Link to this sectionYOLOv5 vs YOLOX#

Gerçek zamanlı bilgisayarlı görü dünyasının evrimi, hız ve doğruluk sınırlarını zorlayan farklı mimarilerle birçok dönüm noktasına tanıklık etti. Bu alandaki oldukça etkili iki model YOLOv5 ve YOLOX'tur. Her ikisi de nesne algılamadaki yüksek performanslarıyla tanınsa da, temel olarak farklı mimari yaklaşımlar benimserler.

Bu kılavuz, geliştiricilerin ve araştırmacıların vizyon AI projeleri için doğru aracı seçmelerine yardımcı olmak amacıyla bu iki modelin mimarilerini, performans metriklerini, eğitim metodolojilerini ve ideal dağıtım senaryolarını karşılaştıran derinlemesine bir teknik analiz sunmaktadır.

Link to this sectionModel Genel Bakışları ve Mimari Farklılıklar#

Link to this sectionUltralytics YOLOv5#

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: Ultralytics YOLOv5 Deposu
• Dokümantasyon: YOLOv5 Resmi Dokümanları

Ultralytics tarafından sunulan YOLOv5, performans, kullanım kolaylığı ve bellek verimliliğindeki olağanüstü dengesi sayesinde hızla bir endüstri standardı haline geldi. PyTorch çerçevesi üzerinde yerel olarak inşa edilen YOLOv5, çapa tabanlı (anchor-based) bir mimari kullanır. Nesne konumlarını tahmin etmek için önceden tanımlanmış sınırlayıcı kutu (bounding box) şekillerine güvenir, bu da onu standart nesne algılama görevleri için son derece etkili kılar.

YOLOv5'in en büyük güçlerinden biri, iyi korunmuş ekosistemidir. Kapsamlı dokümantasyona, inanılmaz derecede basit bir Python API'sine ve Ultralytics Platform ile yerel entegrasyona sahiptir. Bu, geliştiricilerin veri kümesi etiketlemeden eğitime ve ONNX ve TensorRT gibi formatlara aktarıma sorunsuz bir şekilde geçiş yapmalarını sağlar.

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionMegvii YOLOX#

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 2021-07-18
• Arxiv: YOLOX: 2021'de YOLO Serisini Aşmak
• GitHub: Megvii YOLOX Deposu
• Dokümantasyon: YOLOX GitHub Dokümanları

Megvii'deki araştırmacılar tarafından geliştirilen YOLOX, YOLO ailesine çapasız (anchor-free) bir tasarım getirerek farklı bir yol izledi. Çapa kutularını ortadan kaldıran YOLOX, algılama başlığını basitleştirir ve eğitim sırasında manuel ayarlama gerektiren sezgisel parametrelerin sayısını önemli ölçüde azaltır.

YOLOX ayrıca sınıflandırma ve regresyon görevlerini farklı ağ dallarına ayıran ayrıştırılmış bir başlık (decoupled head) içerir ve SimOTA etiket atama stratejisini kullanır. Bu yenilikler, akademik araştırmalar ile endüstriyel uygulamalar arasındaki boşluğu kapatarak YOLOX'u çok çeşitli nesne ölçeklerine sahip ortamlarda özellikle etkili kılar.

YOLOX hakkında daha fazla bilgi edinin

Link to this sectionPerformans ve Metrikler#

Bilgisayarlı görü modellerini değerlendirirken, ortalama Hassasiyet (mAP) ile çıkarım hızı arasındaki takas kritik öneme sahiptir. Her iki model de farklı donanım kısıtlamalarına uyacak çeşitli boyutlar (Nano'dan Extra-Large'a kadar) sunar.

YOLOXx biraz daha yüksek bir tepe doğruluğu (51.1 mAP) elde etse de, YOLOv5 CPU ve GPU donanımlarında çok daha sağlam ve kapsamlı bir şekilde test edilmiş bir dağıtım hattı sağlar. YOLOv5 için TensorRT hızları, uç bilişim cihazları için derin optimizasyonunu vurgulayarak, onu gerçek zamanlı video analitiği için son derece güvenilir bir seçim haline getirir.

Link to this sectionEğitim Metodolojileri ve Kullanılabilirlik#

Geliştirici deneyimi, bu iki mimari arasında önemli ölçüde farklılık gösterir.

Link to this sectionYOLOX Yaklaşımı#

YOLOX'u eğitmek genellikle orijinal depoyu klonlamayı, belirli bağımlılıkları yönetmeyi ve karmaşık komut satırı betiklerini çalıştırmayı gerektirir. MegEngine aracılığıyla karma hassasiyetli eğitim ve çok düğümlü kurulumlar gibi gelişmiş özellikleri desteklese de, hızlı prototiplemeye ihtiyaç duyan geliştiriciler için öğrenme eğrisi dik olabilir.

Link to this sectionUltralytics Avantajı#

Buna karşılık, Ultralytics son derece akıcı bir kullanıcı deneyimine öncelik verir. ultralytics Python paketiyle, geliştiriciler minimum ortak kod (boilerplate) ile bir modeli yükleyebilir, eğitebilir ve doğrulayabilir. Ultralytics, karmaşık veri artırmalarını, hiperparametre evrimini ve öğrenme oranı planlamasını otomatik olarak yönetir.

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

Ayrıca, YOLOv5'in çok yönlülüğü standart nesne algılamanın ötesine geçerek, aynı tutarlı API içinde görüntü sınıflandırma ve örnek bölümleme için güçlü destek sunar.

