Başla

YOLOv5 ve YOLOv7

Daha hızlı ve doğru gerçek zamanlı nesne algılama ihtiyacının etkisiyle bilgisayarlı görü alanı son birkaç yılda hızla gelişti. Projen için doğru mimariyi seçerken Ultralytics YOLOv5 ve YOLOv7 gibi popüler modeller arasındaki farkları anlamak önemlidir. Bu teknik karşılaştırma, bilinçli bir karar vermene yardımcı olmak için mimarilerini, eğitim yöntemlerini, performans ölçütlerini ve ideal dağıtım senaryolarını ele alıyor.

Bir Bakışta: Modellerin Kökeni#

Bu modellerin kökenini ve tasarım felsefesini anlamak, mimari tercihlerini kavramaya yardımcı olur.

YOLOv5 Ayrıntıları:

YOLOv7 Ayrıntıları:

YOLOv7 hakkında daha fazla bilgi edin

Diğer Mimarileri Keşfet

Bu modellerin diğerlerine kıyasla nasıl bir performans sergilediğini merak ediyor musun? Nesne algılama ekosistemi hakkındaki bilgini genişletmek için YOLOv5 ile YOLO11 veya YOLOv7 ile EfficientDet karşılaştırmalarına göz at.

Mimari Yenilikler ve Farklılıklar#

YOLOv5: Erişilebilirliğin Standardı#

2020'de Ultralytics tarafından tanıtılan YOLOv5, yerel olarak PyTorch çerçevesi üzerine kurularak araştırmacılar ve geliştiriciler için başlangıç engelini önemli ölçüde azalttı. Mimarisi, gradyan akışını korurken parametre sayısını azaltmak için Aşamalar Arası Kısmi (CSP) ağlarını entegre eden değiştirilmiş bir CSPDarknet53 omurgasına dayanır.

En güçlü yanlarından biri, düşük bellek gereksinimleridir. RT-DETR gibi eski iki aşamalı algılayıcılara veya ağır Transformer modellerine kıyasla YOLOv5, eğitim sırasında çok daha az CUDA belleği gerektirir ve standart tüketici sınıfı GPU'larda daha büyük yığın boyutlarının kullanılmasına olanak tanır. Ayrıca Çok Yönlülük sunar: özgün YOLOv5 deposu nesne algılamayı, örnek bölümlemeyi ve görüntü sınıflandırmayı destekler.

YOLOv7: Gerçek Zamanlı Doğruluğun Sınırlarını Zorluyor#

2022'nin ortalarında yayımlanan YOLOv7, MS COCO kıyaslamalarında gerçek zamanlı algılama için son teknoloji doğruluğu geliştirmeye odaklandı. Yazarlar, özgün gradyan yolunu bozmadan ağın öğrenme yeteneğini artıran Genişletilmiş Verimli Katman Birleştirme Ağı'nı (E-ELAN) tanıttı.

YOLOv7, özellikle eğitim sırasında birden fazla modülü çıkarım için tek bir evrişim katmanına dönüştüren yeniden parametrelendirme teknikleriyle "eğitilebilir ücretsiz avantajlar paketi" ile de tanınır; bu yaklaşım doğruluktan ödün vermeden hızı artırır. Ancak bu karmaşık eğitim yöntemi, yerel Ultralytics ekosistemine kıyasla genellikle daha dik bir öğrenme eğrisine ve daha az yalın dışa aktarma işlem hatlarına yol açar.

Performans Karşılaştırması#

Bu modelleri değerlendirirken hız, doğruluk ve hesaplama maliyeti arasındaki Performans Dengesi kilit önem taşır. Aşağıda, MS COCO val2017 veri kümesine dayalı performans ölçütlerinin ayrıntılı bir karşılaştırması yer alıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

YOLOv7 daha büyük varyantlarda daha yüksek mutlak mAP puanlarına ulaşırken YOLOv5, uç cihazlar için hafif Nano'dan (YOLOv5n) bulut çıkarımı için Ekstra Büyük'e (YOLOv5x) kadar daha geniş bir model boyutu yelpazesi sunar.

Ultralytics Ekosisteminin Avantajı#

Bir modelin kullanışlılığı, ham mimarisinin ötesine uzanır; çevresindeki ekosistem, modelin üretime ne kadar hızlı alınabileceğini belirler. Ultralytics modelleri bu noktada öne çıkar.

