YOLOv5 ve YOLOv8#
Ölçeklenebilir ve verimli bilgisayarlı görü uygulamaları geliştirirken doğru mimariyi seçmek kritik önem taşır. Ultralytics ekosisteminin gelişimi, hızı ve doğruluğu sürekli olarak ileriye taşıyarak geliştiricilere gerçek dünya dağıtımları için güçlü araçlar sağladı. Bu teknik karşılaştırma, bilinçli bir karar vermene yardımcı olmak amacıyla YOLOv5 ve YOLOv8 arasındaki farkları ele alır; mimarilerini, performans ödünleşimlerini ve ideal kullanım alanlarını inceler.
Bu modellerin her ikisi de gerçek zamanlı nesne algılama tarihinde önemli dönüm noktalarını temsil eder ve her ikisi de Ultralytics ekosisteminin ayırt edici özellikleri olan yüksek düzeyde optimize edilmiş bellek gereksinimlerinden ve kullanım kolaylığından yararlanır.
YOLOv5: Güvenilir Sektör Standardı#
2020'de kullanıma sunulan YOLOv5, hızlı, erişilebilir ve güvenilir nesne algılama için kısa sürede sektör standardı hâline geldi. Yerel bir PyTorch uygulamasından yararlanarak eğitim ve dağıtım yaşam döngüsünü dünya genelindeki mühendisler için kolaylaştırdı.
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Belgeler: YOLOv5 Belgeleri
Mimari Güçlü Yönler#
YOLOv5, nesne sınırlarını tahmin etmek için önceden tanımlanmış çapa kutularına dayanan çapa tabanlı bir algılama paradigması kullanır. Mimarisi, gradyan akışını optimize eden ve hesaplama yinelemesini azaltan Aşamalar Arası Kısmi (CSP) ağ omurgasını içerir. Bunun sonucunda son derece düşük bir bellek ayak izi elde edilir ve standart tüketici sınıfı GPU'larda bile eğitim olağanüstü hızlı gerçekleşir.
İdeal Kullanım Alanları#
YOLOv5, maksimum işlem hacmi ve minimum kaynak kullanımının en önemli öncelikler olduğu projeler için şiddetle önerilir. Raspberry Pi veya mobil cihazlara dağıtım gibi uç yapay zekâ ortamlarında üstün performans gösterir. Olgunlaşmış olması, ticari dağıtımlarda binlerce kez kapsamlı biçimde test edildiği anlamına gelir ve geleneksel nesne algılama iş akışları için rakipsiz bir kararlılık sunar.
YOLOv8: Birleşik Görüntü İşleme Çerçevesi#
Ocak 2023'te yayımlanan YOLOv8, özel bir nesne algılayıcıdan çok görevli ve çok yönlü bir görüntü işleme çerçevesine dönüşerek mimaride büyük bir değişimi temsil etti.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2023-01-10
- GitHub: ultralytics/ultralytics
- Belgeler: YOLOv8 Belgeleri
Mimari Yenilikler#
Önceki sürümünün aksine YOLOv8, çapasız bir algılama başlığı sunar. Bu, veri kümesi dağılımlarına göre çapa yapılandırmalarını elle ayarlama gereksinimini ortadan kaldırarak popüler COCO veri kümesi gibi çeşitli özel veri kümelerinde genelleme yeteneğini artırır.
Mimari ayrıca omurgayı, eski C3 modülünün yerine C2f modülünü (iki evrişimli Aşamalar Arası Kısmi darboğaz) ekleyerek yükseltir. Bu geliştirme, belleğe ciddi yük bindirmeden özellik temsilini iyileştirir. Ayrıca nesne olasılığı, sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrıştırılmış başlığın uygulanması, model eğitimi sırasında yakınsamayı büyük ölçüde iyileştirir.
Çok Yönlülük ve Python API'si#
YOLOv8, çeşitli bilgisayarlı görü görevlerindeki iş akışını standartlaştıran modern ultralytics Python API'sini kullanıma sundu. Görüntü segmentasyonu, görüntü sınıflandırma veya poz tahmini yapıyor olsan da birleşik API yalnızca küçük yapılandırma değişiklikleri gerektirir.
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train on a custom dataset with built-in memory efficiency
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference and easily parse results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()Ayrıntılı Performans Karşılaştırması#
İki nesli karşılaştırdığımızda klasik bir ödünleşim görürüz: YOLOv8, genel olarak daha yüksek ortalama Ortalama Kesinlik (mAP) elde ederken YOLOv5, en küçük varyantlarında mutlak ham çıkarım hızı ve parametre sayısı açısından hafif bir avantaja sahiptir.
Aşağıda, 640 piksel görüntü boyutunda COCO veri kümesi üzerindeki performans metriklerinin ayrıntılı karşılaştırması yer alır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Veriler, YOLOv8'in doğrulukta önemli bir artış sağladığını gösterir. Örneğin YOLOv8s, YOLOv5s değerindeki 37.4 mAP'e kıyasla 44.9 mAP elde eder; bu büyük sıçrama, yoğun ortamlardaki veya küçük nesneleri tanımlamadaki performansı önemli ölçüde iyileştirir. Ancak son derece kısıtlı ortamlar için YOLOv5n, en düşük parametre sayısına ve FLOP değerine sahip olarak son derece verimli kalır.
Her iki model de Transformer modelleri gibi daha ağır mimarilere kıyasla eğitim sırasında daha düşük CUDA bellek kullanımı için yüksek düzeyde optimize edilmiştir. Bu, uygulayıcıların standart GPU'larda daha büyük toplu iş boyutları kullanmasına ve araştırma yaşam döngüsünü hızlandırmasına olanak tanır.
Ekosistem Avantajı#
YOLOv5 veya YOLOv8'den birini seçmek, geliştiricilere bakımı iyi yapılan Ultralytics Platformu'na erişim sağlar. Bu entegre ortam; veri kümesi açıklama, hiperparametre ayarlama, bulut eğitimi ve model izleme için basit araçlar sunar. Etkin geliştirme ve güçlü topluluk desteği, geliştiricilerin sorunları hızla çözmesini ve Weights & Biases ile ClearML gibi harici araçlarla entegrasyon kurmasını sağlar.
Diğer çerçeveler zorlu öğrenme eğrilerinden muzdarip olabilirken Ultralytics, hız ve doğruluk arasında çeşitli gerçek dünya dağıtım senaryolarına uygun olumlu bir ödünleşim sağlayan akıcı bir kullanıcı deneyimine öncelik verir.
v8'in Ötesi: YOLO11 ve YOLO26'yı Keşfetme#
YOLOv8 son derece yetenekli bir çerçeve olsa da yapay zekâ alanı hızla gelişir. En güncel performansla ilgilenen geliştiriciler, daha iyi hassasiyet ve hız sunmak üzere v8'in üzerine inşa edilen YOLO11 modelini de incelemelidir.
Bilgisayarlı görü teknolojisinin mutlak anlamda en ileri düzeyini arayanlar için Ultralytics YOLO26 modelini şiddetle öneriyoruz. 2026'da yayımlanan YOLO26, ileriye doğru büyük bir sıçramayı temsil eder:
- Uçtan Uca NMS'siz Tasarım: Başlangıçta deneysel mimarilerde öncülük edilen YOLO26, Maksimum Olmayan Bastırma son işleme adımını yerel olarak ortadan kaldırarak dağıtım işlem hatlarını çok daha basit ve hızlı hâle getirir.
- MuSGD Optimizasyonu: Kimi K2 gibi modellerde görülen LLM eğitim yeniliklerinden ilham alan YOLO26, daha kararlı eğitim ve hızlı yakınsama için hibrit bir optimizasyon algoritması kullanır.
- Uçta Hesaplama Uzmanlığı: Önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sunan model, özel GPU'lara sahip olmayan cihazlar için nihai çözümdür.
- Geliştirilmiş Doğruluk: Yeni ProgLoss + STAL kayıp işlevlerinden yararlanan model, robotik ve havadan drone görüntüleri için kritik olan küçük nesne tanıma performansını büyük ölçüde iyileştirir.
İster YOLOv5 ile eski bir sistemi koruyor, ister YOLOv8 ile çok yönlü bir uygulamayı ölçeklendiriyor, ister YOLO26'nın en ileri yetenekleriyle yenilik yapıyor ol; Ultralytics paketi, modern görüntü işleme yapay zekâsında başarı için gereken kapsamlı araçları sunar.