YOLOv5 ve YOLOv8#
Ölçeklenebilir ve verimli computer vision uygulamaları geliştirirken doğru mimariyi seçmek kritik önem taşır. Ultralytics ekosisteminin evrimi, hız ve doğruluk sınırlarını sürekli olarak zorlayarak geliştiricilere gerçek dünyadaki dağıtımlar için güçlü araçlar sunmuştur. Bu teknik karşılaştırma; bir sonraki yapay zeka projeniz için bilinçli bir karar vermenize yardımcı olmak amacıyla mimarilerini, performans takaslarını ve ideal kullanım alanlarını inceleyerek YOLOv5 ve YOLOv8 arasındaki farkları ele alıyor.
Bu modellerin her ikisi de gerçek zamanlı object detection tarihinde önemli dönüm noktalarını temsil eder ve her ikisi de Ultralytics ekosistemini karakterize eden son derece optimize edilmiş bellek gereksinimlerinden ve ease of use avantajından yararlanır.
YOLOv5: Güvenilir Endüstri Standardı#
2020 yılında tanıtılan YOLOv5, hızlı, erişilebilir ve güvenilir nesne tespiti için kısa sürede sektör standardı haline geldi. Yerel bir PyTorch uygulamasından yararlanarak dünya genelindeki mühendisler için eğitim ve dağıtım yaşam döngüsünü kolaylaştırdı.
- Yazarlar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Dokümantasyon: YOLOv5 Documentation
Mimari Güçlü Yönler#
YOLOv5, nesne sınırlarını tahmin etmek için önceden tanımlanmış anchor boxes öğelerine güvenen, çıpa tabanlı bir tespit paradigması üzerinde çalışır. Mimarisi, gradyan akışını optimize eden ve hesaplama yedekliliğini azaltan bir Cross-Stage Partial (CSP) ağ omurgasını içerir. Bu, inanılmaz derecede hafif bir bellek ayak izi sağlayarak standart tüketici GPUs üzerinde bile eğitilmesini son derece hızlı hale getirir.
İdeal Kullanım Senaryoları#
YOLOv5, maksimum veri akışı ve minimum kaynak kullanımının en önemli olduğu projeler için şiddetle tavsiye edilir. Raspberry Pi veya mobil cihazlara dağıtım gibi edge AI ortamlarında üstün başarı gösterir. Olgunluğu, binlerce ticari dağıtımda kapsamlı bir şekilde savaş testinden geçirildiği anlamına gelir ve geleneksel nesne tespiti iş akışları için eşsiz bir kararlılık sunar.
YOLOv5 hakkında daha fazla bilgi edin
YOLOv8: Birleşik Görü Çerçevesi#
Ocak 2023'te yayınlanan YOLOv8, özel bir nesne dedektöründen çok yönlü, çok görevli bir görü çerçevesine evrilerek anıtsal bir mimari değişimi temsil etti.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2023-01-10
- GitHub: ultralytics/ultralytics
- Dokümantasyon: YOLOv8 Documentation
Mimari Yenilikler#
Öncülünün aksine YOLOv8, çıpasız (anchor-free) bir tespit başlığı sunar. Bu, popüler COCO dataset gibi çeşitli özel veri kümelerinde genellemeyi geliştirerek, veri kümesi dağılımlarına göre çıpa yapılandırmalarını manuel olarak ayarlama ihtiyacını ortadan kaldırır.
Mimari ayrıca, daha eski C3 modülünün yerini alan bir C2f modülü (iki evrişimli Cross-Stage Partial dar boğazı) ile omurgayı yükseltir. Bu geliştirme, belleği aşırı derecede zorlamadan özellik temsilini iyileştirir. Ek olarak, nesnesellik, sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir başlığın uygulanması, model training sırasında yakınsamayı büyük ölçüde iyileştirir.
Çok Yönlülük ve Python API#
YOLOv8, çeşitli bilgisayarlı görü görevlerinde iş akışını standartlaştıran modern ultralytics Python API'sini tanıttı. İster image segmentation, ister image classification, ister pose estimation gerçekleştiriyor olun, birleştirilmiş 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()YOLOv8 hakkında daha fazla bilgi edinin
Ayrıntılı Performans Karşılaştırması#
İki nesli karşılaştırdığımızda klasik bir takas gözlemliyoruz: YOLOv8 genel olarak daha yüksek ortalama Ortalama Kesinlik (mAP) elde ederken, YOLOv5 en küçük varyantları için mutlak ham çıkarım hızında ve parametre sayısında hafif bir üstünlük korur.
