YOLOv5 ve YOLOX#

Gerçek zamanlı bilgisayarlı görünün gelişimi, farklı mimarilerin hız ve doğruluğun sınırlarını zorladığı birçok dönüm noktasına sahne oldu. Bu alandaki iki etkili model YOLOv5 ve YOLOX'tir. Her ikisi de nesne algılamadaki yüksek performanslarıyla tanınsa da temelde farklı mimari yaklaşımlar benimser.

Bu kılavuz, geliştiricilerin ve araştırmacıların görüntü işleme yapay zekâ projeleri için doğru aracı seçmesine yardımcı olmak üzere bu iki modelin mimarilerini, performans ölçümlerini, eğitim yöntemlerini ve ideal dağıtım senaryolarını karşılaştıran derinlemesine bir teknik analiz sunar.

Model Genel Bakışları ve Mimari Farklılıklar#

Ultralytics YOLOv5#

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

Ultralytics tarafından tanıtılan YOLOv5, olağanüstü performans, kullanım kolaylığı ve bellek verimliliği dengesi sayesinde kısa sürede sektör standardı hâline geldi. Yerel olarak PyTorch çatısı üzerine kurulan YOLOv5, anchor tabanlı bir mimari kullanır. Nesne konumlarını tahmin etmek için önceden tanımlanmış sınırlayıcı kutu şekillerine dayanır; bu da onu standart nesne algılama görevlerinde son derece etkili kılar.

YOLOv5'in en büyük güçlü yönlerinden biri, bakımı düzenli yapılan ekosistemidir. Kapsamlı dokümantasyona, son derece basit bir Python API'sine ve Ultralytics Platform ile yerel entegrasyona sahiptir. Bu sayede geliştiriciler, veri kümesi etiketlemeden eğitime ve ONNX ile TensorRT gibi biçimlere aktarmaya sorunsuzca geçebilir.

Megvii 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 Geride Bırakmak
• GitHub: Megvii YOLOX Deposu
• Dokümantasyon: YOLOX GitHub Belgeleri

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.

YOLOXx biraz daha yüksek bir en yüksek doğruluğa (51.1 mAP) ulaşırken YOLOv5, CPU ve GPU donanımlarında çok daha sağlam ve kapsamlı biçimde test edilmiş bir dağıtım süreci sunar. YOLOv5'in TensorRT hızları, uç bilişim cihazları için derinlemesine optimize edildiğini gösterir ve onu gerçek zamanlı video analitiği için son derece 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, son derece akıcı bir kullanıcı deneyimine öncelik verir. ultralytics Python paketiyle geliştiriciler, çok az ek kod yazarak bir modeli yükleyebilir, eğitebilir ve doğrulayabilir. Ultralytics; karmaşık veri artırımlarını, hiperparametre evrimini ve öğrenme oranı zamanlamasını otomatik olarak yönetir.

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()

Ayrıca YOLOv5'in çok yönlülüğü standart nesne algılamanın ötesine geçer; aynı tutarlı API içinde görüntü sınıflandırma ve örnek segmentasyonu için de sağlam destek sunar.

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 uygulamalar için YOLOv5 son derece uygundur. Düşük bellek kullanımı ve yüksek TensorRT çıkarım hızları, kare atlamadan birden fazla kamerayla izleme yapılmasını sağlar.
• 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 Kendini Kanıtlamış Sistemler: YOLOv5'in uzun süreli istikrar geçmişine, kapsamlı belgelerine ve geniş topluluk desteğine 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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Görü Yapay Zekâsının Geleceği: YOLO26 Sahneye Çıkıyor#

YOLOv5 ve YOLOX bilgisayarlı görü tarihinde kendilerine sağlam bir yer edinmiş olsa da alan hızla ilerliyor. Bugün yeni projelere başlayan geliştiricilere Ultralytics, en yeni amiral gemisi modeli YOLO26'ı incelemelerini önemle tavsiye ediyor.

Ocak 2026'da yayımlanan YOLO26, hem performans hem de kullanılabilirlik açısından büyük bir sıçramayı temsil ediyor. Non-Maximum Suppression son işlemesini ortadan kaldıran, çığır açıcı uçtan uca NMS içermeyen tasarımı (nms=False ile seçilir) sunuyor. Bu, gecikme değişkenliğini önemli ölçüde azaltıyor ve düşük güçlü cihazlardaki dağıtım mantığını sadeleştiriyor.

Ayrıca YOLO26, LLM eğitimindeki yeniliklerden esinlenen SGD ile Muon'un bir birleşimi olan yeni MuSGD Optimizer'ı kullanarak son derece kararlı ve hızlı yakınsama sağlıyor. Daha basit dışa aktarma ve uç/düşük güçlü cihazlarla daha iyi uyumluluk için Distribution Focal Loss'u kaldıran DFL Removal sayesinde YOLO26, %43'e kadar daha hızlı CPU çıkarımı sunarak modern uç bilişim, robotik ve IoT uygulamaları için en iyi model konumunu pekiştiriyor. Ayrıca ProgLoss + STAL, IoT, robotik ve hava görüntüleri için kritik önem taşıyan küçük nesne tanımayı belirgin biçimde iyileştiren kayıp işlevleri sunuyor. Önceki nesilleri merak eden kullanıcılar YOLO11'a da göz atabilir; ancak tartışmasız en gelişmiş seçenek YOLO26'dır.

Sonuç#

YOLOv5 ve YOLOX, etkileyici nesne algılama yetenekleri sunar. YOLOX, anchor içermeyen tasarımların 2021'de geleneksel yöntemlerle rekabet edebileceğini ve onları geride bırakabileceğini göstererek mimari sınırları ileri taşıdı. Ancak YOLOv5, benzersiz kullanım kolaylığı, kapsamlı ekosistemi ve eğitim sırasındaki daha düşük bellek gereksinimleri sayesinde baskın konumunu koruyor.

Ticari uygulamaların büyük çoğunluğu için Ultralytics ekosistemi, ham bir veri kümesinden üretimde kullanılan bir modele ulaşmanın en hızlı yolunu sunar. Geliştiriciler, kendini kanıtlamış YOLOv5'i kullansalar da en yeni YOLO26'ya geçiş yapsalar da görsel yapay zekâyı erişilebilir, verimli ve yüksek performanslı kılmak için tasarlanmış bir çerçeveden yararlanır.