam döngüsünü destekleyen geniş ekosistemiyle tanınır. YOLOv6.YOLOv6, belirli GPU için verimi optimize etmeye odaklanarak, özel donanımlarda milisaniyelik gecikmenin temel kısıtlama olduğu endüstriyel uygulamalar için güçlü bir rakip haline gelmiştir.

Ancak, 2026 yılında yeni projelere başlayan geliştiriciler için durum daha da değişmiştir. Ultralytics piyasaya sürülmesi, yerel uçtan uca NMS tasarım ve %43'e kadar daha hızlı CPU beraberinde getirerek, önceki iki versiyona göre cazip bir yükseltme sunmaktadır.

Ultralytics YOLOv5

Glenn Jocher ve Ultralyticstarafından piyasaya sürülen YOLOv5 , geliştiricilerin yapay zeka ile etkileşim kurma şeklini YOLOv5 değiştirdi. Bu sadece bir model değil, erişilebilirlik için tasarlanmış eksiksiz bir çerçeveydi.

Yazarlar: Glenn Jocher
Kuruluş:Ultralytics
Tarih: 2020-06-26
GitHub:ultralytics/yolov5

YOLOv5 , kullanılabilirlik ve çok yönlülüğeYOLOv5 . Algılama dışında, örnek segmentasyonu ve görüntü sınıflandırması dahil olmak üzere çok çeşitli görevleri destekler. Mimarisi, düşük bellek gereksinimlerini korurken hız ve doğruluk arasında denge sağlar, bu da onu Raspberry Pi veya NVIDIA gibi cihazlarda kenar dağıtımı için inanılmaz derecede uygun hale getirir.

YOLOv5 hakkında daha fazla bilgi edinin.

Meituan YOLOv6-3.0'a Genel Bakış

Meituan tarafından geliştirilen YOLOv6, endüstriyel uygulamalara yönelik tek aşamalı bir nesne algılayıcı olarak konumlanmaktadır. "A Full-Scale Reloading" (Tam Ölçekli Yeniden Yükleme) başlıklı 3.0 sürümü, standart benchmarklarda performansı artırmak için önemli mimari değişiklikler getirmiştir.

Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, ve diğerleri.
Kuruluş: Meituan
Tarih: 2023-01-13
Arxiv:YOLOv6 v3.0: Tam Ölçekli Bir Yeniden Yükleme
GitHub:meituan/YOLOv6

YOLOv6.YOLOv6, GPU verimli backbone ancak yapısal yeniden parametreleştirme gerekliliği nedeniyle eğitimi daha karmaşık olabilen RepVGG tarzı bir backbone kullanır.

YOLOv6 hakkında daha fazla bilgi edinin.

Performans Metrikleri Karşılaştırması

Aşağıdaki tablo, COCO veri setindeki temel performans ölçütlerini göstermektedir. YOLOv6. YOLOv6 belirli GPU güçlü ham sayılar gösterirken, YOLOv5 birçok yapılandırmada mükemmel CPU ve daha düşük parametre sayıları YOLOv5 .

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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

YOLOv6-3.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6-3.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6-3.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6-3.0l	640	52.8	-	8.95	59.6	150.7

Performans Bağlamı

Karşılaştırma ölçütleri çok önemlidir, ancak gerçek dünya performansı büyük ölçüde dağıtım ortamına bağlıdır. Ultralytics , yalnızca en yüksek GPU değil, çeşitli donanımlarda genel geçerlilik ve güvenilirlikleri nedeniyle sıklıkla tercih edilir.

Mimari Derinlemesine İnceleme

YOLOv5 Mimarisi

YOLOv5 , özellik çıkarmada oldukça verimli olan CSPDarknet backboneYOLOv5 . Tasarımı şunları içerir:

Odak Katmanı (daha sonra Conv'a entegre edildi): Kanal derinliğini artırırken uzamsal boyutu azaltır ve hızı optimize eder.
CSP (Cross Stage Partial) Darboğazı: Gradyan bilgisi fazlalığını en aza indirerek, parametreleri ve FLOP'ları azaltırken doğruluğu artırır.
PANet Neck: Daha iyi konum belirleme için özellik yayılımını geliştirir.
Anchor-Based Head: Nesne konumlarını tahmin etmek için önceden tanımlanmış anchor kutuları kullanır.

YOLOv6.0 Mimarisi

YOLOv6.0, GPU için özel olarak tasarlanmış farklı bir felsefeyi benimser:

RepVGG Backbone: Yapısal yeniden parametreleştirme kullanır, çok dallı eğitimin (daha iyi yakınsama için) tek yollu bir çıkarım modeline (hız için) indirgenmesini sağlar.
EfficientRep Bi-Fusion Boyun: Gecikmeyi azaltmak için basitleştirilmiş boyun tasarımı.
Anchor-Free Head: Anchor kutularını ortadan kaldırır, sınır kutusu koordinatlarını doğrudan tahmin eder, bu da tasarımı basitleştirir ancak kayıp fonksiyonunun dikkatli bir şekilde ayarlanmasını gerektirebilir.

