Başla

YOLOv5 ve YOLOX

Gerçek zamanlı bilgisayarlı görünün gelişimi, farklı mimarilerin hızı ve doğruluğu artırdığı pek çok dönüm noktasına sahne oldu. Bu alanda etkili olan iki model YOLOv5 ve YOLOX'tir. Her ikisi de nesne algılamadaki yüksek performanslarıyla bilinse de temelde farklı mimari yaklaşımlar kullanırlar.

Bu kılavuz, geliştiricilerin ve araştırmacıların görüntü yapay zekâ projeleri için doğru aracı seçmelerine yardımcı olmak üzere bu iki modelin mimarilerini, performans metriklerini, eğitim yöntemlerini ve ideal dağıtım senaryolarını teknik açıdan inceler.

Model Genel Bakışları ve Mimari Farklılıklar#

Ultralytics YOLOv5#

Ultralytics tarafından kullanıma sunulan YOLOv5, güçlü performans dengesi, kullanım kolaylığı ve bellek verimliliği sayesinde kısa sürede sektör standardı hâline geldi. Yerel olarak PyTorch çerçevesi üzerine inşa edilen YOLOv5, bağlantı kutusu temelli bir mimari kullanır. Nesne konumlarını tahmin etmek için önceden tanımlanmış sınırlayıcı kutu şekillerine dayanır; bu da onu standart nesne algılama görevlerinde oldukça etkili kılar.

YOLOv5'in en güçlü yönlerinden biri bakımı iyi yapılan ekosistemidir. Kapsamlı belgeler, basit bir Python API'si ve Ultralytics Platformu ile yerel entegrasyon sunar. Böylece geliştiriciler veri kümesi etiketlemeden doğrudan eğitime ve ONNX ile TensorRT gibi biçimlere dışa aktarmaya geçebilir.

Ekosistem Avantajı

Ultralytics YOLO modelleri, eğitim sırasında genellikle karmaşık Transformer tabanlı alternatiflere kıyasla çok daha az GPU belleği gerektirir. Bu düşük bellek kullanımı, YOLOv5'i tüketici sınıfı donanımlarla çalışan araştırmacılar için son derece erişilebilir kılar.

Megvii YOLOX#

Megvii araştırmacıları tarafından geliştirilen YOLOX, YOLO ailesine anchor içermeyen bir tasarım getirerek farklı bir yol izledi. Anchor kutularını ortadan kaldıran YOLOX, algılama başlığını sadeleştirir ve eğitim sırasında elle ayarlanması gereken sezgisel parametrelerin sayısını önemli ölçüde azaltır.

YOLOX ayrıca sınıflandırma ve regresyon görevlerini farklı ağ dallarına ayıran ayrıştırılmış bir başlık kullanır ve SimOTA etiket atama stratejisinden yararlanır. Bu yenilikler, akademik araştırma ile endüstriyel uygulamalar arasındaki boşluğu kapatarak YOLOX'i nesne ölçeklerinin büyük ölçüde değiştiği ortamlarda özellikle etkili kılar.

YOLOX hakkında daha fazla bilgi edin

Performans ve Metrikler#

Bilgisayarlı görü modellerini değerlendirirken ortalama kesinlik (mAP) ile çıkarım hızı arasındaki ödünleşim kritik önem taşır. Her iki model de farklı donanım kısıtlarına uyum sağlamak için Nano'dan Extra-Large'a kadar çeşitli boyutlar sunar.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

YOLOXx biraz daha yüksek bir tepe doğruluğuna ulaşsa da (51,1 mAP), YOLOv5 CPU ve GPU donanımlarında daha olgun ve kapsamlı biçimde test edilmiş bir dağıtım süreci sunar. YOLOv5 ayrıca eşleşen boyutlarda YOLOX'ten daha düşük T4 TensorRT gecikmesine sahiptir; bu da onu gerçek zamanlı video analitiği için güvenilir bir seçenek hâline getirir.

Eğitim Yöntemleri ve Kullanılabilirlik#

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

YOLOX Yaklaşımı#

YOLOX eğitimi genellikle özgün 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 prototipleme yapmak isteyen geliştiriciler için öğrenme eğrisi dik olabilir.

Ultralytics Avantajı#

Buna karşılık Ultralytics, akıcı bir kullanıcı deneyimine öncelik verir. ultralytics Python paketiyle geliştiriciler, minimum kalıp kodla model yükleyebilir, eğitebilir ve doğrulayabilir. Ultralytics veri artırımı ve öğrenme oranı planlamasını otomatik olarak yönetir ve yerleşik hiperparametre ayarlaması sunar.

from ultralytics import YOLO

# Önceden eğitilmiş küçük bir YOLOv5 modelini yükle
model = YOLO("yolov5su.pt")  # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları

# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Modelin performansını doğrula
metrics = model.val()

YOLOv5'in çok yönlülüğü standart nesne algılamanın da ötesine geçer: özgün YOLOv5 deposu örnek bölümlemeyi ve görüntü sınıflandırmayı destekler; ultralytics paketi ise bu görevleri YOLO26 gibi daha yeni modellerle gerçekleştirir.

