Link to this sectionYOLOv5 ve YOLOv6-3.0#

Bilgisayarlı görü dünyası, hızı ve doğruluğu bir üst seviyeye taşıyan yeni mimarilerle sürekli evriliyor. Bir sonraki vizyon AI projen için model seçerken, geliştiriciler genellikle köklü ve çok yönlü çerçeveler ile oldukça özelleşmiş endüstriyel dedektörler arasında seçim yapmak durumunda kalıyor. Bu derinlemesine inceleme, Ultralytics YOLOv5 ve Meituan'ın YOLOv6-3.0 modeli arasındaki teknik nüansları keşfederek dağıtım ihtiyaçların için en iyi aracı seçmene yardımcı oluyor.

Link to this sectionModellere Giriş#

Link to this sectionUltralytics YOLOv5: Çok Yönlü Standart#

2020'de piyasaya sürülen Ultralytics YOLOv5, erişilebilir ve yüksek performanslı nesne tespiti için hızla altın standart haline geldi. İnanılmaz kullanım kolaylığı, sağlam eğitim hatları ve kapsamlı dağıtım entegrasyonları ile tanınır.

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

YOLOv5, PyTorch ekosistemi içinde sorunsuz bir geliştirici deneyimi sağlamak için sıfırdan tasarlandı. Uç cihazlardan bulut sunucularına kadar çeşitli gerçek dünya dağıtım senaryoları için uygun yüksek çıkarım hızlarını korurken, mükemmel bir ortalama kesinlik (mAP) elde ederek olumlu bir performans dengesi sunar.

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionYOLOv6-3.0: Endüstriyel İş Hacmi#

Meituan Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, özel olarak endüstriyel uygulamalar için uyarlanmıştır ve özel donanım hızlandırıcıları üzerinde ham verim gücüne büyük ölçüde öncelik verir.

• 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 işleme hızını maksimize etmeyi amaçlar. Performansını elde etmek için özel niceleme yöntemleri ve uzman omurgalar kullanır, bu da onu toplu çıkarımın yoğun bir şekilde kullanıldığı arka uç sunucu işleme süreçleri için güçlü bir aday yapar.

YOLOv6 hakkında daha fazla bilgi edin

Link to this sectionMimari Farklılıklar#

Bu modellerin arkasındaki mimari tercihleri anlamak, ideal kullanım senaryolarını belirlemek için çok önemlidir.

Link to this sectionYOLOv5 Mimarisi#

YOLOv5, yüksek oranda optimize edilmiş bir CSPDarknet omurgasını, Path Aggregation Network (PANet) boyun yapısıyla birleştirir. Bu yapı, eğitim ve çıkarım sırasında minimum bellek gereksinimini sağlamak için oldukça ince ayar yapılmıştır. Büyük miktarda CUDA belleği ve uzun eğitim süreleri gerektiren büyük Transformer modellerinin aksine, YOLOv5 standart tüketici donanımlarında verimli bir şekilde çalışır.

Dahası, YOLOv5 sadece bir nesne dedektörü değildir. Mimarisi diğer görevlere sorunsuz bir şekilde genişleyerek görüntü segmentasyonu ve görüntü sınıflandırma için kutudan çıktığı gibi sağlam bir destek sunar.

Link to this sectionYOLOv6-3.0 Mimarisi#

YOLOv6-3.0, özellikle GPU yürütme için donanım dostu olacak şekilde tasarlanmış bir EfficientRep omurgasına sahiptir. Özellik birleşimini geliştirmek için boyun yapısında bir Bi-directional Concatenation (BiC) modülü kullanır.

Eğitim sırasında YOLOv6, yakınsamayı stabilize etmek için bir Anchor-Aided Training (AAT) stratejisi kullanır, ancak çıkarım sırasında anchor-free (çapasız) bir dedektör olarak kalır. Bu mimari GPU hızlandırmalı görevlerde üstün olsa da, yüksek taşınabilirliğe sahip YOLOv5 çerçevesine kıyasla çeşitli uç cihazlara uyarlanması bazen daha karmaşık olabilir.

Link to this sectionPerformans Analizi#

Bu modelleri değerlendirirken ham hız ve doğruluk metrikleri hayati öneme sahiptir. Aşağıda, çeşitli model boyutlarının COCO veri kümesi üzerindeki performansını vurgulayan karşılaştırmalı bir tablo bulunmaktadır.

