YOLOv5 ve YOLOv6-3.0#

Bilgisayarlı görü alanı sürekli gelişiyor; yeni mimariler hız ve doğruluğun sınırlarını zorluyor. Bir sonraki görsel yapay zekâ projen için model seçerken geliştiriciler, çoğu zaman köklü ve çok yönlü çerçevelerle son derece uzmanlaşmış endüstriyel algılayıcıları karşılaştırıyor. Bu ayrıntılı inceleme, dağıtım ihtiyaçlarına en uygun aracı seçmene yardımcı olmak için Ultralytics YOLOv5 ile Meituan'ın YOLOv6-3.0 modeli arasındaki teknik farkları ele alıyor.

Modellere Giriş#

Ultralytics YOLOv5: Çok Yönlü Standart#

2020'de yayımlanan Ultralytics YOLOv5, erişilebilir ve yüksek performanslı nesne algılamada kısa sürede altın standart hâline geldi. Kullanım kolaylığı, sağlam eğitim işlem hatları ve kapsamlı dağıtım entegrasyonlarıyla tanınır.

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

YOLOv5, PyTorch ekosisteminde sorunsuz bir geliştirici deneyimi sunmak üzere en baştan tasarlandı. Uç cihazlardan bulut sunucularına kadar çeşitli gerçek dünya dağıtım senaryolarına uygun yüksek çıkarım hızlarını korurken ortalama hassasiyet (mAP) açısından da mükemmel sonuçlar elde ederek avantajlı bir performans dengesi sunar.

YOLOv6-3.0: Endüstriyel İşlem Hacmi#

Meituan'ın Görsel Yapay Zekâ Departmanı tarafından geliştirilen YOLOv6-3.0, özel donanım hızlandırıcılarındaki ham işlem hacmine öncelik vererek endüstriyel uygulamalar için özel olarak tasarlandı.

• Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
• Kuruluş: Meituan
• Tarih: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

YOLOv6, NVIDIA T4 gibi GPU'larda işlem hızını en üst düzeye çıkarmayı hedefliyor. Performansını artırmak için özel kuantizasyon yöntemleri ve uzmanlaşmış omurga ağları kullanıyor; bu da onu toplu çıkarımın yoğun olarak kullanıldığı arka uç sunucu işlemleri için güçlü bir seçenek hâline getiriyor.

YOLOv6 hakkında daha fazla bilgi edin

Mimari Farklılıklar#

Bu modellerin arkasındaki mimari tercihleri anlamak, ideal kullanım alanlarını belirlemek açısından çok önemli.

YOLOv5 Mimarisi#

YOLOv5, son derece optimize edilmiş bir CSPDarknet omurgasını Yol Toplama Ağı (PANet) boyun yapısıyla birleştiriyor. Bu yapı, eğitim ve çıkarım sırasında bellek gereksinimlerini en aza indirecek şekilde ince ayarlandı. Büyük miktarda CUDA belleği ve uzun eğitim süreleri gerektiren büyük Transformer modellerinin aksine YOLOv5, standart tüketici donanımlarında verimli biçimde çalışır.

Üstelik YOLOv5 yalnızca bir nesne algılayıcı değildir. Mimarisi diğer görevlere sorunsuz biçimde uyarlanır ve görüntü segmentasyonu ile görüntü sınıflandırma için kullanıma hazır, sağlam destek sunar.

YOLOv6-3.0 Mimarisi#

YOLOv6-3.0, özellikle GPU yürütmesi için donanım dostu olacak şekilde tasarlanmış bir EfficientRep omurgasına sahiptir. Özellik birleştirmeyi iyileştirmek için boyun yapısında Çift Yönlü Birleştirme (BiC) modülü kullanır.

YOLOv6, eğitim sırasında yakınsamayı kararlı hâle getirmek için Çapa Destekli Eğitim (AAT) stratejisi kullanır; ancak çıkarımda çapasız bir algılayıcı olarak kalır. Bu mimari GPU hızlandırmalı görevlerde üstün olsa da son derece taşınabilir YOLOv5 çerçevesine kıyasla farklı uç cihazlara uyarlanması bazen daha karmaşık olabilir.

Performans Analizi#

Bu modeller değerlendirilirken ham hız ve doğruluk ölçütleri hayati önem taşır. Aşağıda COCO veri kümesi üzerinde farklı model boyutlarının performansını gösteren karşılaştırmalı bir tablo yer alıyor.

YOLOv6-3.0 büyük modellerinde daha yüksek mAP değerlerine ulaşırken YOLOv5 son derece küçük bir ayak izini koruyor. Örneğin YOLOv5n, YOLOv6'nın eşdeğer modeline göre çok daha az parametre ve FLOP gerektiriyor; bu da onu mobil veya CPU kısıtlı dağıtımlar için son derece uygun kılıyor.

