YOLOv7 ve YOLOv5: Ayrıntılı Teknik Karşılaştırma

Bir nesne algılama modeli seçerken, geliştiriciler genellikle hız, doğruluk ve kullanım kolaylığı arasındaki ödünleşimleri değerlendirir. Ultralytics YOLOv5 ve YOLOv7, bilgisayar görüşü alanında, her biri farklı güçlü yönlere sahip iki önemli modeldir. Bu sayfa, mimari farklılıklarını, performans kıyaslamalarını ve ideal uygulamalarını vurgulayarak, projenizin ihtiyaçlarına en uygun modelin hangisi olduğuna karar vermenize yardımcı olacak ayrıntılı bir teknik karşılaştırma sunar.

YOLOv7 piyasaya sürüldüğünde doğruluk sınırlarını zorlarken, Ultralytics YOLOv5, sağlam ve iyi yönetilen bir ekosistem tarafından desteklenen verimlilik, hızlı dağıtım ve erişilebilirlik için bir ölçüt olarak kendini kanıtlamıştır.

YOLOv7: Yüksek Doğruluk Odağı

Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından oluşturulan YOLOv7, 6 Temmuz 2022'de yayınlandı. Yüksek hızı korurken gerçek zamanlı nesne dedektörleri için doğrulukta yeni birState-of-the-art belirlemeyi amaçlayan ve "eğitilebilir bedava hediyeler çantası" olarak bilinen çeşitli mimari optimizasyonlar ve eğitim stratejileri tanıttı.

Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
Kuruluş: Institute of Information Science, Academia Sinica, Tayvan
Tarih: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696
GitHub: https://github.com/WongKinYiu/yolov7
Belgeler: https://docs.ultralytics.com/models/yolov7/

YOLOv7'nin Mimarisi ve Temel Özellikleri

YOLOv7'nin mimarisi, özellik öğrenimini geliştirmek ve modeli eğitim sonrası daha hızlı çıkarım için optimize etmek üzere tasarlanmış çeşitli temel yenilik üzerine kurulmuştur.

Genişletilmiş Verimli Katman Toplama Ağı (E-ELAN): Backbone'daki bu modül, gradyan yollarını daha verimli yöneterek ağın öğrenme yeteneğini geliştirir ve daha çeşitli özellikleri öğrenmesini sağlar.
Model Ölçeklendirme: Modelin derinliğini ve genişliğini farklı hesaplama bütçelerine uyacak şekilde ayarlayan, birleştirme tabanlı modeller için bileşik bir ölçeklendirme yöntemi uygular.
Eğitilebilir Ücretsiz Avantajlar Paketi: Çıkarım maliyetini artırmadan doğruluğu artırmak için yardımcı başlıklar ve optimize edilmiş etiket atama gibi gelişmiş eğitim tekniklerinden yararlanır. Bu yardımcı başlıklar, özellik öğrenimini güçlendirmek için yalnızca eğitim sırasında kullanılır ve çıkarım için kaldırılır.

YOLOv7'nin Güçlü Yönleri

Yüksek Doğruluk: COCO gibi kıyaslama testlerinde yüksek mAP puanları elde eder ve genellikle doğruluk açısından çağdaş modelleri geride bırakır.
Verimli Eğitim Teknikleri: Çıkarım sırasında hesaplama yükü eklemeden performansı en üst düzeye çıkaran yeni eğitim stratejileri içerir.

YOLOv7'nin Zayıflıkları

Karmaşıklık: Yardımcı başlıklar gibi özelliklere sahip mimari ve eğitim süreci, Ultralytics YOLOv5'in kolaylaştırılmış yaklaşımına kıyasla anlamayı ve değiştirmeyi daha karmaşık hale getirebilir.
Ekosistem ve Destek: Ultralytics tarafından sağlanan kapsamlı belgelendirme, eğitimler ve entegre ekosistemden yoksundur. Bu, geliştiriciler için dağıtımı ve sorun gidermeyi daha zor hale getirebilir.
Kaynak Yoğun: Daha büyük YOLOv7 modelleri, eğitim için önemli miktarda işlem kaynağı gerektirir ve bu da sınırlı donanıma sahip kullanıcılar için erişilebilirliği potansiyel olarak sınırlar.

