YOLOv5 ve YOLOv7#

Bilgisayarlı görü alanı, daha hızlı ve 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 farkları anlamak çok önemli. Bu kapsamlı teknik karşılaştırmada, bilinçli bir karar vermene yardımcı olmak için modellerin mimarileri, eğitim yöntemleri, performans ölçütleri ve ideal dağıtım senaryoları ele alınıyor.

Bir Bakışta: Modellerin Kökeni#

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

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
• Kurum: 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 Farklılıklar#

YOLOv5: Erişilebilirliğin Standardı#

Ultralytics tarafından 2020'de tanıtılan YOLOv5, PyTorch çerçevesini yerel olarak kullanarak bir paradigma değişikliği yarattı ve araştırmacılarla geliştiriciler için giriş engelini önemli ölçüde azalttı. Mimarisinde, gradyan akışını korurken parametre sayısını düşürmek amacıyla Kısmi Çapraz Aşama (CSP) ağları entegre eden, değiştirilmiş bir CSPDarknet53 omurgası kullanılıyor.

En güçlü yanlarından biri Bellek gereksinimleri. Eski iki aşamalı algılayıcılarla veya RT-DETR gibi büyük Transformer modelleriyle karşılaştırıldığında YOLOv5, eğitim sırasında çok daha az CUDA belleği gerektiriyor ve böylece standart tüketici GPU'larında daha büyük yığın boyutlarının kullanılmasına olanak tanıyor. Ayrıca yerleşik Çok Yönlülüğü, görüntü sınıflandırmayı, nesne algılamayı ve görüntü segmentasyonunu sorunsuz biçimde destekliyor.

YOLOv7: Gerçek Zamanlı Doğruluğun Sınırlarını Zorluyor#

2022'nin ortalarında yayımlanan YOLOv7, MS COCO kıyaslamalarında gerçek zamanlı algılama alanındaki en ileri teknolojinin sınırlarını zorlamaya odaklandı. Yazarlar, özgün gradyan yolunu bozmadan ağın öğrenme yeteneğini geliştiren Genişletilmiş Verimli Katman Toplama Ağı'nı (E-ELAN) tanıttı.

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

Performans Karşılaştırması#

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

YOLOv7 büyük modellerde daha yüksek mutlak mAP değerlerine ulaşırken YOLOv5, uç cihazlar için ultra hafif Nano (YOLOv5n) modelinden bulutta çıkarım için Ekstra Büyük (YOLOv5x) modele kadar eşi benzeri olmayan bir model 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 Platformu ve birleşik Python API'si, kolaylaştırılmış bir kullanıcı deneyimi, basit söz dizimi ve kapsamlı belgeler sunar. Özel bir veri kümesini eğitmek için hazır kalıp kod yazman gerekmez.
• İyi Bakımı Yapılan Ekosistem: Ultralytics; etkin geliştirme, sık güncellemeler ve güçlü topluluk desteğinden yararlanır. Comet ML ve Weights & Biases gibi araçlarla entegrasyonlar doğrudan yerleşik olarak sunulur.
• Eğitim Verimliliği: Veri yükleyiciler, akıllı önbelleğe alma ve çoklu GPU desteği, Ultralytics modellerinin eğitimini son derece verimli kılar. Hazır eğitilmiş ağırlıklar, aktarım öğrenmesini önemli ölçüde 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, olağanüstü kararlılığı nedeniyle üretim ortamlarında büyük beğeni görüyor. Şu durumlarda ilk tercih:

• 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 bulutta eğitim için sorunsuz Ultralytics Platformu entegrasyonundan yararlanır.
• Çok Görevli Ortamlar: Nesne algılama, sınıflandırma ve segmentasyonun eşzamanlı olarak gerektiği sistemler.

Gelecek: YOLO26'ya Geçiş#

YOLOv5 ile YOLOv7'yi karşılaştırmak, görsel yapay zekânın gelişimini anlamak için harika bir alıştırma olsa da en ileri teknoloji gelişmeye devam etti. Ocak 2026'da yayımlanan Ultralytics YOLO26, büyük bir sıçramayı temsil ediyor ve eski mimarileri yeni projeler için büyük ölçüde geçersiz kılıyor.

En yüksek performansı arayan geliştiriciler için YOLO26, hem YOLOv5 hem de YOLOv7 karşısında çığır açan çeşitli avantajlar sunuyor:

• Uçtan Uca NMS'siz Tasarım: Maksimum Olmayan Bastırma son işlemesini isteğe bağlı olarak atlayan (nms=False) YOLO26, dağıtımı çok daha basit hâle getiriyor ve daha hızlı, tutarlı gecikme sağlıyor.
• MuSGD Optimizasyon Algoritması: Moonshot AI'nin LLM yeniliklerinden ilham alan bu hibrit optimizasyon algoritması, son derece kararlı eğitim ve hızlı yakınsama sağlıyor.
• Eşi Görülmemiş Uç Hızı: Uç ortamlar için özel olarak optimize edilen Nano model, Dağılım Odaklı Kayıp (DFL) kaldırıldığı için %43'e kadar daha hızlı CPU çıkarımı sunuyor.
• Üstün Doğruluk: ProgLoss + STAL gibi yeni kayıp fonksiyonları küçük nesne tanımayı önemli ölçüde iyileştirerek modeli drone görüntüleri ve robotik için ideal hâle getiriyor.

İster mevcut bir YOLOv5 işlem hattını sürdürüyor ister en yeni YOLO26'yı uygulamak istiyor ol, Ultralytics Platformu modern bilgisayarlı görüde başarılı olmak için gereken tüm araçları sunar.