YOLOv5 ve YOLOv7#

Bilgisayarlı görü alanı, daha hızlı ve daha doğru gerçek zamanlı nesne algılama ihtiyacının etkisiyle son birkaç yılda hızla gelişti. Bilgisayarlı görü projen için doğru mimariyi seçerken Ultralytics YOLOv5 ve YOLOv7 gibi popüler modeller arasındaki incelikleri anlamak kritik önem taşır. Bu kapsamlı teknik karşılaştırma, bilinçli bir karar vermene yardımcı olmak için bu modellerin mimarilerini, eğitim yöntemlerini, performans metriklerini ve ideal dağıtım senaryolarını ayrıntılı olarak inceler.

Genel Bakış: Model Kökenleri#

Bu modellerin kökenlerini ve ardındaki tasarım felsefelerini anlamak, mimari tercihlerine bağlam sağlar.

YOLOv5 Ayrıntıları:

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: YOLOv5 Deposu
• Belgeler: YOLOv5 Belgeleri

YOLOv7 Ayrıntıları:

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2022-07-06
• Arxiv: YOLOv7 Makalesi
• GitHub: YOLOv7 Deposu
• Belgeler: YOLOv7 Belgeleri

YOLOv7 hakkında daha fazla bilgi edin

Mimari Yenilikler ve Farklar#

YOLOv5: Erişilebilirlik Standardı#

Ultralytics tarafından 2020'de tanıtılan YOLOv5, PyTorch çatısını yerel olarak kullanarak bir paradigma değişimi yarattı ve araştırmacılar ile geliştiriciler için giriş engelini önemli ölçüde azalttı. Mimarisi, gradyan akışını korurken parametre sayısını azaltmak için Cross Stage Partial (CSP) ağlarını entegre eden Modified CSPDarknet53 omurgasına dayanır.

En büyük güçlü yönlerinden biri Bellek gereksinimleridir. Daha eski iki aşamalı algılayıcılarla veya RT-DETR gibi büyük Transformer modelleriyle karşılaştırıldığında YOLOv5, eğitim sırasında önemli ölçüde daha az CUDA belleği gerektirir; bu da standart tüketici GPU'larında daha büyük toplu iş boyutlarına olanak tanır. Ayrıca yerel olarak entegre edilmiş Çok Yönlülüğü, görüntü sınıflandırmayı, nesne algılamayı ve görüntü segmentasyonunu sorunsuz şekilde destekler.

YOLOv7: Gerçek Zamanlı Doğruluğun Sınırlarını Zorlamak#

2022'nin ortalarında yayımlanan YOLOv7, MS COCO kıyaslamalarında gerçek zamanlı algılama için son teknoloji sınırlarını zorlamaya odaklandı. Yazarlar, özgün gradyan yolunu bozmadan ağın öğrenme yeteneğini geliştiren Extended Efficient Layer Aggregation Network (E-ELAN) yapısını tanıttı.

YOLOv7, özellikle eğitim sırasında birden fazla modülü çıkarım için tek bir evrişim katmanına dönüştüren ve doğruluktan ödün vermeden hızı artıran yeniden parametrelendirme teknikleriyle "eğitilebilir bedava kazanımlar paketi" ile de tanınır. Ancak bu karmaşık eğitim yöntemi, yerel Ultralytics ekosistemine kıyasla çoğu zaman daha dik bir öğrenme eğrisi ve daha az anlaşılır dışa aktarma işlem hatlarıyla sonuçlanır.

Performans Karşılaştırması#

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

YOLOv7 daha büyük varyantlarda daha yüksek mutlak mAP skorlarına ulaşırken YOLOv5, aşırı uç cihazlar için ultra hafif Nano'dan (YOLOv5n) bulut çıkarımı için Extra-Large'a (YOLOv5x) kadar eşi benzeri olmayan bir model yelpazesi sunar.

Ultralytics Ekosisteminin Avantajı#

Bir modelin faydası ham mimarisinin ötesine uzanır; onu çevreleyen ekosistem, üretime ne kadar hızlı dağıtılabileceğini belirler. Ultralytics modelleri bu noktada öne çıkar.