YOLOv7 için Kullanım Alanları

Yüksek Performanslı Algılama: Gelişmiş gözetim veya otonom araçlar gibi mutlak en yüksek doğruluğu elde etmenin kritik olduğu uygulamalar için uygundur.
Araştırma ve Kıyaslama: En son nesne algılama tekniklerini keşfetmek ve performans sınırlarını zorlamak için genellikle akademik araştırmalarda kullanılır.

YOLOv7 hakkında daha fazla bilgi edinin

Ultralytics YOLOv5: Hız ve Basitlik

Glenn Jocher tarafından geliştirilen Ultralytics YOLOv5, 26 Haziran 2020'de yayınlandı. Hızı, doğruluğu ve en önemlisi kullanım kolaylığının olağanüstü dengesi nedeniyle hızla en popüler nesne algılama modellerinden biri haline geldi. PyTorch üzerine inşa edilmiştir ve hızlı eğitim, sağlam dağıtım ve erişilebilirlik için tasarlanmıştır.

Yazarlar: Glenn Jocher
Kuruluş: Ultralytics
Tarih: 2020-06-26
Arxiv: Yok
GitHub: https://github.com/ultralytics/yolov5
Belgeler: https://docs.ultralytics.com/models/yolov5/

YOLOv5'in Mimarisi ve Temel Özellikleri

YOLOv5, hem eğitim hem de çıkarım için yüksek düzeyde optimize edilmiş basit ama güçlü bir mimariye sahiptir.

CSP Tabanlı Mimari: Özellik akışını optimize etmek ve hesaplama darboğazlarını azaltmak için hem backbone'unda hem de boynunda (PANet) bir Çapraz Aşamalı Kısmi (CSP) ağı kullanır.
Ölçeklenebilir Model Ailesi: Nano (YOLOv5n)'dan Ekstra Büyük (YOLOv5x)'e kadar bir dizi model sunarak, kullanıcıların hafif uç cihazlardan yüksek performanslı bulut sunucularına kadar özel ihtiyaçları için hız ve doğruluk arasında mükemmel dengeyi seçmelerine olanak tanır.
Geliştirici Öncelikli Deneyim: En başından itibaren basitlik için tasarlanmıştır. Otomatik bağlantı oluşturma, entegre deney takibi ve hem yeni başlayanların hem de uzmanların kullanımının kolay olduğu aerodinamik bir eğitim hattına sahiptir.

Ultralytics YOLOv5'in Güçlü Yönleri

Kullanım Kolaylığı: YOLOv5, basit kullanıcı deneyimiyle ünlüdür. Basit bir pip install ultralytics komutu, kullanıcı dostu CLI, ve kapsamlı belgeleme, başlamak inanılmaz derecede hızlıdır.
İyi Yönetilen Ekosistem: Ultralytics tarafından sürekli geliştirme, güçlü bir açık kaynak topluluğu ve kodsuz eğitim ve dağıtım için Ultralytics HUB gibi araçlarla sorunsuz entegrasyondan yararlanır.
Performans Dengesi: Hız ve doğruluk arasında mükemmel bir denge sağlar. YOLOv5n gibi daha küçük modelleri inanılmaz derecede hızlıdır ve CPU ve uç cihazlarda gerçek zamanlı çıkarım için idealdir.
Eğitim Verimliliği: Eğitim süreci oldukça verimlidir; diğer birçok modele kıyasla daha hızlı yakınsama süreleri ve daha düşük bellek gereksinimleri vardır. Önceden eğitilmiş ağırlıklar kolayca bulunur ve özel eğitim basittir.
Çok Yönlülük: Nesne tespiti, örnek segmentasyonu ve görüntü sınıflandırması dahil olmak üzere birden fazla görevi yerel olarak destekler.

