YOLOv5 ve YOLOX#

Gerçek zamanlı bilgisayarlı görü alanının gelişimi, hız ve doğruluğun sınırlarını zorlayan farklı mimarilerle birçok önemli dönüm noktasına sahne oldu. Bu alandaki son derece etkili iki model YOLOv5 ve YOLOX'tir. Her ikisi de nesne algılamadaki yüksek performansıyla tanınsa da mimari açıdan temelde farklı yaklaşımlar benimser.

Bu kılavuzda, geliştiricilerin ve araştırmacıların görü yapay zekâ projeleri için doğru aracı seçmesine yardımcı olmak amacıyla bu iki modelin mimarileri, performans metrikleri, eğitim yöntemleri ve ideal dağıtım senaryoları derinlemesine teknik olarak karşılaştırılmaktadır.

Model Genel Bakışları ve Mimari Farklılıklar#

Ultralytics YOLOv5#

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

Ultralytics tarafından kullanıma sunulan YOLOv5, performans, kullanım kolaylığı ve bellek verimliliği arasındaki olağanüstü denge sayesinde hızla bir endüstri standardı hâline geldi. PyTorch çatısı üzerine yerel olarak inşa edilen YOLOv5, anchor tabanlı bir mimari kullanır. Nesne konumlarını tahmin etmek için önceden tanımlanmış sınırlayıcı kutu şekillerinden yararlanır; bu da onu standart nesne algılama görevlerinde son derece etkili kılar.

YOLOv5'in en güçlü yönlerinden biri, iyi bakımı yapılan ekosistemidir. Kapsamlı belgelere, son derece basit bir Python API'sine ve Ultralytics Platformu ile yerel entegrasyona sahiptir. Bu sayede geliştiriciler veri kümesi etiketlemeden eğitime ve ONNX ile TensorRT gibi biçimlere dışa 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 Aşmak
• GitHub: Megvii YOLOX Deposu
• Belgeler: YOLOX GitHub Belgeleri

Megvii'deki araştırmacılar tarafından geliştirilen YOLOX, YOLO ailesine anchor-free bir tasarım getirerek farklı bir yol izledi. YOLOX, anchor kutularını ortadan kaldırarak algılama başlığını basitleştirir 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 modelleri değerlendirilirken Ortalama Hassasiyet (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 tepe doğruluğuna (51.1 mAP) ulaşırken YOLOv5, CPU ve GPU donanımları genelinde çok daha sağlam ve kapsamlı biçimde test edilmiş bir dağıtım işlem hattı sunar. YOLOv5'in TensorRT hızları, uç bilişim cihazları için ne kadar 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'i eğitmek genellikle özgün deponun klonlanmasını, belirli bağımlılıkların yönetilmesini ve karmaşık komut satırı betiklerinin çalıştırılmasını gerektirir. MegEngine aracılığıyla karma hassasiyetli eğitim ve çok düğümlü kurulumlar gibi gelişmiş özellikleri desteklese de hızlı prototip oluşturması gereken geliştiriciler için öğrenme eğrisi dik olabilir.

Ultralytics Avantajı#

Buna karşılık Ultralytics, son derece yalınlaştırılmış bir kullanıcı deneyimine öncelik verir. ultralytics Python paketiyle geliştiriciler, minimum başlangıç koduyla bir modeli yükleyebilir, eğitebilir ve doğrulayabilir. Ultralytics; karmaşık veri artırmalarını, hiperparametre evrimini ve öğrenme oranı zamanlamasını 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 bölütleme için güçlü destek sunar.

Gerçek Dünya Uygulamaları#

Bu modeller arasındaki seçim, dağıtım ortamınıza ve teknik gereksinimlerinize bağlıdır:

• Perakende ve Envanter Yönetimi: NVIDIA Jetson gibi uç cihazlarda gerçek zamanlı ürün tanıma gerektiren uygulamalar için YOLOv5 son derece uygundur. Minimum bellek kullanımı ve yüksek TensorRT çıkarım hızları, kareleri atlamadan birden fazla kamerayı izlemeyi mümkün kılar.
• Akademik Araştırma ve Özel Mimariler: YOLOX, araştırma topluluğunda büyük saygı görür. Ayrıştırılmış başlığı ve anchor-free 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: Dronlar aracılığıyla meyve algılama veya yabani ot tanımlama gibi hassas tarım görevlerinde, Ultralytics Platformu kullanılarak YOLOv5 modellerinin kolayca eğitilip dağıtılabilmesi, alan uzmanlarının kapsamlı makine öğrenimi mühendisliği geçmişine ihtiyaç duymadan yapay zekâ çözümleri uygulamasına olanak tanır.