YOLOv6-3.0 daha büyük varyantlarında daha yüksek mAP puanları elde etse de, YOLOv5 inanılmaz derecede hafif bir ayak izini korur. Örneğin, YOLOv5n, YOLOv6 muadiline göre çok daha az parametre ve FLOP gerektirir, bu da onu mobil veya CPU tabanlı dağıtımlar için son derece ideal kılar.

Link to this sectionEkosistem ve Kullanım Kolaylığı#

Birçok mühendislik ekibi için gerçek belirleyici faktör, modeli çevreleyen ekosistemdir.

YOLOv6 etkileyici bir araştırma deposudur, ancak farklı formatlarda dağıtmak için önemli miktarda yardımcı kod gerektirir. Buna karşılık Ultralytics, kolaylaştırılmış bir kullanıcı deneyimi ile karakterize edilen, bakımı iyi yapılmış bir ekosistem sunar. Birleştirilmiş Python API ve sezgisel Ultralytics Platform aracılığıyla geliştiriciler, sorunsuz veri kümesi yönetimine, tek tıkla eğitime ve ONNX ve TensorRT gibi formatlara doğrudan dışa aktarımlara erişim kazanırlar.

Link to this sectionKod Örneği: Birleştirilmiş Ultralytics API#

Ultralytics ultralytics pip paketi, modelleri yalnızca birkaç satır kodla yüklemeni, eğitmeni ve dağıtmanı sağlar.

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

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

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv5 ve YOLOv6 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionYOLOv5 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.

Link to this sectionNe Zaman YOLOv6 Seçilmeli#

YOLOv6 şunlar için önerilir:

• Endüstriyel Donanım Odaklı Dağıtım: Modelin donanım odaklı tasarımı ve verimli yeniden parametrelendirilmesinin, belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerindeki ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistem Entegrasyonu: Halihazırda Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionİleriye Bakış: YOLO26 Avantajı#

YOLOv5 güvenilir bir iş gücü olmaya devam ederken ve YOLOv6-3.0 güçlü endüstriyel GPU verimi sunarken, teknoloji gelişti. Bugün yeni projelere başlayan geliştiriciler için önerilen yol Ultralytics YOLO26'dır.

Ocak 2026'da piyasaya sürülen YOLO26, dev bir ileri adımı temsil eder. Ultralytics ekosisteminin eşsiz çok yönlülüğünü miras alırken, çığır açan mimari iyileştirmeler sunar:

• Uçtan Uca NMS'siz Tasarım: YOLO26, Non-Maximum Suppression sonrası işleme ihtiyacını ortadan kaldırarak gecikme değişkenliğini önemli ölçüde azaltır ve dağıtım mantığını basitleştirir.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: DFL kaldırma ve optimize edilmiş bir baş yapısı ile uç cihazlarda ve düşük güç tüketen cihazlarda önceki nesillerden çok daha üstün performans gösterir.
• MuSGD Optimize Edici: LLM eğitim yeniliklerinden yararlanan yeni MuSGD optimize edici, son derece kararlı bir eğitim ve dikkat çekici derecede hızlı bir yakınsama sağlar.
• Gelişmiş Çok Yönlülük: YOLO26, Oriented Bounding Box (OBB), Poz Tahmini ve segmentasyonu, benzersiz küçük nesne tanıma için ProgLoss ve STAL gibi özel görev kayıplarıyla sorunsuz bir şekilde yönetir.

Ultralytics ekosistemindeki diğer seçenekleri keşfediyorsan, genel amaçlı YOLO11 veya açık kelime dağarcığı algılama görevleri için yenilikçi YOLO-World modellerini de değerlendirebilirsin.

Link to this sectionSonuç#

Hem YOLOv5 hem de YOLOv6-3.0 bilgisayarlı görü alanını önemli ölçüde etkiledi. YOLOv6-3.0, üst düzey sunucu donanımı için mükemmel bir verim sağlar ve bu da onu özelleşmiş çevrimdışı analizler için uygun kılar. Ancak, dünya standartlarında bir platform tarafından desteklenen sağlam, kullanımı kolay ve son derece çok yönlü bir modele ihtiyaç duyan geliştiriciler için YOLOv5 üstün seçenek olmaya devam etmektedir.

Yeni nesil doğruluk, yerel NMS'siz dağıtım ve sektörün en iyi geliştirici deneyiminin nihai dengesi için Ultralytics Platform aracılığıyla YOLO26'ya yükseltme yapmak, modern vizyon AI çözümleri için kesin tercihtir.