Sadeleştirilmiş Dağıtım

Eğitimin tamamlandığında, YOLOv5 modelini ONNX, CoreML, LiteRT veya OpenVINO biçimine aktarmak model.export(format="onnx") gibi tek bir çağrı kadar basittir. Böylece araştırma odaklı depolarda sıklıkla gereken üçüncü taraf dönüştürme betiklerine ihtiyaç kalmaz.

Gerçek 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 uygulamalara YOLOv5 uygundur. Küçük bellek kullanımı ve hızlı TensorRT çıkarımı, gerçek zamanlı kare hızlarında çalışan çok kameralı süreçleri destekler.
  • Akademik Araştırma ve Özel Mimariler: YOLOX, araştırma camiasında büyük saygı görür. Ayrıştırılmış başlığı ve anchor içermeyen yapısı, yeni etiket atama stratejilerini denemek isteyen veya geleneksel anchor kutularının genelleme yapamadığı veri kümeleri üzerinde çalışan mühendisler için onu mükemmel bir temel model hâline getirir.
  • Tarımsal Yapay Zekâ: Drone'larla meyve algılama veya yabani ot tanımlama gibi hassas tarım görevlerinde, Ultralytics Platform kullanarak YOLOv5 modellerini kolayca eğitip dağıtabilmek, alan uzmanlarının derin makine öğrenimi mühendisliği deneyimi olmadan yapay zekâ çözümleri geliştirmesine olanak tanır.

Kullanım Alanları ve Öneriler#

YOLOv5 ile YOLOX arasındaki seçim, projene özgü gereksinimlere, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv5'i Ne Zaman Seçmeli?#

YOLOv5 şu durumlar için güçlü bir seçenektir:

  • Üretimde Başarısını Kanıtlamış Sistemler: YOLOv5'in uzun istikrar geçmişine, kapsamlı belgelerine ve geniş topluluğuna değer verilen mevcut dağıtımlar.
  • Kaynakları Kısıtlı Eğitim: YOLOv5'in verimli eğitim işlem hattının ve daha düşük bellek gereksinimlerinin avantaj sağladığı, GPU kaynaklarının sınırlı olduğu ortamlar.
  • Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve LiteRT dâhil birçok biçimde dağıtım gerektiren projeler.

YOLOX Ne Zaman Seçilmeli#

YOLOX şu durumlarda önerilir:

  • Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
  • Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (0.91M parametre) kritik olduğu mikrodenetleyicilere veya eski mobil donanımlara dağıtım.
  • SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini inceleyen araştırma projeleri.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Görü Yapay Zekâsının Geleceği: YOLO26 Sahneye Çıkıyor#

YOLOv5 ve YOLOX bilgisayarlı görü tarihindeki yerlerini sağlamlaştırmış olsa da alan hızla ilerliyor. Bugün yeni projelere başlayan geliştiriciler için Ultralytics en yeni modeli olan YOLO26 modelini öneriyor.

Ocak 2026'da yayımlanan YOLO26, performans ve kullanılabilirlik açısından önemli bir ilerlemedir. Maksimum Olmayan Bastırma son işlemesini kaldıran isteğe bağlı uçtan uca NMS'siz tasarımı (nms=False) kullanıma sunar. Bu, gecikme değişkenliğini azaltır ve düşük güçlü cihazlardaki dağıtım mantığını basitleştirir.

Ayrıca YOLO26, kararlı ve hızlı yakınsama için LLM eğitimi yeniliklerinden esinlenen SGD ve Muon melezi MuSGD Optimize Edici özelliğini kullanır. DFL'nin Kaldırılması (daha basit dışa aktarma ve uç/düşük güçlü cihazlarla daha iyi uyumluluk için Distribution Focal Loss'un kaldırılması) sayesinde YOLO26n, YOLO11n'den %43'e kadar daha hızlı CPU çıkarımı sunar ve YOLO26'yı modern uç bilişim, robotik ve IoT uygulamaları için güçlü bir seçenek hâline getirir. Ayrıca ProgLoss + STAL (Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket ataması), IoT, robotik ve hava görüntüleri için kritik olan küçük nesne tanımada kayda değer iyileşmeler sağlar. Önceki nesillerle ilgilenen kullanıcılar YOLO11 modeline de göz atabilir; ancak yeni projeler için önerilen seçenek YOLO26'dır.

Sonuç#

YOLOv5 ve YOLOX güçlü nesne algılama yetenekleri sunar. YOLOX, bağlantı kutusu kullanmayan tasarımların bağlantı kutusu temelli yöntemlerle boy ölçüşebileceğini ve onları aşabileceğini 2021'de gösterdi. Ancak YOLOv5, kullanım kolaylığı, kapsamlı ekosistemi ve eğitim sırasındaki daha düşük bellek gereksinimleri sayesinde yaygın biçimde kullanılmaya devam ediyor.

Ticari uygulamaların büyük çoğunluğunda Ultralytics ekosistemi, ham bir veri kümesinden üretimde kullanılan bir modele geçmenin en hızlı yolunu sunar. İster kendini kanıtlamış YOLOv5'i kullan ister YOLO26'ya yükselt; geliştiriciler görüntü yapay zekâsını erişilebilir ve verimli kılmak üzere tasarlanmış bir çerçeveden yararlanır.

Katkıda Bulunanlar

Yorumlar

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