Link to this sectionGerçek Dünya Uygulamaları#

Bu modeller arasında seçim yapmak, dağıtım ortamına ve teknik gereksinimlerine bağlıdır:

• Perakende ve Envanter Yönetimi: NVIDIA Jetson gibi uç cihazlarda gerçek zamanlı ürün tanıma gerektiren uygulamalar için YOLOv5 son derece uygundur. Minimum bellek ayak izi ve hızlı TensorRT çıkarım hızları, kare kaybı yaşamadan çoklu kamera takibini mümkün kılar.
• Akademik Araştırma ve Özel Mimariler: YOLOX, araştırma topluluğunda oldukça saygındır. Ayrıştırılmış başlığı ve çapasız yapısı, onu yeni etiket atama stratejileriyle denemeler yapmak isteyen mühendisler veya geleneksel çapa kutularının genelleştirilemediği veri kümeleriyle çalışanlar için mükemmel bir temel haline getirir.
• Tarımsal AI: İHA'lar aracılığıyla meyve algılama veya yabani ot tanımlama gibi hassas tarım görevleri için, Ultralytics Platform kullanarak YOLOv5 modellerini eğitme ve dağıtma kolaylığı, alan uzmanlarının derin makine öğrenimi mühendisliği geçmişine ihtiyaç duymadan AI çözümlerini uygulamalarına olanak tanır.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv5 ve YOLOX arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionYOLOv5 Ne Zaman Seçilmeli#

YOLOv5 şunlar için güçlü bir tercihtir:

• Kanıtlanmış Üretim Sistemleri: YOLOv5'in uzun istikrar geçmişinin, kapsamlı belgelerinin ve devasa topluluk desteğinin değerli olduğu mevcut dağıtımlar.
• Kaynak Kısıtlı Eğitim: YOLOv5'in verimli eğitim hattının ve düşük bellek gereksinimlerinin avantajlı olduğu, sınırlı GPU kaynaklarına sahip ortamlar.
• Kapsamlı Dışa Aktarma Formatı Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok formatta dağıtım gerektiren projeler.

Link to this sectionNe Zaman YOLOX Seçilmeli#

YOLOX şunlar için önerilir:

• Anchor-Free Algılama Araştırmaları: Yeni algılama başlıkları veya kayıp fonksiyonlarını denemek için YOLOX'un temiz, anchor-free mimarisini temel olarak kullanan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (0.91M parametre) kritik olduğu mikrodenetleyicilerde veya eski mobil donanımlarda dağıtım yapmak.
• SimOTA Etiket Atama Çalışmaları: Optimum taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini araştıran araştırma projeleri.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionGörü YZ'nin Geleceği: YOLO26 ile Tanışın#

Hem YOLOv5 hem de YOLOX bilgisayarlı görü tarihinde yerlerini sağlamlaştırmış olsa da, alan hızla ilerlemektedir. Bugün yeni projelere başlayan geliştiriciler için Ultralytics, en son amiral gemisi modeli olan YOLO26'yı keşfetmelerini şiddetle tavsiye eder.

Ocak 2026'da piyasaya sürülen YOLO26, hem performans hem de kullanılabilirlik açısından büyük bir sıçramayı temsil eder. Çığır açan bir uçtan uca NMS'siz tasarım sunarak, Non-Maximum Suppression son işleme adımını tamamen ortadan kaldırır. Bu, gecikme değişkenliğini önemli ölçüde azaltır ve düşük güçlü cihazlarda dağıtım mantığını basitleştirir.

Ayrıca YOLO26, inanılmaz derecede kararlı ve hızlı yakınsama için LLM eğitim yeniliklerinden esinlenen SGD ve Muon'un bir melezi olan yeni MuSGD Optimizer'ı kullanır. DFL Removal (basitleştirilmiş dışa aktarma ve daha iyi uç/düşük güçlü cihaz uyumluluğu için kaldırılan Distribution Focal Loss) ile YOLO26, %43'e kadar daha hızlı CPU çıkarımı sağlayarak modern uç bilişim, robotik ve IoT uygulamaları için nihai model konumunu sağlamlaştırır. Ek olarak, ProgLoss + STAL, IoT, robotik ve hava görüntüleri için kritik olan küçük nesne tanımada kayda değer iyileştirmelerle geliştirilmiş kayıp fonksiyonları sunar. Önceki nesillerle ilgilenen kullanıcılar YOLO11 modeline de göz atabilir, ancak YOLO26 tartışmasız son teknoloji tercihtir.

Link to this sectionSonuç#

YOLOv5 ve YOLOX, inanılmaz nesne algılama yetenekleri sunar. YOLOX, çapasız tasarımların 2021'de geleneksel yöntemlerle rekabet edebileceğini ve onları aşabileceğini kanıtlayarak mimari sınırları zorladı. Ancak YOLOv5, benzersiz kullanım kolaylığı, kapsamlı ekosistemi ve eğitim sırasında daha düşük bellek gereksinimleri nedeniyle baskın bir güç olmaya devam etmektedir.

Ticari uygulamaların büyük çoğunluğu için Ultralytics ekosistemi, ham bir veri kümesinden dağıtılmış bir üretim modeline giden en hızlı yolu sağlar. İster denenmiş ve doğrulanmış YOLOv5 kullanılsın, ister en son teknoloji YOLO26'ya yükseltilsin, geliştiriciler vizyon AI'yi erişilebilir, verimli ve yüksek performanslı hale getirmek için tasarlanmış bir çerçeveden faydalanırlar.