Ultralytics YOLOv5'in Zayıflıkları

En Yüksek Doğruluk: Oldukça rekabetçi olmakla birlikte, en büyük YOLOv5 modelleri, belirli kıyaslamalarda en büyük YOLOv7 varyantlarının en yüksek mAP'sine ulaşamayabilir, çünkü YOLOv7 özellikle bu metriği en üst düzeye çıkarmak için tasarlanmıştır.

Ultralytics YOLOv5 için Kullanım Alanları

Gerçek Zamanlı Uygulamalar: Çıkarım gerektiren uygulamalar için idealdir, örneğin robotik, drone görüşü ve canlı video analizi.
Uç Nokta Dağıtımı: Verimli tasarımı ve küçük model boyutları sayesinde NVIDIA Jetson gibi kaynak kısıtlı uç nokta cihazlarında dağıtım için çok uygundur.
Hızlı Prototipleme: Kullanım kolaylığı ve kapsamlı desteği sayesinde, nesne algılama çözümlerini hızla geliştirmek ve dağıtmak için mükemmel bir seçimdir.

YOLOv5 hakkında daha fazla bilgi edinin

Performans ve Kıyaslamalar: YOLOv7 - YOLOv5

Performanstaki temel fark, tasarım önceliklerinde yatmaktadır. YOLOv7 en yüksek doğruluğu hedeflerken, YOLOv5 daha dengeli ve pratik bir seçenek yelpazesi sunar.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

Tablonun gösterdiği gibi, YOLOv7 modelleri rekabetçi GPU hızlarıyla etkileyici mAP puanları elde ediyor. Ancak, Ultralytics YOLOv5 farklı dağıtım senaryoları için üstün bir seçenek yelpazesi sunar. YOLOv5n ve YOLOv5s modelleri hem CPU hem de GPU'da önemli ölçüde daha hızlıdır ve bu da onları düşük gecikmeli ve uç uygulamalar için net bir seçim haline getirir.

Sonuç: Hangi Modeli Seçmelisiniz?

YOLOv7 ve YOLOv5 arasındaki seçim büyük ölçüde projenizin önceliklerine bağlıdır.

Temel hedefiniz mümkün olan en yüksek algılama doğruluğuna ulaşmaksa ve daha karmaşık mimarisini ve eğitim hattını yönetmek için gerekli hesaplama kaynaklarına ve teknik uzmanlığa sahipseniz YOLOv7'yi seçin. Performansın çok önemli olduğu araştırma ve özel uygulamalar için mükemmel bir modeldir.
Hızlı geliştirme, kullanım kolaylığı ve dağıtım esnekliğine değer veriyorsanız Ultralytics YOLOv5'i Seçin. Kolaylaştırılmış iş akışı, kapsamlı belgeleri ve güçlü performans dengesi, onu çoğu ticari ve pratik uygulama için ideal bir seçim haline getiriyor. İster yeni başlayan ister deneyimli bir uygulayıcı olun, YOLOv5'in sağlam ekosistemi, konseptten üretime yolculuğu hızlandırır.

Çoğu geliştirici için, Ultralytics YOLOv5'in pratik avantajları ve kapsamlı desteği, onu daha cazip bir seçim haline getiriyor. Ultralytics YOLOv8 gibi halefleri, aynı kullanıcı dostu çerçeve içinde daha da iyi performans ve daha fazla özellik sunarak bu mirası sürdürüyor.

Diğer Modelleri İnceleyin

En son gelişmelerle ilgilenenler için, Ultralytics ekosistemindeki daha yeni modelleri keşfetmeye değer.

Ultralytics YOLOv8: YOLOv5'in halefi olup, algılama, segmentasyon, poz tahmini ve izleme için geliştirilmiş doğruluk, hız ve birleşik bir API sunar. YOLOv8 ve YOLOv7 arasındaki doğrudan karşılaştırmaya bakın.
Ultralytics YOLOv10: Azaltılmış gecikme süresi ve iyileştirilmiş verimlilik için NMS içermeyen, uçtan uca algılamaya odaklanan son teknoloji bir modeldir.
Ultralytics YOLO11: Ultralytics'in ankraj içermeyen tasarımıyla hız, verimlilik ve kullanım kolaylığına vurgu yapan en son teknoloji modelidir.

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi