YOLOv5 ve YOLOv7#

Bilgisayarlı görü dünyası, daha hızlı ve daha doğru gerçek zamanlı nesne tespiti ihtiyacının etkisiyle son birkaç yılda hızla evrildi. Bilgisayarlı görü projeniz için doğru mimariyi seçerken, Ultralytics YOLOv5 ve YOLOv7 gibi popüler modeller arasındaki nüansları anlamak çok önemlidir. Bu kapsamlı teknik karşılaştırma, bilinçli bir karar vermene yardımcı olmak için mimarilerini, eğitim metodolojilerini, performans metriklerini ve ideal dağıtım senaryolarını inceler.

Bir Bakışta: Model Kökenleri#

Bu modellerin arkasındaki kökenleri ve tasarım felsefelerini anlamak, mimari tercihlerine dair bağlam sunar.

YOLOv5 Detayları:

• Yazarlar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: YOLOv5 Deposu
• Dokümantasyon: YOLOv5 Documentation

YOLOv5 hakkında daha fazla bilgi edin

YOLOv7 Detayları:

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

YOLOv7 hakkında daha fazla bilgi edinin

Mimari Yenilikler ve Farklılıklar#

YOLOv5: Erişilebilirlik Standardı#

2020 yılında Ultralytics tarafından sunulan YOLOv5, PyTorch çerçevesini yerel olarak kullanarak araştırmacılar ve geliştiriciler için giriş bariyerini önemli ölçüde düşüren bir paradigma değişimi getirdi. Mimarisi, gradyan akışını korurken parametre sayısını azaltmak için Cross Stage Partial (CSP) ağlarını entegre eden Modified CSPDarknet53 omurgasına dayanır.

En büyük güçlerinden biri Bellek gereksinimleridir. Daha eski iki aşamalı dedektörlere veya RT-DETR gibi ağır transformer modellerine kıyasla YOLOv5, eğitim sırasında çok daha az CUDA belleği gerektirir ve standart tüketici sınıfı GPU'larda daha büyük grup boyutlarına izin verir. Dahası, yerel olarak entegre edilmiş Çok Yönlülüğü; görüntü sınıflandırma, nesne tespiti ve görüntü segmentasyonu işlemlerini sorunsuz bir şekilde destekler.

YOLOv7: Gerçek Zamanlı Doğruluğun Sınırlarını Zorlamak#

2022 ortasında yayınlanan YOLOv7, MS COCO kıyaslamalarında gerçek zamanlı algılama için son teknoloji sınırlarını zorlamaya odaklandı. Yazarlar, orijinal gradyan yolunu bozmadan ağın öğrenme yeteneğini geliştiren Genişletilmiş Verimli Katman Toplama Ağını (E-ELAN) tanıttılar.

YOLOv7 ayrıca, özellikle eğitim sırasında birden fazla modülü çıkarım için tek bir konvolüsyonel katmana dönüştüren ve doğruluktan ödün vermeden hızı artıran yeniden parametrelendirme teknikleriyle bilinen "eğitilebilir ücretsiz özellikler çantası" (trainable bag-of-freebies) ile ünlüdür. Ancak, bu karmaşık eğitim metodolojisi, yerel Ultralytics ekosistemine kıyasla genellikle daha dik öğrenme eğrileri ve daha az anlaşılır dışa aktarma (export) süreçleri ile sonuçlanır.

Performans Karşılaştırması#

Bu modelleri değerlendirirken hız, doğruluk ve hesaplama maliyeti arasındaki Performans Dengesi çok önemlidir. Aşağıda, MS COCO val2017 veri kümesine dayalı performans metriklerinin ayrıntılı bir karşılaştırması bulunmaktadır.

YOLOv7 daha büyük varyantlarda daha yüksek mutlak mAP puanları elde ederken, YOLOv5, aşırı uç cihazlar için ultra hafif Nano (YOLOv5n) modelinden bulut çıkarımı için Ekstra Büyük (YOLOv5x) modeline kadar benzersiz bir model yelpazesi sunar.

Ultralytics Ekosistemi Avantajı#

Bir modelin faydası, yalnızca ham mimarisinin ötesine geçer; çevresindeki ekosistem, üretime ne kadar hızlı aktarılabileceğini belirler. Ultralytics modellerinin parladığı nokta tam olarak burasıdır.