Ekosistem ve Kullanım Kolaylığı#

Birçok mühendislik ekibi için belirleyici unsur, modelin çevresindeki ekosistemdir.

YOLOv6 etkileyici bir araştırma deposu olsa da farklı biçimlerde dağıtım yapmak için önemli miktarda hazır kalıp kod gerektirir. Buna karşılık Ultralytics, kolaylaştırılmış bir kullanıcı deneyimiyle öne çıkan, bakımı iyi yapılan bir ekosistem sunar. Birleşik Python API'si ve sezgisel Ultralytics Platformu sayesinde geliştiriciler, sorunsuz veri kümesi yönetimine, tek tıklamayla eğitime ve ONNX ile TensorRT gibi biçimlere doğrudan dışa aktarmaya erişir.

Kod Örneği: Birleşik Ultralytics API'si#

Ultralytics ultralytics pip paketi, modelleri yalnızca birkaç satır kodla yüklemene, eğitmene ve dağıtmana olanak tanır.

from ultralytics import YOLO

# Önceden eğitilmiş küçük bir YOLOv5 modelini yükle
model = YOLO("yolov5su.pt")  # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları

# Modeli COCO8 veri kümesinde zahmetsizce eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Bir görüntü üzerinde hızlı çıkarım yap
predictions = model("https://ultralytics.com/images/bus.jpg")

# Uç dağıtımı için ONNX biçimine aktar
model.export(format="onnx")

Kullanım Alanları ve Öneriler#

YOLOv5 ile YOLOv6 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlarına 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.

YOLOv6'yı Ne Zaman Seçmeli?#

YOLOv6 şu durumlarda önerilir:

• Endüstriyel Donanımı Dikkate Alan Dağıtım: Modelin donanımı dikkate alan tasarımının ve verimli yeniden parametreleştirmesinin belirli hedef donanımlarda performans optimizasyonu sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU'da ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Teknoloji yığını ve dağıtım altyapısı olarak hâlihazırda Meituan'ın sistemlerini kullanan ekipler.

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.

İleriye Bakış: YOLO26'nın Avantajı#

YOLOv5 güvenilir bir iş gücü olmaya, YOLOv6-3.0 ise güçlü endüstriyel GPU işlem hacmi sunmaya devam etse de en ileri teknoloji gelişti. Bugün yeni projelere başlayan geliştiriciler için önerilen yol Ultralytics YOLO26.

Ocak 2026'da yayımlanan YOLO26, büyük bir sıçramayı temsil ediyor. Ultralytics ekosisteminin benzersiz çok yönlülüğünü devralırken çığır açan mimari iyileştirmeler sunuyor:

• Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı NMS'siz başlığı (nms=False), Maksimum Olmayan Bastırma son işlemesini ortadan kaldırarak gecikme değişkenliğini önemli ölçüde azaltıyor ve dağıtım mantığını basitleştiriyor.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: DFL'nin kaldırılması ve optimize edilmiş bir başlık sayesinde uç ve düşük güç tüketimli cihazlarda önceki nesillerden çok daha iyi performans gösteriyor.
• MuSGD Optimizasyon Algoritması: LLM eğitimi yeniliklerinden yararlanan yeni MuSGD optimizasyon algoritması, son derece kararlı bir eğitim süreci ve dikkat çekici ölçüde hızlı yakınsama sağlıyor.
• Gelişmiş Çok Yönlülük: YOLO26; Yönlendirilmiş Sınırlayıcı Kutu (OBB), Poz Tahmini ve Segmentasyon görevlerini sorunsuz biçimde yürütür; ProgLoss ve STAL gibi özel görev kayıpları sayesinde küçük nesneleri benzersiz bir doğrulukla tanır.

Ultralytics ekosistemindeki diğer seçenekleri değerlendiriyorsan genel amaçlı YOLO11 veya açık söz varlıklı algılama görevleri için yenilikçi YOLO-World modellerini de düşünebilirsin.

Sonuç#

Hem YOLOv5 hem de YOLOv6-3.0, bilgisayarlı görü alanını önemli ölçüde etkiledi. YOLOv6-3.0, üst düzey sunucu donanımları için mükemmel işlem hacmi sunarak onu özel çevrimdışı analizlere uygun hâle getiriyor. Ancak dünya standartlarında bir platform tarafından desteklenen sağlam, kullanımı kolay ve çok yönlü bir modele ihtiyaç duyan geliştiriciler için YOLOv5 daha iyi bir seçenek olmaya devam ediyor.

Yeni nesil doğruluk, yerel NMS'siz dağıtım ve sektördeki en iyi geliştirici deneyiminin en iyi birleşimi için YOLO26 modeline Ultralytics Platformu üzerinden geçmek, modern görsel yapay zekâ çözümlerinde kesin tercihtir.