Kullanım Alanları ve Öneriler#

YOLOv5 ile YOLOX arasındaki seçim, özel proje gereksinimlerinize, dağıtım kısıtlarınıza ve ekosistem tercihlerinize bağlıdır.

YOLOv5 Ne Zaman Seçilmeli?#

YOLOv5 şu durumlar için güçlü bir seçimdir:

• Üretimde Kanıtlanmış Sistemler: YOLOv5'in uzun yıllara dayanan kararlılığına, 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 kaynakları sınırlı ortamlar.
• Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok biçimde dağıtım gerektiren projeler.

YOLOX Ne Zaman Seçilmeli?#

YOLOX şu durumlar için önerilir:

• Çapasız Algılama Araştırması: Yeni algılama başlıklarını veya kayıp işlevlerini denemek için YOLOX'in temiz, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (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 etkisini inceleyen araştırma projeleri.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Görü Yapay Zekâsının Geleceği: YOLO26 Sahneye Çıkıyor#

YOLOv5 ve YOLOX bilgisayarlı görü tarihindeki yerlerini sağlamlaştırmış olsa da alan hızla ilerlemektedir. Günümüzde yeni projelere başlayan geliştiriciler için Ultralytics, en yeni amiral gemisi modeli YOLO26'ı incelemenizi önemle tavsiye eder.

Ocak 2026'da yayımlanan YOLO26, hem performans hem de kullanılabilirlik açısından büyük bir ilerlemeyi temsil eder. Çığır açan uçtan uca NMS'siz tasarım sunarak Maksimum Olmayan Bastırma son işleme adımını tamamen ortadan kaldırır. Bu, gecikme değişkenliğini önemli ölçüde azaltır ve düşük güçlü cihazlardaki dağıtım mantığını basitleştirir.

Ayrıca YOLO26, LLM eğitimindeki yeniliklerden ilham alan SGD ve Muon'un hibriti olan yeni MuSGD Optimizer'ı kullanarak son derece kararlı ve hızlı yakınsama sağlar. DFL Removal (daha basit dışa aktarma ve uç/düşük güçlü cihazlarla daha iyi uyumluluk için Distribution Focal Loss'un kaldırılması) sayesinde YOLO26, %43'e kadar daha hızlı CPU çıkarımı elde eder ve modern uç bilişim, robotik ve IoT uygulamaları için nihai model konumunu pekiştirir. Buna ek olarak ProgLoss + STAL, IoT, robotik ve hava görüntüleri için kritik önem taşıyan küçük nesne tanımada kayda değer iyileştirmelerle geliştirilmiş kayıp işlevleri sunar. Önceki nesillerle ilgilenen kullanıcılar YOLO11'ı da inceleyebilir; ancak YOLO26 tartışmasız biçimde en gelişmiş seçenektir.

Sonuç#

YOLOv5 ve YOLOX, nesne algılama konusunda etkileyici yetenekler sunar. YOLOX, 2021'de anchor-free tasarımların geleneksel yöntemlerle rekabet edebileceğini ve onları aşabileceğini kanıtlayarak mimari sınırları zorladı. Bununla birlikte YOLOv5, benzersiz kullanım kolaylığı, kapsamlı ekosistemi ve eğitim sırasında daha düşük bellek gereksinimleri sayesinde hâlâ baskın bir güçtür.

Ticari uygulamaların büyük çoğunluğu için Ultralytics ekosistemi, ham bir veri kümesinden üretimde kullanılacak dağıtılmış bir modele geçişin en hızlı yolunu sunar. İster kendini kanıtlamış YOLOv5'i kullanıyor ister en son teknoloji YOLO26'ya yükseltiyor olun, geliştiriciler görü yapay zekâsını erişilebilir, verimli ve yüksek performanslı hâle getirmek üzere tasarlanmış bir çatıdan yararlanır.