Ultralytics'in Avantajı

Ham metrikler önemli olmakla birlikte, bir modelin değeri genellikle üretim iş akışına ne kadar kolay entegre edilebileceğiyle belirlenir. Ultralytics işte bu noktada öne çıkıyor.

1. Kullanım Kolaylığı ve Ekosistem

Ultralytics , kesintisiz bir "sıfırdan kahramana" deneyimi Ultralytics . ultralytics Python ile, sadece birkaç satır kodla modelleri eğitebilir, doğrulayabilir ve dağıtabilirsiniz. Ultralytics Platform kolay veri kümesi yönetimi sağlar, otomatik açıklamave bulut eğitimi.

from ultralytics import YOLO

# Load a model (YOLOv5 or the recommended YOLO26)
model = YOLO("yolo26n.pt")

# Train on a custom dataset
results = model.train(data="coco8.yaml", epochs=100)

# Export to ONNX for deployment
path = model.export(format="onnx")

Buna karşılık, araştırma odaklı modellerin kullanılması genellikle karmaşık yapılandırma dosyalarını ve manuel bağımlılık yönetimini gerektirir.

2. Görevler Arasında Çok Yönlülük

YOLOv5 onun halefleri ( YOLO11 ve YOLO26 gibi) nesne algılama ile sınırlı değildir. Doğal olarak şunları desteklerler:

Örnek Segmentasyonu: Piksel düzeyinde anlayış için.
Poz Tahmini: İnsan vücudundaki kilit noktaları izlemek için.
Sınıflandırma: Tüm görüntünün kategorize edilmesi için.
OBB: Hava görüntülerinde kritik öneme sahip Yönlendirilmiş Sınır Kutusu algılama için.

YOLOv6 , öncelikle bir nesne algılama YOLOv6 ve diğer görevler için sınırlı destek sunar.

3. Eğitim Verimliliği ve Hafıza

Ultralytics , Eğitim Verimliliği için optimize edilmiştir. Bu modeller, transformatör ağırlıklı mimarilere veya karmaşık yeniden parametrelendirilmiş modellere kıyasla, eğitim sırasında genellikle daha az CUDA gerektirir. Bu sayede geliştiriciler, tüketici sınıfı GPU'larda daha büyük parti boyutları kullanabilir ve yüksek performanslı AI eğitimine erişimi demokratikleştirebilir.

Kullanım Durumu Önerileri

YOLOv5 için ideal

Kenar Bilişim: Raspberry Pi, cep telefonları (Android) veya diğer düşük güç tüketen cihazları kullanan projeler, YOLOv5 düşük bellek ayak izi ve TFLite'a verimli aktarımından yararlanır. TFLite ve CoreML'e
Hızlı Prototipleme: Basit API ve kapsamlı dokümantasyon, bir konsepti doğrulamanın en hızlı yoludur.
Çoklu Görev Uygulamaları: Boru hattınızda algılama, segmentasyon ve sınıflandırma gerekiyorsa, tek bir Ultralytics içinde kalmak bakımı basitleştirir.

YOLOv6.0 için ideal

Özel GPU : FPS'yi en üst düzeye çıkarmak tek ölçüt olan T4 veya V100 GPU'larda çalışan endüstriyel denetim hatları.
Yüksek Verimli Video Analizi: Belirli TensorRT kullanıldığı, çok sayıda eşzamanlı video akışını işleyen senaryolar.

Gelecek: Neden YOLO26'ya geçmelisiniz?

En iyi performansı arayan geliştiriciler için Ultralytics , YOLO26'yı Ultralytics . 2026 yılının Ocak ayında piyasaya sürülen bu ürün, önceki nesillerin sınırlamalarını ortadan kaldırmaktadır.

Uçtan Uca NMS: Non-Maximum Suppression (NMS) özelliğini ortadan kaldırarak, YOLO26 dağıtım mantığını basitleştirir ve gecikme varyansını azaltır. Bu özellik, YOLOv10.
MuSGD Optimizer: LLM eğitimi (Moonshot AI'nın Kimi K2 gibi) esinlenerek geliştirilen bu optimizer, istikrarlı yakınsama ve sağlam eğitim dinamikleri sağlar.
Geliştirilmiş Verimlilik: Dağıtım Odak Kaybı (DFL) ortadan kaldırıldığından, YOLO26 CPU %43'e kadar daha hızlıdır, bu da onu modern kenar AI için en iyi seçim haline getirir.

YOLO26 hakkında daha fazla bilgi edinin

Sonuç

Hem YOLOv5 YOLOv6. YOLOv6, bilgisayar görme alanında şöhretler listesine girmeyi başardı. YOLOv6.0, özel endüstriyel görevler için GPU sınırlarını zorluyor. Ancak, YOLOv5 kullanılabilirlik, çok yönlülük ve topluluk desteği açısından bir referans noktası olmaya devam etmektedir.

Modern geliştiriciler için tercihler giderek yeni nesil ürünlere kaymaktadır. Ultralytics , YOLOv5 kullanıcı dostu ekosistemini, önceki sürümlerden daha üstün performans gösteren mimari YOLOv5 birleştirerek, günümüzün bilgisayar görme teknolojisi için en dengeli, en güçlü ve geleceğe dönük çözümü sunmaktadır.