YOLOv5 ve YOLOv6-3.0#

Bilgisayarlı görü dünyası sürekli gelişiyor ve yeni mimariler hız ile doğruluğun sınırlarını zorluyor. Bir sonraki görü yapay zekâ projen için model seçerken, geliştiriciler çoğu zaman yerleşik, çok yönlü framework'leri son derece uzmanlaşmış endüstriyel dedektörlerle karşılaştırmak zorunda kalıyor. Bu kapsamlı inceleme, Ultralytics YOLOv5 ile Meituan YOLOv6-3.0 arasındaki teknik farklılıkları ele alarak dağıtım ihtiyaçların için en iyi aracı seçmene yardımcı oluyor.

Modellere Giriş#

Ultralytics YOLOv5: Çok Yönlü Standart#

2020'de yayımlanan Ultralytics YOLOv5, erişilebilir ve yüksek performanslı nesne algılama için kısa sürede altın standart hâline geldi. İnanılmaz 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 ekosistemi içinde kesintisiz bir geliştirici deneyimi sunmak üzere baştan tasarlandı. Yüksek çıkarım hızını korurken mükemmel ortalama hassasiyet (mAP) değerlerine ulaşarak avantajlı bir performans dengesi sunar; bu da onu uç cihazlardan bulut sunucularına kadar çeşitli gerçek dünya dağıtım senaryoları için uygun hâle getirir.

YOLOv6-3.0: Endüstriyel İş Hacmi#

Meituan'daki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle endüstriyel uygulamalar için tasarlanmış olup özel donanım hızlandırıcılarında ham işlem hacmine büyük 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 işlem hızını en üst düzeye çıkarmayı amaçlar. Performansını elde etmek için özel niceleme yöntemleri ve uzmanlaşmış omurga ağları kullanır; bu da onu toplu çıkarımın yoğun biçimde kullanıldığı arka uç sunucu işlemleri için güçlü bir aday hâline getirir.

YOLOv6 hakkında daha fazla bilgi edin

Mimari Farklılıklar#

Bu modellerin ardındaki mimari tercihleri anlamak, ideal kullanım alanlarını belirlemek açısından kritik öneme sahiptir.

YOLOv5 Mimarisi#

YOLOv5, yüksek düzeyde optimize edilmiş bir CSPDarknet omurga ağını Yol Özellik Birleştirme Ağı (PANet) boyun bölümüyle birleştirir. Bu yapı, eğitim ve çıkarım sırasında bellek gereksinimlerini en aza indirmek için kapsamlı biçimde ince ayarlanmıştır. Büyük miktarlarda CUDA belleği ve uzun eğitim süreleri gerektiren büyük Transformer modellerinin aksine YOLOv5, standart tüketici donanımlarında verimli biçimde çalışır.

Ayrıca YOLOv5 yalnızca bir nesne dedektörü değildir. Mimarisi diğer görevlere de sorunsuz biçimde genişletilebilir ve görüntü segmentasyonu ile görüntü sınıflandırma için kullanıma hazır güçlü destek sunar.

YOLOv6-3.0 Mimarisi#

YOLOv6-3.0, özellikle GPU yürütmesi için donanım dostu olacak şekilde tasarlanmış bir EfficientRep omurga ağına sahiptir. Özellik birleştirmeyi geliştirmek için boyun bölümünde Çift Yönlü Birleştirme (BiC) modülünü kullanır.

YOLOv6, eğitim sırasında yakınsamayı kararlı hâle getirmek için Çapa Destekli Eğitim (AAT) stratejisini kullanır; ancak çıkarım sırasında çapasız bir dedektör olmayı sürdürür. Bu mimari GPU hızlandırmalı görevlerde başarılı olsa da son derece taşınabilir YOLOv5 framework'üne kıyasla farklı uç cihazlara uyarlanması bazen daha karmaşık olabilir.

Performans Analizi#

Bu modelleri değerlendirirken ham hız ve doğruluk ölçütleri hayati önem taşır. Aşağıda, COCO veri kümesi üzerindeki çeşitli model boyutlarının performansını vurgulayan karşılaştırmalı bir tablo yer alıyor.

