Link to this sectionYOLOv5 ve YOLOv8#

Ölçeklenebilir ve verimli bilgisayarlı görü uygulamaları geliştirirken doğru mimariyi seçmek kritik öneme sahiptir. Ultralytics ekosisteminin evrimi, hız ve doğruluk sınırlarını sürekli zorlayarak geliştiricilere gerçek dünya dağıtımları için güçlü araçlar sunmuştur. Bu teknik karşılaştırma, bir sonraki yapay zeka projeniz için bilinçli bir karar vermenize yardımcı olmak adına YOLOv5 ve YOLOv8 arasındaki farkları, mimarilerini, performans ödünleşimlerini ve ideal kullanım durumlarını incelemektedir.

Bu modellerin her ikisi de gerçek zamanlı nesne tespiti tarihinde önemli dönüm noktalarını temsil eder ve her ikisi de Ultralytics ekosisteminin karakteristiği olan yüksek düzeyde optimize edilmiş bellek gereksinimlerinden ve kullanım kolaylığından yararlanır.

Link to this sectionYOLOv5: Güvenilir Endüstri Standardı#

2020'de tanıtılan YOLOv5, hızlı, erişilebilir ve güvenilir nesne tespiti için hızla endüstri 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
• Dokümanlar: YOLOv5 Dokümantasyonu

Link to this sectionMimari Güçlü Yönler#

YOLOv5, nesne sınırlarını tahmin etmek için önceden tanımlanmış çapa kutularına dayanan çapa tabanlı bir tespit paradigması ile çalışır. Mimarisi, gradyan akışını optimize eden ve hesaplama fazlalığını azaltan bir Çapraz Aşama Kısmi (CSP) ağ omurgasını içerir. Bu, inanılmaz derecede hafif bir bellek ayak izi ile sonuçlanır ve standart tüketici GPU'larında bile eğitilmeyi son derece hızlı hale getirir.

Link to this sectionİdeal Kullanım Senaryoları#

YOLOv5 is highly recommended for projects where maximum throughput and minimal resource utilization are paramount. It excels in edge AI environments, such as deploying on Raspberry Pi or mobile devices. Its maturity means it has been thoroughly battle-tested in thousands of commercial deployments, offering unmatched stability for traditional object detection workflows.

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionYOLOv8: 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
• Dokümanlar: YOLOv8 Dokümantasyonu

Link to this sectionMimari Yenilikler#

Öncülünün aksine, YOLOv8 çapa içermeyen bir tespit başlığı sunar. Bu, popüler COCO veri kümesi gibi çeşitli özel veri kümelerinde genelleştirmeyi geliştirerek veri kümesi dağılımlarına göre çapa yapılandırmalarını manuel olarak ayarlama ihtiyacını ortadan kaldırır.

Mimari ayrıca omurgayı, eski C3 modülünün yerini alan bir C2f modülü (iki konvolüsyonlu Çapraz Aşama Kısmi darboğaz) ile yükseltir. Bu iyileştirme, belleği ağır bir şekilde yormadan özellik temsilini geliştirir. Ayrıca, nesnelik, sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir başlığın uygulanması, model eğitimi sırasındaki yakınsamayı önemli ölçüde artırır.

Link to this sectionÇok Yönlülük ve Python API#

YOLOv8, çeşitli bilgisayarlı görü görevleri genelinde iş akışını standartlaştıran modern ultralytics Python API'sini tanıttı. Görüntü segmentasyonu, görüntü sınıflandırması veya poz tahmini yapıyor olsan, 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()

YOLOv8 hakkında daha fazla bilgi edinin

Link to this sectionAyrıntılı Performans Karşılaştırması#

İki nesli karşılaştırdığımızda, klasik bir ödünleşim gözlemliyoruz: YOLOv8 genel olarak daha yüksek ortalama Hassasiyet (mAP) elde ederken, YOLOv5 en küçük varyantları için mutlak ham çıkarım hızında ve parametre sayısında hafif bir üstünlüğü korur.

Aşağıda, 640 piksel görüntü boyutundaki COCO veri kümesi üzerindeki performans metriklerinin ayrıntılı karşılaştırması bulunmaktadır.

Veriler, YOLOv8'in doğrulukta önemli bir artış sağladığını ortaya koyuyor. Örneğin, YOLOv8s 37.4 mAP'lik YOLOv5s'e kıyasla 44.9 mAP elde eder; bu, yoğun ortamlarda veya küçük nesneleri tanımlarken performansı önemli ölçüde artıran devasa bir sıçramadır. Ancak, ultra kısıtlı ortamlar için YOLOv5n, en düşük parametre sayısına ve FLOP değerlerine sahip olmasıyla inanılmaz derecede verimli kalmaya devam ediyor.

Link to this sectionEkosistem Avantajı#

YOLOv5 veya YOLOv8'den herhangi birini seçmek, geliştiricilere iyi bakılan Ultralytics Platform'a erişim sağlar. Bu entegre ortam; veri kümesi açıklaması, hiperparametre ayarı, bulut eğitimi ve model izleme için basit araçlar sunar. Aktif geliştirme ve güçlü topluluk desteği, geliştiricilerin sorunları hızlı bir şekilde çözebilmelerini ve Weights & Biases ve ClearML gibi harici araçlarla entegre olabilmelerini 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.

Link to this sectionv8'in Ötesinde: YOLO11 ve YOLO26'yı Keşfetmek#

YOLOv8 son derece yetenekli bir çerçeve olsa da, yapay zeka alanı hızla evrilmektedir. En son teknoloji performansı ile ilgilenen geliştiriciler, v8 üzerine inşa edilen ve geliştirilmiş hassasiyet ve hıza sahip YOLO11'i de keşfetmelidir.

Bilgisayarlı görü teknolojisinin mutlak en uç noktasını arayanlar için Ultralytics YOLO26'yı şiddetle tavsiye ediyoruz. 2026'da piyasaya sürülen YOLO26, ileriye doğru atılmış devasa bir sıçramayı temsil eder:

• 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, robotik ve hava drone görüntüleri için kritik olan küçük nesne tanımayı önemli ölçüde 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.