• Kullanım Kolaylığı: Ultralytics Platform ve birleşik Python API'si, kolaylaştırılmış bir kullanıcı deneyimi, basit söz dizimi ve kapsamlı belgeler sunar. Özel bir veri kümesini eğitmek için hiçbir kalıp kod gerekmez.
• İyi Bakımı Yapılan Ekosistem: Ultralytics; etkin geliştirme, sık güncellemeler ve güçlü topluluk desteğinden yararlanır. Comet ML ve Weights & Biases gibi araçlarla entegrasyonlar doğrudan yerleşiktir.
• Eğitim Verimliliği: Veri yükleyicileri, akıllı önbelleğe alma ve çoklu GPU desteği, Ultralytics modellerinin eğitimini son derece verimli hâle getirir. Hazır kullanılabilen önceden eğitilmiş ağırlıklar transfer öğrenmesini büyük ölçüde hızlandırır.

Kod Örneği: Başlarken#

Ultralytics kullanarak bir modeli dağıtmak yalnızca birkaç satır kod gerektirir. Aşağıdaki Python kod parçacığı, önerilen ultralytics paketiyle model yüklemenin, eğitmenin ve çıkarım çalıştırmanın ne kadar basit olduğunu gösterir.

from ultralytics import YOLO

# Load a pretrained YOLOv5s model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 example dataset
# Ultralytics automatically handles data downloading and augmentation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

# Display the predictions
predictions[0].show()

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

Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#

YOLOv7 Ne Zaman Seçilmeli#

YOLOv7, maksimum mAP değerinin tek hedef olduğu ve sistemin anchor tabanlı çıktı tensörlerine göre önceden yapılandırıldığı akademik kıyaslamalar veya belirli eski GPU işlem hatları için güçlü bir aday olmaya devam eder. Gradyan yolu analizini inceleyen araştırmacılar, YOLOv7'yi sıklıkla temel model olarak kullanır.

YOLOv5 Ne Zaman Seçilmeli?#

YOLOv5, olağanüstü kararlılığı nedeniyle üretim ortamlarında büyük ölçüde tercih edilir. Şunlar için ilk tercihtir:

• Mobil ve Uç Bilişim: YOLOv5n'yi CoreML aracılığıyla iOS'a veya TFLite aracılığıyla Android'e dağıtmak.
• Çevik Girişimler: Hızlı yineleme döngülerine ihtiyaç duyan ekipler, veri kümesi yönetimi ve bulut eğitimi için sorunsuz Ultralytics Platform entegrasyonundan yararlanır.
• Çok Görevli Ortamlar: Nesne algılama, sınıflandırma ve segmentasyonun eşzamanlı olarak yapılmasını gerektiren sistemler.

Gelecek: YOLO26'ya Geçiş#

YOLOv5 ve YOLOv7'yi karşılaştırmak, görü yapay zekâsının gelişimini anlamak için mükemmel bir çalışma olsa da son teknoloji ilerlemeye devam etti. Ocak 2026'da yayımlanan Ultralytics YOLO26, ileriye doğru devasa bir sıçramayı temsil eder ve eski mimarileri yeni projeler için büyük ölçüde geçersiz kılar.

En yüksek performansı arayan geliştiriciler için YOLO26, hem YOLOv5 hem de YOLOv7'ye kıyasla çığır açan çeşitli avantajlar sunar:

• Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayanların Bastırılması son işleme adımını ortadan kaldırarak dağıtımı önemli ölçüde basitleştirir ve daha hızlı, tutarlı gecikme süresi sunar.
• MuSGD Optimize Edicisi: Moonshot AI'ın LLM yeniliklerinden ilham alan bu hibrit optimize edici, son derece kararlı eğitim ve hızlı yakınsama sağlar.
• Eşsiz Uç Hızı: Özellikle uç ortamlar için optimize edilen nano varyant, Distribution Focal Loss (DFL) kaldırılarak CPU çıkarımında %43'e kadar daha yüksek hız sunar.
• Üstün Doğruluk: ProgLoss + STAL gibi yeni kayıp işlevleri, küçük nesne tanımayı önemli ölçüde iyileştirerek modeli drone görüntüleri ve robotik için ideal hâle getirir.

İster mevcut bir YOLOv5 işlem hattının bakımını yapıyor ister en yeni YOLO26'yı uygulamak istiyor ol, Ultralytics Platform modern bilgisayarlı görüde başarılı olman için gereken tüm araçları sağlar.