Başla

YOLOv5 ve YOLOv8

Ölçeklenebilir ve verimli bilgisayarlı görü uygulamaları geliştirirken doğru mimariyi seçmek kritik önem taşır. Ultralytics ekosistemi hızı ve doğruluğu istikrarlı biçimde geliştirerek gerçek dünya dağıtımları için geliştiricilere sağlam araçlar sunuyor. Bu teknik karşılaştırma, bilinçli bir karar vermene yardımcı olmak için YOLOv5 ile YOLOv8 arasındaki farkları; mimarilerini, performans ödünleşimlerini ve ideal kullanım senaryolarını ele alıyor.

Bu modellerin ikisi de gerçek zamanlı nesne algılama tarihinde önemli dönüm noktalarını temsil ediyor ve Ultralytics ekosisteminin karakteristik özellikleri olan düşük bellek gereksinimlerinden ve kullanım kolaylığından yararlanıyor.

YOLOv5: Güvenilir Sektör Standardı#

2020'de tanıtılan YOLOv5, hızlı, erişilebilir ve güvenilir nesne algılama için kısa sürede yaygın biçimde benimsenen bir standart hâline geldi. Yerel bir PyTorch uygulamasından yararlanarak mühendisler için eğitim ve dağıtım yaşam döngüsünü kolaylaştırdı.

Mimari Güçlü Yönler#

YOLOv5, nesne sınırlarını tahmin etmek için önceden tanımlanmış anchor kutularına dayanan anchor tabanlı bir algılama yaklaşımı kullanır. Mimarisinde, gradyan akışını optimize eden ve hesaplama tekrarlarını azaltan bir Aşamalar Arası Kısmi (CSP) ağ omurgası bulunur. Bunun sonucunda bellek kullanımı düşük kalır ve standart tüketici sınıfı GPU'larda bile hızlı eğitilebilir.

İdeal Kullanım Alanları#

YOLOv5, en yüksek işlem hacmi ve en düşük kaynak kullanımını önceleyen projeler için uygundur. Uç yapay zekâ ortamlarında, örneğin Raspberry Pi veya mobil cihazlara dağıtımda başarılıdır. Olgun bir model olması, binlerce ticari dağıtımda kendini kanıtladığı ve geleneksel nesne algılama iş akışları için kararlı davranış sunduğu anlamına gelir.

Eski Sistemlere Dağıtım Avantajı

Yaygın biçimde benimsendiği için YOLOv5'in TensorRT ve ONNX gibi dağıtım çerçevelerine yönelik kararlı ve kapsamlı biçimde test edilmiş dışa aktarma yolları vardır; bu da eski teknoloji yığınlarıyla entegrasyonu kolaylaştırır.

YOLOv8: Birleşik Görü Çatısı#

Ocak 2023'te yayımlanan YOLOv8, özel bir nesne algılayıcıdan çok yönlü, çok görevli bir görü çerçevesine dönüşerek mimaride önemli bir değişime imza attı.

Mimari Yenilikler#

YOLOv8, önceki modelinden farklı olarak anchor-free bir algılama başlığı sunar. Böylece veri kümesi dağılımlarına göre anchor yapılandırmalarını elle ayarlama gereksinimi ortadan kalkar ve popüler COCO veri kümesinden çeşitli özel verilere kadar farklı veri kümelerinde genelleme iyileşir.

Mimari ayrıca omurgayı, eski C3 modülünün yerine geçen bir C2f modülüyle (iki evrişimli Aşamalar Arası Kısmi darboğaz) günceller. Bu iyileştirme, belleğe aşırı yük bindirmeden özellik gösterimini geliştirir. Ayrıca sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrık başlığın uygulanması, model eğitimi sırasında yakınsamayı iyileştirir.

Çok Yönlülük ve Python API'si#

YOLOv8, çeşitli bilgisayarlı görü görevlerinde iş akışını standartlaştıran modern ultralytics Python API'sini tanıttı. İster örnek bölümleme, ister görüntü sınıflandırma ya da poz tahmini yapıyor ol, birleşik API'de yalnızca küçük yapılandırma değişiklikleri gerekir.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv8 modelini yükle
model = YOLO("yolov8n.pt")

# Yerleşik bellek verimliliğiyle özel bir veri kümesinde eğitim yap
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Çıkarım çalıştır ve sonuçları kolayca ayrıştır
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Ayrıntılı Performans Karşılaştırması#

Bu iki nesli karşılaştırırken klasik bir ödünleşim görülür: YOLOv8 genelinde daha yüksek ortalama Ortalama Hassasiyet (mAP) elde ederken YOLOv5, en küçük varyantlarında mutlak ham çıkarım hızı ve parametre sayısı bakımından üstünlüğünü korur.

Aşağıda, 640 piksel görüntü boyutunda COCO veri kümesindeki performans ölçütlerinin ayrıntılı karşılaştırması yer alıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Veriler, YOLOv8'in doğruluğu önemli ölçüde artırdığını gösteriyor. Örneğin YOLOv8s, 44,9 mAP değerine ulaşırken YOLOv5s 37,4 mAP değerinde kalır; yoğun sahnelerde ve küçük nesnelerde avantaj sağlayan bu fark 7,5 puandır. Ancak kaynakların son derece kısıtlı olduğu ortamlarda en düşük parametre sayısına ve FLOP değerine sahip YOLOv5n en verimli seçenek olmaya devam eder.

Bellek Gereksinimleri

Her iki model de transformatör modelleri gibi daha ağır mimarilere kıyasla eğitim sırasında CUDA bellek kullanımını önemli ölçüde azaltacak biçimde optimize edilmiştir. Bu sayede uygulayıcılar standart GPU'larda daha büyük yığın boyutları kullanarak araştırma sürecini hızlandırabilir.

Ekosistem Avantajı#

YOLOv5 veya YOLOv8'i seçen geliştiriciler, bakımı iyi yapılan Ultralytics Platform ortamına erişim kazanır. Bu tümleşik ortam, veri kümesi etiketleme, bulutta eğitim ve model izleme için basit araçlar sunarken ultralytics paketi yerleşik hiperparametre ayarlama özelliği ekler. Aktif geliştirme ve güçlü topluluk desteği, geliştiricilerin sorunları hızla çözmesini ve Weights & Biases ile ClearML gibi harici araçlarla entegrasyon kurmasını sağlar.

Diğer çerçevelerin öğrenme eğrisi daha dik olsa da Ultralytics, farklı gerçek dünya dağıtım senaryolarına uygun, hız ile doğruluk arasında elverişli bir ödünleşim sunan yalın bir kullanıcı deneyimine öncelik verir.

v8 Sonrası: YOLO11 ve YOLO26'yı Keşfet#

YOLOv8 oldukça yetenekli bir çerçeve olsa da yapay zekâ alanı hızla gelişiyor. En yeni performansı arayan geliştiriciler, doğruluk ve hız iyileştirmeleriyle v8'i temel alan YOLO11 modelini de incelemelidir.

Ultralytics yeni projeler için Ultralytics YOLO26 modelini öneriyor. Ocak 2026'da yayımlanan YOLO26, çeşitli iyileştirmeler sunuyor:

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından YOLO modellerine kazandırılan NMS'siz eğitim yaklaşımını temel alan YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma son işlemesini ortadan kaldırarak daha basit ve hızlı dağıtım işlem hatları sağlar.
  • MuSGD Optimize Edici: Kimi K2 gibi modellerde görülen LLM eğitim yeniliklerinden ilham alan YOLO26, daha kararlı eğitim ve daha hızlı yakınsama için hibrit bir optimize edici kullanır.
  • Uç Bilişim: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da YOLO26'yı özel GPU'su olmayan cihazlar için uygun hâle getirir.
  • Gelişmiş Doğruluk: Yeni aşamalı kayıp ve küçük hedefleri dikkate alan etiket atamasını (ProgLoss + STAL) kullanan YOLO26, robotik ve drone hava görüntüleri için kritik önem taşıyan küçük nesne tanımayı iyileştirir.

YOLOv5 ile eski bir sistemi sürdürürken, YOLOv8 ile çok yönlü bir uygulamayı ölçeklerken veya yeni projelerde YOLO26'yı benimserken Ultralytics ekosistemi, modern görü yapay zekâsını eğitmek, dağıtmak ve sürdürmek için gerekli araçları sağlar.

Katkıda Bulunanlar

Yorumlar1

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. EllaSophiaGitHub(düzenlendi)

    Excellent breakdown of YOLOv5 vs. YOLOv8! It's clear how YOLOv8 introduces major improvements in model architecture, task flexibility, and training pipeline. This YOLOv8 comparison really helps in understanding how far the framework has evolved, especially for those upgrading from YOLOv5.