Link to this sectionYOLOv5 ve YOLOv7#

Bilgisayarlı görü dünyası, daha hızlı ve daha doğru gerçek zamanlı nesne algılama ihtiyacı nedeniyle son birkaç yılda hızla evrimleşti. 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 vermenize yardımcı olmak için modellerin mimarilerini, eğitim metodolojilerini, performans metriklerini ve ideal dağıtım senaryolarını derinlemesine inceliyor.

Link to this sectionBir 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
• Dokümanlar: YOLOv5 Dokümantasyonu

YOLOv5 hakkında daha fazla bilgi edin

YOLOv7 Detayları:

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kurum: Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
• Tarih: 2022-07-06
• Arxiv: YOLOv7 Makalesi
• GitHub: YOLOv7 Deposu
• Dokümantasyon: YOLOv7 Dokümantasyonu

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionMimari Yenilikler ve Farklılıklar#

Link to this sectionYOLOv5: Erişilebilirlik Standardı#

2020 yılında Ultralytics tarafından tanıtılan YOLOv5, PyTorch çerçevesini yerel olarak kullanarak bir paradigma değişimi getirdi ve araştırmacılar ile geliştiriciler için giriş engelini önemli ölçüde düşürdü. Mimarisi, parametre sayısını azaltırken gradyan akışını korumak için Cross Stage Partial (CSP) ağlarını entegre eden Modifiye Edilmiş bir CSPDarknet53 omurgasına dayanır.

En büyük güçlerinden biri Bellek gereksinimleridir. Eski iki aşamalı dedektörler veya RT-DETR gibi ağır Transformer modelleriyle karşılaştırıldığında, YOLOv5 eğitim sırasında önemli ölçüde daha az CUDA belleğine ihtiyaç duyar ve bu da standart tüketici sınıfı GPU'larda daha büyük yığın boyutlarına (batch size) izin verir. Ayrıca, yerel olarak entegre edilmiş Çok Yönlülüğü sayesinde görüntü sınıflandırma, nesne algılama ve görüntü segmentasyonu işlemlerini sorunsuz bir şekilde destekler.

Link to this sectionYOLOv7: 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.

Link to this sectionPerformans 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.

Link to this sectionUltralytics 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 Platformu ve onun birleşik Python API'si, düzenli bir kullanıcı deneyimi, basit sözdizimi ve kapsamlı dokümantasyon sağlar. Özel bir veri kümesini eğitmek sıfır ortak kod (boilerplate code) gerektirir.
• İyi Korunan Ekosistem: Ultralytics, aktif geliştirme, sık güncellemeler ve güçlü topluluk desteğinden faydalanır. Comet ML ve Weights & Biases gibi araçlarla entegrasyonlar doğrudan içinde gelir.
• Eğitim Verimliliği: Veri yükleyiciler, akıllı önbelleğe alma ve çoklu GPU desteği, Ultralytics modellerinin eğitilmesini olağanüstü verimli hale getirir. Hazır önceden eğitilmiş ağırlıklar, transfer öğrenmeyi önemli ölçüde hızlandırır.

Link to this sectionKod Örneği: Başlarken#

Ultralytics kullanarak bir model dağıtmak sadece birkaç satır kod gerektirir. Aşağıdaki Python kod parçası, önerilen ultralytics paketini kullanarak yüklemenin, eğitmenin ve çıkarım çalıştırmanın ne kadar basit olduğunu göstermektedir.

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.

Link to this sectionGerçek Dünya Uygulamaları ve İdeal Kullanım Durumları#

Link to this sectionNe 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.

Link to this sectionYOLOv5 Ne Zaman Seçilmeli#

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

• Mobil ve Uç 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 kesintisiz Ultralytics Platformu entegrasyonundan yararlanır.
• Çok Görevli Ortamlar: Eş zamanlı nesne algılama, sınıflandırma ve segmentasyon gerektiren sistemler.

Link to this sectionGelecek: YOLO26'ya Geçiş#

YOLOv5 ve YOLOv7'yi karşılaştırmak, yapay zeka vizyonunun evrimini anlamak için harika bir alıştırma olsa da, son teknoloji gelişmeye devam etti. Ocak 2026'da yayınlanan Ultralytics YOLO26, devasa bir ileri sıçramayı temsil ediyor ve eski mimarileri yeni projeler için büyük ölçüde geçersiz kılıyor.

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 hattını koruyor ol, ister en güncel YOLO26'yı uygulamak istiyor ol, Ultralytics Platformu, modern bilgisayarlı görüde başarılı olmak için gereken tüm araçları sağlar.