• Kullanım Kolaylığı: Ultralytics Platform ve birleştirilmiş Python API'si, kolaylaştırılmış bir kullanıcı deneyimi, basit bir sözdizimi ve kapsamlı belgeler sağlar. Özel bir veri kümesini eğitmek sıfır şablon kod gerektirir.
• İyi Bakımı Yapılan Ekosistem: Ultralytics, aktif geliştirme, sık güncellemeler ve güçlü topluluk desteğinden faydalanır. Comet ML ve Weights & Biases gibi araçlarla entegrasyonlar doğrudan yerleşiktir.
• Eğitim Verimliliği: Veri yükleyiciler, akıllı önbelleğe alma ve çoklu GPU desteği, Ultralytics modellerinin eğitilmesini olağanüstü derecede verimli hale getirir. Hazır bulunan önceden eğitilmiş ağırlıklar, aktarımlı öğrenmeyi büyük ölçüde hızlandırır.

Kod Örneği: Başlarken#

Ultralytics kullanarak bir modeli devreye almak yalnızca birkaç satır kod gerektirir. Aşağıdaki Python kod parçacığı, önerilen ultralytics paketini kullanarak 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, orijinal YOLOv7 deposunu kullanmak genellikle karmaşık depoların klonlanmasını, bağımlılıkların manuel olarak yönetilmesini ve uzun komut satırı argümanlarının kullanılmasını gerektirir.

Gerçek Dünya Uygulamaları ve İdeal Kullanım Durumları#

Ne Zaman YOLOv7 Seçilmeli#

YOLOv7, maksimum mAP'nin tek hedef olduğu ve sistemin zaten çapa tabanlı (anchor-based) çıktı tensörlerine göre uyarlandığı akademik kıyaslamalar veya belirli eski GPU hatları için güçlü bir aday olmaya devam ediyor. Gradyan yolu analizini araştıran araştırmacılar, YOLOv7'yi genellikle temel bir model olarak kullanırlar.

YOLOv5 Ne Zaman Seçilmeli#

YOLOv5, olağanüstü kararlılığı nedeniyle üretim ortamları için şiddetle tercih edilir. Aşağıdakiler için ilk tercihtir:

• Mobil ve Sınır Bilişim: CoreML aracılığıyla iOS'a veya TFLite aracılığıyla Android'e YOLOv5n dağıtımı.
• Çevik Girişimler: Hızlı yineleme döngülerine ihtiyaç duyan ekipler, veri kümesi yönetimi ve bulut eğitimi için kusursuz Ultralytics Platform entegrasyonundan faydalanır.
• Çok Görevli Ortamlar: Eş zamanlı nesne algılama, sınıflandırma ve segmentasyon gerektiren sistemler.

Gelecek: YOLO26'ya Geçiş#

YOLOv5 ve YOLOv7'yi karşılaştırmak, görü AI'sının evrimini anlamak için mükemmel bir egzersiz olsa da, son teknoloji ilerlemeye devam etmiştir. Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, devasa bir sıçramayı temsil ederek yeni projeler için daha eski mimarileri büyük ölçüde eskimiş hale getirmektedir.

Performansın zirvesini arayan geliştiriciler için YOLO26, hem YOLOv5 hem de YOLOv7'ye göre birkaç çığır açan avantaj sunar:

• Uçtan Uca NMS'siz Tasarım: Non-Maximum Suppression (NMS) işlem sonrası adımı ortadan kaldırarak, YOLO26 çok daha basit bir dağıtım ve daha hızlı, tutarlı bir gecikme süresi sunar.
• MuSGD Optimize Edici: Moonshot AI'dan gelen LLM yeniliklerinden esinlenen bu hibrit optimize edici, son derece kararlı eğitim ve hızlı yakınsama sağlar.
• Benzersiz Uç Hızı: Uç (edge) ortamları için özel olarak optimize edilmiş nano varyantı, Distribution Focal Loss (DFL) özelliğini kaldırarak %43'e kadar daha hızlı CPU çıkarımı sağlar.
• Üstün Doğruluk: ProgLoss + STAL gibi yeni kayıp fonksiyonları, küçük nesne tanımayı önemli ölçüde iyileştirerek drone görüntüleri ve robotik için ideal hale getirir.

İster mevcut bir YOLOv5 boru hattını koruyor ol ister en son teknoloji ürünü YOLO26'yı uygulamak istiyor ol, Ultralytics Platform modern bilgisayarlı görüde başarılı olman için gereken tüm araçları sağlar.