YOLOv5 ve YOLOv6-3.0
Bilgisayarlı görü alanı, hızın ve doğruluğun sınırlarını zorlayan yeni mimarilerle sürekli gelişiyor. Yeni görü yapay zekâ projen için model seçerken geliştiriciler çoğu zaman kendilerini yerleşik, çok yönlü çerçeveler ile son derece özelleşmiş endüstriyel algılayıcıları karşılaştırırken buluyor. Bu karşılaştırma, dağıtım ihtiyaçlarına en uygun aracı seçmene yardımcı olmak için Ultralytics YOLOv5 ile Meituan'ın YOLOv6-3.0 modeli arasındaki teknik farkları inceliyor.
Modellere Giriş#
Ultralytics YOLOv5: Çok Yönlü Standart#
2020'de yayımlanan Ultralytics YOLOv5, erişilebilir ve yüksek performanslı nesne algılama için hızla yaygın biçimde benimsenen bir seçenek 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 geliştiricilere yalın bir deneyim sunmak üzere en başından tasarlandı. Uç cihazlardan bulut sunucularına kadar çeşitli gerçek dünya dağıtım senaryolarına uygun yüksek çıkarım hızlarını korurken güçlü ortalama hassasiyet (mAP) elde ederek performans açısından elverişli bir denge 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 hedefler. Performansını artırmak için özel niceleme şemaları ve özelleştirilmiş omurgalar kullanır; bu da onu yığın çıkarımının yoğun biçimde kullanıldığı arka uç sunucu işlemleri için güçlü bir aday hâline getirir.
YOLOv6 hakkında daha fazla bilgi edin
Mimari Farklılıklar#
Bu modellerin arkasındaki mimari tercihleri anlamak, ideal kullanım senaryolarını belirlemek açısından önemlidir.
YOLOv5 Mimarisi#
YOLOv5, yüksek düzeyde optimize edilmiş bir CSPDarknet omurgasını Yol Toplama Ağı (PANet) boyun yapısıyla birleştirir. Bu yapı, eğitim ve çıkarım sırasında bellek gereksinimlerini en aza indirecek şekilde yoğun biçimde ince ayarlanmıştır. Yüksek miktarda CUDA belleği ve uzun eğitim süreleri gerektiren büyük Transformer modellerinin aksine YOLOv5, standart tüketici donanımlarında verimli çalışır.
Ultralytics modelleri, eğitim verimliliği için özel olarak tasarlanmıştır. Bir YOLOv5 modelini çoğu zaman orta sınıf tek bir GPU'da eğitebilirsin; bu da modeli hem araştırmacılar hem de girişimler için son derece erişilebilir kılar.
YOLOv5 yalnızca bir nesne algılayıcıdan ibaret değildir: özgün YOLOv5 deposu, mimarisini örnek bölümleme ve görüntü sınıflandırmayı da kapsayacak şekilde genişletir.
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.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
YOLOv6-3.0, eşleştirilen her boyutta daha yüksek mAP elde ederken YOLOv5 daha hafif bir yapıyı korur. Örneğin YOLOv5n, YOLOv6'daki karşılığından çok daha az parametre ve FLOP gerektirir; bu da onu mobil veya CPU ile sınırlı dağıtımlar için uygun kılar.
Ekosistem ve Kullanım Kolaylığı#
Birçok mühendislik ekibi için belirleyici unsur, modelin çevresindeki ekosistemdir.
YOLOv6 yetenekli bir araştırma deposudur ancak farklı biçimlere dağıtımı daha fazla manuel çalışma gerektirir. Buna karşılık Ultralytics, yalın kullanıcı deneyimiyle öne çıkan, bakımı iyi yapılan bir ekosistem sunar. Birleşik Python API'si ve sezgisel Ultralytics Platform aracılığıyla geliştiriciler veri kümesi yönetimine, tek tıkla eğitime ve ONNX ile TensorRT gibi biçimlere doğrudan dışa aktarma olanağına 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 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 Başarısını Kanıtlamış Sistemler: YOLOv5'in uzun istikrar geçmişine, kapsamlı belgelerine ve geniş topluluğuna 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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.
İleriye Bakış: YOLO26'nın Avantajı#
YOLOv5 güvenilir bir iş gücü olmaya devam ederken YOLOv6-3.0 üst düzey GPU'larda yüksek işlem hacmi sunar; ancak en yeni teknolojiler gelişti. Bugün yeni projelere başlayan geliştiriciler için önerilen yol Ultralytics YOLO26 modelidir.
Ocak 2026'da yayımlanan YOLO26, önemli bir ilerleme sunuyor. Ultralytics ekosisteminin çok yönlülüğünü devralırken çeşitli mimari iyileştirmeler de getiriyor:
- Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı NMS'siz başlığı (
nms=False), Maksimum Olmayan Bastırma son işlemesini kaldırarak gecikme değişkenliğini azaltır ve dağıtım mantığını basitleştirir. - CPU Çıkarımında %43'e Varan Hız Artışı: DFL'nin kaldırılması ve daha hafif bir başlık sayesinde YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da uç cihazlar ve düşük güç tüketimli cihazlar için avantaj sağlar.
- MuSGD Optimize Edici: LLM eğitimi alanındaki yeniliklerden yararlanan yeni MuSGD optimize edici, kararlı eğitim ve daha hızlı yakınsama sağlar.
- Gelişmiş Çok Yönlülük: YOLO26; göreve özel başlıklar ve kayıplarla örnek ve anlamsal bölümlemeyi, derinlik tahminini, sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) desteklerken ProgLoss ve STAL küçük nesne tanımayı iyileştirir.
Ultralytics ekosistemindeki diğer seçenekleri araştırıyorsan genel amaçlı YOLO11 modelini veya açık kelime dağarcıklı algılama görevleri için YOLO-World modelini de değerlendirebilirsin.
Sonuç#
Hem YOLOv5 hem de YOLOv6-3.0, bilgisayarlı görü alanını önemli ölçüde etkiledi. YOLOv6-3.0, üst düzey sunucu donanımlarında mükemmel işlem hacmi sunarak özel çevrimdışı analitik için uygun bir seçenek oluşturur. Ancak Ultralytics ekosisteminin desteğiyle sağlam, kullanımı kolay ve çok yönlü bir modele ihtiyaç duyan geliştiriciler için YOLOv5 güçlü bir seçenek olmaya devam ediyor.
Doğruluk, isteğe bağlı NMS'siz dağıtım ve geliştirici deneyimi arasında en iyi dengeyi yakalamak için modern görü yapay zekâ çözümlerinde Ultralytics Platform üzerinden YOLO26 modeline yükseltme önerilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.