Aşağıda, 640 piksel görüntü boyutundaki COCO veri kümesi üzerindeki performans metriklerinin ayrıntılı karşılaştırması bulunmaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 doğrusal olarak önemli bir artış sağladığını ortaya koyuyor. Örneğin, YOLOv8s, YOLOv5s üzerindeki 37.4 mAP'ye kıyasla 44.9 mAP elde ediyor; bu da yoğun ortamlarda veya küçük nesneler tanımlanırken performansı önemli ölçüde artıran büyük bir sıçramadır. Bununla birlikte, kısıtlı ortamlar için YOLOv5n, en düşük parametre sayısına ve FLOP'a sahip olarak inanılmaz derecede verimli kalmaya devam ediyor.
Her iki model de transformer models gibi daha ağır mimarilere kıyasla eğitim sırasında daha düşük CUDA bellek kullanımı için yüksek düzeyde optimize edilmiştir. Bu, uygulayıcıların standart GPU'larda daha büyük grup boyutları kullanmasına olanak tanıyarak araştırma yaşam döngüsünü hızlandırır.
Ekosistem Avantajı#
YOLOv5 veya YOLOv8'den herhangi birini seçmek, geliştiricilere bakımı iyi yapılmış Ultralytics Platform erişimi sağlar. Bu entegre ortam; veri kümesi etiketleme, hyperparameter tuning, bulut eğitimi ve model izleme için basit araçlar sunar. Aktif geliştirme ve güçlü topluluk desteği, geliştiricilerin sorunları hızlı bir şekilde çözmesini ve Weights & Biases ile ClearML gibi harici araçlarla entegre olmasını sağlar.
Diğer çerçeveler dik öğrenme eğrilerinden muzdarip olabilirken, Ultralytics, çeşitli gerçek dünya dağıtım senaryolarına uygun hız ve doğruluk arasında elverişli bir ödünleşim sağlayarak kolaylaştırılmış bir kullanıcı deneyimine öncelik verir.
v8'in Ötesinde: YOLO11 ve YOLO26'yı Keşfetmek#
YOLOv8 son derece yetenekli bir çerçeve olsa da yapay zeka alanı hızla gelişmektedir. En son teknoloji performansla ilgilenen geliştiriciler, v8 üzerine geliştirilmiş iyileştirilmiş hassasiyet ve hız sunan YOLO11 seçeneğini de incelemelidir.
Bilgisayarlı görü teknolojisinin en son sınırlarını arayanlar için Ultralytics YOLO26 sürümünü şiddetle tavsiye ediyoruz. 2026 yılında yayınlanan YOLO26, ileriye doğru büyük bir sıçramayı temsil ediyor:
- Uçtan Uca NMS-Free Tasarım: Başlangıçta deneysel mimarilerde öncülük edilen YOLO26, Maksimum Olmayan Bastırma (NMS) sonrası işlemeyi yerel olarak ortadan kaldırır ve bu da önemli ölçüde daha basit ve hızlı dağıtım boru hatlarına yol açar.
- MuSGD Optimize Edici: Kimi K2 gibi modellerde görülen LLM eğitim yeniliklerinden esinlenen YOLO26, daha kararlı eğitim ve hızlı yakınsama için hibrit bir optimize edici kullanır.
- Uç Bilişimde Uzmanlık: Önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı ile, özel GPU'lardan yoksun cihazlar için nihai modeldir.
- Gelişmiş Doğruluk: Yeni ProgLoss + STAL kayıp fonksiyonlarını kullanarak, robotics ve havadan drone görüntüleri için kritik olan küçük nesne tanımayı dramatik bir şekilde iyileştirir.
İster YOLOv5 ile eski bir sistemi koruyor, ister YOLOv8 ile çok yönlü bir uygulamayı ölçeklendiriyor veya YOLO26'nın en son yetenekleriyle yenilik yapıyor olun, Ultralytics paketi modern görü yapay zekasında başarı için gerekli kapsamlı araçları sağlar.