YOLOv5 ve YOLOv8#

Ölçeklenebilir ve verimli bilgisayarlı görü uygulamaları geliştirirken doğru mimariyi seçmek kritik önem taşır. Ultralytics ekosisteminin gelişimi, hız ve doğruluk sınırlarını sürekli zorlayarak geliştiricilere gerçek dünya dağıtımları için sağlam araçlar sunmuştur. Bu teknik karşılaştırma, YOLOv5 ile YOLOv8 arasındaki farkları derinlemesine inceliyor; mimarilerini, performans ödünleşimlerini ve ideal kullanım alanlarını ele alarak bir sonraki AI projen için bilinçli bir karar vermene yardımcı oluyor.

Bu iki model de gerçek zamanlı nesne algılama tarihindeki önemli kilometre taşlarıdır ve her ikisi de Ultralytics ekosistemini tanımlayan son derece optimize edilmiş bellek gereksinimlerinden ve kullanım kolaylığından yararlanır.

YOLOv5: Güvenilir Sektör Standardı#

2020'de kullanıma sunulan YOLOv5, hızlı, erişilebilir ve güvenilir nesne algılama alanında kısa sürede sektör standardı hâline geldi. Yerel bir PyTorch uygulamasından yararlanarak mühendisler için eğitim ve dağıtım yaşam döngüsünü dünya çapında 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 bağlantı kutularına dayanan, bağlantı noktası tabanlı bir algılama paradigması kullanır. Mimarisinde gradyan akışını optimize eden ve hesaplama tekrarını azaltan bir Çapraz Aşamalı Kısmi (CSP) ağ omurgası bulunur. Bu sayede bellek kullanımı son derece düşük kalır ve standart tüketici sınıfı GPU'larda bile olağanüstü hızlı eğitim yapılabilir.

İdeal Kullanım Alanları#

YOLOv5, en yüksek işlem hacminin ve en düşük kaynak kullanımının öncelikli olduğu projeler için şiddetle tavsiye edilir. Uç yapay zekâ ortamlarında, örneğin Raspberry Pi veya mobil cihazlara dağıtımda üstün performans gösterir. Olgunluğu sayesinde binlerce ticari dağıtımda kapsamlı biçimde sahada test edilmiştir ve geleneksel nesne algılama iş akışlarında eşsiz bir kararlılık sunar.

YOLOv8: Birleşik Görü Çatısı#

Ocak 2023'te yayımlanan YOLOv8, özel bir nesne algılayıcıdan çok görevli, çok yönlü bir görü çatısına dönüşerek mimaride köklü 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 modelinden farklı olarak YOLOv8, bağlantı noktası içermeyen bir algılama başlığı sunar. Bu, veri kümesi dağılımlarına göre bağlantı noktası yapılandırmalarını elle ayarlama ihtiyacını ortadan kaldırarak popüler COCO veri kümesi gibi çeşitli özel veri kümelerinde genelleme yeteneğini artırır.

Mimari ayrıca eski C3 modülünün yerine bir C2f modülü (iki evrişimli Çapraz Aşamalı Kısmi darboğaz) ekleyerek omurgayı geliştirir. Bu iyileştirme, belleğe fazla yük bindirmeden özellik temsilini güçlendirir. Ayrıca sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrışık bir başlık kullanılması, model eğitimi sırasında yakınsamayı önemli ölçüde hızlandırır.

Çok Yönlülük ve Python API'si#

YOLOv8, çeşitli bilgisayarlı görü görevlerinde iş akışını standartlaştıran modern ultralytics Python API'sini kullanıma sundu. Görüntü bölümleme, görüntü sınıflandırma veya poz tahmini yapıyor olman fark etmeksizin birleşik API yalnızca küçük yapılandırma değişiklikleri gerektirir.

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#

İki nesli karşılaştırdığımızda klasik bir ödünleşim görüyoruz: YOLOv8 genel olarak daha yüksek ortalama Ortalama Kesinlik (mAP elde ederken YOLOv5, en küçük varyantlarında mutlak ham çıkarım hızı ve parametre sayısı bakımından avantajını korur.

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

Veriler, YOLOv8'in doğrulukta önemli bir artış sağladığını gösteriyor. Örneğin YOLOv8s, YOLOv5s modelinin 37,4 mAP değerine kıyasla 44,9 mAP değerine ulaşarak yoğun ortamlarda veya küçük nesneleri tanımlarken performansı önemli ölçüde artıran büyük bir sıçrama yapıyor. Ancak kaynakların son derece kısıtlı olduğu ortamlarda YOLOv5n, en düşük parametre sayısına ve FLOP değerine sahip olarak son derece verimli olmaya devam ediyor.

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 çatılarda öğrenme eğrisi dik olabilirken Ultralytics, farklı gerçek dünya dağıtım senaryolarına uygun hız-doğruluk dengesini koruyarak kolaylaştırılmış bir kullanıcı deneyimine öncelik verir.

v8 Sonrası: YOLO11 ve YOLO26'yı Keşfet#

YOLOv8 oldukça yetenekli bir çatı olsa da yapay zekâ alanı hızla gelişiyor. Son teknoloji performansla ilgilenen geliştiriciler, v8'in üzerine gelişmiş hassasiyet ve hız özellikleri ekleyen YOLO11 modelini de incelemelidir.

Bilgisayarlı görü teknolojisinin en ileri noktasını arayanlara Ultralytics YOLO26 modelini kesinlikle öneriyoruz. 2026'da yayımlanan YOLO26, büyük bir sıçramayı temsil ediyor:

• Uçtan Uca NMS'siz Tasarım: İlk olarak deneysel mimarilerde öncülük edilen YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma son işlemesini ortadan kaldırarak dağıtım işlem hatlarını çok daha basit ve hızlı hâle getiriyor.
• MuSGD Optimizasyon Algoritması: Kimi K2 gibi modellerde görülen LLM eğitimi yeniliklerinden ilham alan YOLO26, daha kararlı eğitim ve hızlı yakınsama için hibrit bir optimizasyon algoritması kullanıyor.
• Uç Bilişimde Üstünlük: Önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sunan model, özel GPU'su olmayan cihazlar için en iyi seçenek.
• Geliştirilmiş Doğruluk: Yeni ProgLoss + STAL kayıp fonksiyonları, robotik ve havadan drone görüntüleri için kritik öneme sahip küçük nesne tanımayı önemli ölçüde iyileştiriyor.

YOLOv5 kullanan eski bir sistemi sürdürürken, YOLOv8 ile çok yönlü bir uygulamayı ölçeklendirirken veya YOLO26'nın son teknoloji özellikleriyle yenilik yaparken Ultralytics paketi, modern görsel yapay zekâda başarılı olmak için gereken kapsamlı araçları sunar.