YOLOv6-3.0 daha büyük varyantlarında daha yüksek mAP puanlarına ulaşırken YOLOv5 son derece küçük bir ayak izini korur. Örneğin YOLOv5n, YOLOv6'daki eşdeğerinden önemli ölçüde daha az parametre ve FLOP gerektirir; bu da onu mobil veya CPU kısıtlı dağıtımlar için son derece uygun hâle getirir.

Ekosistem ve Kullanım Kolaylığı#

Birçok mühendislik ekibi için asıl belirleyici unsur, modelin çevresindeki ekosistemdir.

YOLOv6 etkileyici bir araştırma deposudur; ancak farklı formatlar arasında dağıtım yapmak için önemli miktarda tekrarlayan kod gerektirir. Buna karşılık Ultralytics, sadeleştirilmiş bir kullanıcı deneyimiyle öne çıkan, bakımı iyi yapılan bir ekosistem sunar. Birleşik Python API ve sezgisel Ultralytics Platform sayesinde geliştiriciler kesintisiz veri kümesi yönetimine, tek tıkla eğitime ve ONNX ile TensorRT gibi formatlara doğrudan dışa aktarıma 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

# 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")

Kullanım Alanları ve Öneriler#

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

YOLOv5 Ne Zaman Seçilmeli?#

YOLOv5 şu durumlar için güçlü bir seçimdir:

• Üretimde Kanıtlanmış Sistemler: YOLOv5'in uzun yıllara dayanan kararlılığına, 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 kaynakları sınırlı ortamlar.
• Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok biçimde dağıtım gerektiren projeler.

YOLOv6 Ne Zaman Seçilmeli#

YOLOv6 şu durumlarda önerilir:

• Endüstriyel Donanım Farkındalıklı Dağıtım: Modelin donanım farkındalıklı tasarımının ve verimli yeniden parametrelendirmesinin belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerinde ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Zaten Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

İleriye Dönük: YOLO26 Avantajı#

YOLOv5 güvenilir bir iş gücü, YOLOv6-3.0 ise güçlü bir endüstriyel GPU işlem hacmi sunmaya devam ederken en son teknoloji de gelişti. Günümüzde yeni projelere başlayan geliştiriciler için önerilen yol Ultralytics YOLO26'dır.

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

• Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma son işleme adımını ortadan kaldırarak gecikme değişkenliğini önemli ölçüde azaltır ve dağıtım mantığını sadeleştirir.
• %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 gösterir.
• MuSGD Optimizasyon Algoritması: LLM eğitimi yeniliklerinden yararlanan yeni MuSGD optimizasyon algoritması, son derece kararlı eğitim ve dikkat çekici derecede hızlı yakınsama sağlar.
• Gelişmiş Çok Yönlülük: YOLO26, Yönlendirilmiş Sınırlayıcı Kutu (OBB), Poz Tahmini ve Segmentasyon görevlerini, benzersiz küçük nesne tanıma için ProgLoss ve STAL gibi özelleştirilmiş görev kayıplarıyla sorunsuz biçimde gerçekleştirir.

Ultralytics ekosistemi içinde başka seçenekleri değerlendiriyorsan açık kelime dağarcığıyla algılama görevleri için genel amaçlı YOLO11 veya yenilikçi YOLO-World modellerini de değerlendirebilirsin.

Sonuç#

YOLOv5 ve YOLOv6-3.0, bilgisayarlı görü alanını önemli ölçüde etkiledi. YOLOv6-3.0, üst düzey sunucu donanımları için mükemmel işlem hacmi sunarak onu uzmanlaşmış çevrim dışı analizler için uygun hâle getirir. Ancak YOLOv5, sağlam, kullanımı kolay ve dünya standartlarında bir platform tarafından desteklenen son derece çok yönlü bir modele ihtiyaç duyan geliştiriciler için hâlâ üstün seçenektir.

Yeni nesil doğruluk, yerel NMS'siz dağıtım ve sektörün en iyi geliştirici deneyimi arasındaki nihai denge için Ultralytics Platform üzerinden YOLO26'ya yükseltmek, modern görü yapay zekâ çözümleri için kesin tercihtir.