Link to this sectionYOLOv7 ve YOLOv5#

Modern bilgisayarlı görü işlem hatları oluştururken, doğruluk, çıkarım hızı ve kaynak kullanımı arasındaki dengeyi sağlamak için doğru nesne algılama mimarisini seçmek kritiktir. Bu kapsamlı karşılaştırma, bilgisayarlı görü alanında oldukça etkili iki modeli incelemektedir: YOLOv7 ve Ultralytics YOLOv5.

Mimari farklılıklarını, performans metriklerini ve ideal dağıtım senaryolarını analiz ederek, geliştiricilerin ve araştırmacıların kendi özel ihtiyaçları için en iyi modeli seçmelerine yardımcı olmayı amaçlıyoruz.

Link to this sectionModel Geçmişi ve Kökenleri#

Bu modellerin kökenlerini anlamak, tasarım felsefeleri ve hedeflenen kullanım durumları hakkında bağlam sağlar.

Link to this sectionYOLOv5#

26 Haziran 2020'de Glenn Jocher ve Ultralytics ekibi tarafından yayınlanan YOLOv5, performanstan ödün vermeden kullanılabilirliğe öncelik veren yerel bir PyTorch uygulaması sunarak alanı kökten değiştirdi. Son derece yalın ekosistemi ve güvenilir eğitim dinamikleri sayesinde kısa sürede endüstri standardı haline geldi. Kaynak kodunu YOLOv5 GitHub deposunda inceleyebilir veya modele doğrudan Ultralytics Platform üzerinden erişebilirsin.

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionYOLOv7#

6 Temmuz 2022'de Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından tanıtıldı. YOLOv7, doğruluğu en üst seviyeye taşımak için Genişletilmiş Verimli Katman Birleştirme Ağları (E-ELAN) gibi mimari yeniliklere ve eğitilebilir bir "ücretsiz hediyeler çantasına" (bag-of-freebies) büyük ölçüde odaklandı. Ayrıntılar resmi Arxiv makalesinde ve YOLOv7 GitHub deposunda bulunabilir. Sorunsuz bir entegrasyon için Ultralytics YOLOv7 dokümantasyonuna göz atabilirsin.

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionMimari Yenilikler#

Link to this sectionUltralytics YOLOv5 Tasarımı#

YOLOv5, bir Yol Birleştirme Ağı (PANet) boyun yapısı ile eşleştirilmiş modifiye edilmiş bir CSPDarknet53 bel kemiği (backbone) kullanır. Bu tasarım, hızlı özellik çıkarımı ve bellek verimliliği için oldukça optimize edilmiştir. Daha eski mimarilerin veya ağır Transformer modellerinin aksine, YOLOv5 eğitim sırasında önemli ölçüde daha az CUDA belleği gerektirir, bu da standart tüketici sınıfı GPU'larda daha büyük yığın boyutlarına olanak tanır. Ayrıca, Ultralytics çerçevesi, standart sınırlayıcı kutuların ötesinde, görüntü segmentasyonu ve görüntü sınıflandırma dahil olmak üzere çok çeşitli görevleri doğal olarak destekler.

Link to this sectionYOLOv7 Tasarımı#

YOLOv7, ağın orijinal gradyan yolunu bozmadan daha çeşitli özellikleri öğrenmesine olanak tanıyan birkaç yapısal yeniden parametrelendirme ve E-ELAN mimarisini tanıttı. Ayrıca, eğitim sırasında ara denetim için yardımcı bir başlık (auxiliary head) uygular. Bu gelişmeler yüksek ortalama Hassasiyet (mAP) sağlasa da, genellikle ONNX veya TensorRT gibi uç formatlara aktarımı, Ultralytics modellerinin doğal ve yalın dışa aktarım süreçlerine kıyasla biraz daha zorlu hale getiren karmaşık tensör yapıları ortaya çıkarır.

Link to this sectionPerformans Analizi#

Bu modelleri karşılaştırırken geliştiricilerin mAP^val, çıkarım hızı ve hesaplama karmaşıklığı (FLOPs) arasında denge kurması gerekir. Aşağıdaki tablo, COCO veri kümesi üzerinde değerlendirilen her iki mimarinin performansını göstermektedir.

Link to this sectionÖnemli Çıkarımlar#

• Doğruluk Tavanı: YOLOv7x, etkileyici bir 53.1 mAP^val ile en yüksek genel doğruluğa ulaşarak, algılama performansını maksimize etmenin birincil hedef olduğu senaryolar için onu oldukça rekabetçi kılar.
• Hız ve Verimlilik: Ultralytics YOLOv5n, sadece 2.6M parametrelik küçük bir bellek ayak izi ile ışık hızında çıkarım gecikmesi (T4 TensorRT üzerinde 1.12 ms) sunan bir verimlilik harikasıdır. Bu, onu oldukça kısıtlı uç cihaz dağıtımları için benzersiz bir seçenek haline getirir.
• Performans Dengesi: YOLOv5 serisi, olağanüstü bir model yelpazesi sunar. YOLOv5l, YOLOv7l'nin küçük bir doğruluk farkı gerisinde kalmasına rağmen, harika bir orta yol sunar ve oldukça olgun bir dağıtım hattı sağlar.

Link to this sectionUltralytics Ekosistemi Avantajı#

Bir modelin mimarisi denklemin sadece yarısıdır; onu çevreleyen ekosistem gerçek dünyadaki uygulanabilirliğini belirler. Ultralytics modellerinin gerçekten parladığı nokta budur.