  • Kullanım Kolaylığı: Ultralytics Platform ve birleşik Python API'si yalın bir kullanıcı deneyimi, basit sözdizimi ve kapsamlı belgeler sunar. Özel bir veri kümesinde eğitim için çok az hazır kod gerekir.
  • İyi Bakımı Yapılan Ekosistem: Ultralytics; aktif geliştirmeden, sık güncellemelerden ve güçlü topluluk desteğinden yararlanır. Comet ve Weights & Biases gibi araçlarla entegrasyonlar yerleşik olarak sunulur.
  • Eğitim Verimliliği: Veri yükleyiciler, akıllı önbelleğe alma ve çoklu GPU desteği, Ultralytics modellerinin verimli biçimde eğitilmesini sağlar. Kolayca erişilebilen önceden eğitilmiş ağırlıklar aktarım öğrenmesini hızlandırır.

Kod Örneği: Başlarken#

Ultralytics ile bir modeli dağıtmak yalnızca birkaç satır kod gerektirir. Aşağıdaki Python kodu, önerilen ultralytics paketiyle model yüklemenin, eğitmenin ve çıkarım yapmanın ne kadar kolay olduğunu gösteriyor.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv5s modeli yükle
model = YOLO("yolov5su.pt")  # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları

# Modeli COCO8 örnek veri kümesi üzerinde eğit
# Ultralytics veri indirme ve artırma işlemlerini otomatik olarak yönetir
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

# Tahminleri görüntüle
predictions[0].show()

Buna karşılık özgün YOLOv7 deposunu kullanmak genellikle karmaşık depoları klonlamayı, bağımlılıkları elle yönetmeyi ve uzun komut satırı bağımsız değişkenlerinden yararlanmayı gerektirir.

Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#

YOLOv7 Ne Zaman Seçilmeli#

YOLOv7, en yüksek mAP değerinin tek hedef olduğu ve sistemin çapa tabanlı çıktı tensörlerine göre zaten uyarlanmış bulunduğu akademik kıyaslamalar veya belirli eski GPU işlem hatları için güçlü bir seçenek olmaya devam ediyor. Gradyan yolu analizini inceleyen araştırmacılar, YOLOv7'yi sıklıkla temel model olarak kullanıyor.

YOLOv5'i Ne Zaman Seçmeli?#

YOLOv5, kararlılığı nedeniyle üretim ortamlarında yaygın biçimde kullanılır. Şu durumlar için ilk tercihtir:

  • Mobil ve Uç Bilişim: YOLOv5n'i CoreML ile iOS'a veya LiteRT ile Android'e dağıtmak.
  • Çevik Girişimler: Hızlı yineleme döngülerine ihtiyaç duyan ekipler, veri kümesi yönetimi ve bulut eğitimi için Ultralytics Platform entegrasyonundan yararlanır.
  • Çok Görevli Ortamlar: Nesne algılama, bölümleme ve sınıflandırmayı birleştiren sistemler.

Gelecek: YOLO26'ya Geçiş#

YOLOv5 ile YOLOv7'yi karşılaştırmak görü yapay zekâsının gelişimini anlamak için harika bir çalışma olsa da en yeni teknolojiler ilerlemeye devam ediyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, yeni projeler için önerilen başlangıç noktasıdır.

YOLO26, hem YOLOv5 hem de YOLOv7'ye kıyasla çeşitli avantajlar sunar:

  • Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma son işlemesini isteğe bağlı olarak atlayarak (nms=False) dağıtımı basitleştirir ve daha tutarlı gecikme sağlar.
  • MuSGD Optimize Edici: Moonshot AI'nin LLM yeniliklerinden ilham alan bu hibrit optimize edici, kararlı eğitim ve daha hızlı yakınsama sağlar.
  • Daha Hızlı Uç Çıkarımı: Uç ortamlar için optimize edilen YOLO26n, Distribution Focal Loss'un (DFL) kaldırılmasının da katkısıyla CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • Daha Yüksek Doğruluk: ProgLoss + STAL gibi yeni eğitim teknikleri, drone görüntüleri ve robotik uygulamalarına yardımcı olan küçük nesne tanımayı iyileştirir.

İster mevcut bir YOLOv5 işlem hattını sürdürüyor ister YOLO26'yı benimsiyor ol, Ultralytics Platform etiketleme, eğitim ve dağıtım araçları sunar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.