Kullanım Kolaylığı: Ultralytics, birleşik ve son derece sezgisel bir Python API sunar. Kapsamlı resmi dokümantasyon desteğiyle, modelleri minimum kodla eğitebilir, doğrulayabilir ve dağıtabilirsin. İyi Korunan Ekosistem: Aktif geliştirme; sürekli güncellemeler, hata düzeltmeleri ve Weights & Biases gibi modern takip araçlarıyla sorunsuz entegrasyon sağlar. Eğitim Verimliliği: Optimize edilmiş veri yükleyicileri ve akıllı önbelleğe alma kullanan YOLOv5, eğitim sürelerini önemli ölçüde azaltır. Ayrıca, kullanıma hazır önceden eğitilmiş ağırlıklar, çeşitli alanlarda transfer öğrenmeyi hızlandırır.

Link to this sectionKod Örneği: Kolaylaştırılmış Eğitim#

Ultralytics paketi ile, hangi mimariyi seçersen seç, bir eğitim süreci başlatmak neredeyse aynıdır.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model (can easily swap to "yolov7.pt")
model = YOLO("yolov5s.pt")

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

# Export the trained model to ONNX format for deployment
success = model.export(format="onnx")

Link to this sectionİdeal Kullanım Senaryoları#

Link to this sectionNe Zaman YOLOv7 Seçilmeli#

• Akademik Karşılaştırma: Yeni teknikleri iyi belgelenmiş bir 2022 referansıyla karşılaştırması gereken araştırmacılar için mükemmeldir.
• Üst Düzey GPU Bulut İşleme: Yoğun sahnelerde mutlak en yüksek mAP değerine ulaşmanın, dışa aktarım basitliğinden daha önemli olduğu güçlü sunucu donanımları üzerinde dağıtım yaparken.

Link to this sectionYOLOv5 Ne Zaman Seçilmeli#

• Üretim Dağıtımları: Yüksek kararlılık, basit model dağıtım seçenekleri ve geniş çapraz platform uyumluluğu gerektiren ticari uygulamalar için idealdir.
• Uç Cihazlar: Daha küçük varyantlar (YOLOv5n ve YOLOv5s), cep telefonlarında ve gömülü sistemlerde son derece iyi çalışır.
• Çok Görevli Gereksinimler: Projenin basit algılamadan, birleşik bir çerçeve kullanarak poz tahmini veya segmentasyona evrilmesi gerekiyorsa.

Link to this sectionYeni Nesil: Ultralytics YOLO26#

YOLOv5 ve YOLOv7, yapay görme tarihinde hayati yerlere sahip olsalar da, manzara sürekli gelişmektedir. Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, önceki nesilleri tüm metriklerde geride bırakarak nesne algılama teknolojisinin mutlak sınırını temsil etmektedir.

YOLO26 hakkında daha fazla bilgi edin

YOLO26, paradigmaları değiştiren birkaç özellik sunar:

• Uçtan Uca NMS-Free Tasarım: Daha önceki yinelemelerde öncülük edilen kavramların üzerine inşa edilen YOLO26, doğal olarak uçtan uca bir yapıdadır. Bu, Maksimum Olmayan Baskılama (NMS) sonrası işleme ihtiyacını tamamen ortadan kaldırarak gecikme darboğazlarını azaltır ve dağıtım mantığını önemli ölçüde basitleştirir.
• MuSGD Optimize Edici: Moonshot AI'nın Kimi K2'sinden esinlenen bu devrim niteliğindeki optimize edici, standart SGD'nin kararlılığını Muon'un hızlandırılmış ivmesiyle birleştirerek gelişmiş LLM eğitim yeniliklerini doğrudan bilgisayarlı görü alanına getirir.
• Gelişmiş CPU Hızı: Dağılım Odaklı Kaybı (DFL) stratejik olarak kaldırarak, YOLO26 %43'e kadar daha hızlı CPU çıkarımı sağlar ve bu da onu uç ve düşük güç tüketen IoT cihaz dağıtımı için tartışmasız şampiyon yapar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri ve hassas robotik için kritik öneme sahip küçük nesne tanımada büyük iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: Maske üretimi için anlamsal segmentasyon kaybı, Poz takibi için Kalıntı Log-Olabilirlik Tahmini (RLE) ve zorlu Yönlendirilmiş Sınırlayıcı Kutu (OBB) sınır sorunlarını çözmek için özel açı kaybı içerir.

Link to this sectionSonuç#

Hem YOLOv5 hem de YOLOv7, gerçek zamanlı nesne algılama için sağlam çözümler sunar. YOLOv7, yüksek bilgi işlem donanımlarında ham doğruluk için güçlü bir seçenek olmaya devam ederken, YOLOv5; hız, verimlilik ve dünya standartlarında bir ekosistemin olağanüstü dengesini sunarak nihai geliştirici dostu araç olarak öne çıkmaktadır.

Ancak, işlem hatlarını geleceğe hazırlamak ve hız, basitlik ve en son teknoloji doğruluğun nihai kombinasyonunu elde etmek isteyen geliştiriciler için Ultralytics YOLO26 sistemine geçiş yapmanı şiddetle tavsiye ediyoruz. Ultralytics platformunun efsanevi kullanım kolaylığını bünyesinde barındırırken, çığır açan mimari yenilikleri de beraberinde getirir.