YOLOv7 ve YOLOv5#

Modern computer vision boru hatları oluştururken, doğruluk, çıkarım hızı ve kaynak kullanımı arasında denge kurmak için doğru nesne algılama mimarisini seçmek çok önemlidir. Bu kapsamlı karşılaştırma, bilgisayarla görü alanındaki en etkili iki modeli inceliyor: 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.

Model Geçmişi ve Kökenleri#

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

YOLOv5#

26 Haziran 2020'de Glenn Jocher ve Ultralytics ekibi tarafından yayınlanan YOLOv5, performanstan ödün vermeden kullanılabilirliği ön planda tutan yerel bir PyTorch uygulaması sunarak alanda devrim yarattı. İnanılmaz derecede kolaylaştırılmış ekosistemi ve güvenilir eğitim dinamikleri sayesinde kısa sürede bir endüstri standardı haline geldi. Kaynak kodunu YOLOv5 GitHub repository üzerinde inceleyebilir veya Ultralytics Platform aracılığıyla modele doğrudan erişebilirsin.

YOLOv5 hakkında daha fazla bilgi edin

YOLOv7#

6 Temmuz 2022'de Tayvan Academia Sinica Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından tanıtıldı. YOLOv7, doğrulukta son teknolojinin sınırlarını zorlamak için Genişletilmiş Verimli Katman Birleştirme Ağları (E-ELAN) ve eğitilebilir bir "bag-of-freebies" gibi mimari yeniliklere yoğunlaştı. Ayrıntıları official Arxiv paper ve YOLOv7 GitHub repository içinde bulabilirsin. Sorunsuz entegrasyon için Ultralytics YOLOv7 documentation sayfasına göz at.

YOLOv7 hakkında daha fazla bilgi edinin

Mimari Yenilikler#

Ultralytics YOLOv5 Tasarımı#

YOLOv5, Path Aggregation Network (PANet) boyun yapısıyla eşleştirilmiş, değiştirilmiş bir CSPDarknet53 omurgası kullanır. Bu tasarım, hızlı feature extraction ve bellek verimliliği için yüksek düzeyde optimize edilmiştir. Daha eski mimarilerin veya ağır transformer modellerinin aksine YOLOv5, eğitim sırasında çok daha az CUDA belleği gerektirir ve standart tüketici sınıfı GPU'larda daha büyük batch sizes değerlerine olanak tanır. Dahası, Ultralytics çerçevesi; image segmentation ve image classification dahil olmak üzere standart sınırlayıcı kutuların ötesinde çok çeşitli görevleri doğası gereği destekler.

YOLOv7 Tasarımı#

YOLOv7, ağın orijinal gradyan yolunu bozmadan daha çeşitli özellikler öğrenmesini sağlayan çeşitli yapısal yeniden parametrelendirmeler ve E-ELAN mimarisini tanıttı. Ayrıca eğitim sırasında ara denetim için yardımcı bir kafa uygular. Bu gelişmeler yüksek ortalama Ortalama Kesinlik (mAP) sağlasa da, ONNX veya TensorRT gibi uç formatlara dışarı aktarmayı, Ultralytics modellerine özgü modern dışarı aktarma işlemlerine kıyasla biraz daha zor hale getiren karmaşık tensör yapıları getirebilir.

Performans Analizi#

Bu modelleri karşılaştırırken geliştiriciler mAP^val, çıkarım hızı ve hesaplama karmaşıklığını (FLOPs) dengelemek zorundadır. Aşağıdaki tablo, COCO dataset üzerinde değerlendirilen her iki mimarinin performansını göstermektedir.

Önemli 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, yalnızca 2.6M parametrelik çok küçük bir bellek ayak iziyle, ışık hızında inference latency (T4 TensorRT üzerinde 1.12 ms) sunan bir verimlilik harikasıdır. Bu da onu yüksek düzeyde kısıtlanmış uç dağıtımlar için eşsiz 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.

Ultralytics Ekosistemi Avantajı#

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

Kullanım Kolaylığı: Ultralytics, birleştirilmiş, son derece sezgisel bir Python API sağlar. Kapsamlı official documentation desteğiyle, minimum şablon koduyla modelleri eğitebilir, doğrulayabilir ve dağıtabilirsin. İyi Bakımı Yapılan Ekosistem: Aktif geliştirme; sürekli güncellemeler, hata düzeltmeleri ve Weights & Biases gibi modern izleme araçlarıyla sorunsuz entegrasyon sağlar. Eğitim Verimliliği: Optimize edilmiş veri yükleyiciler ve smart caching kullanan YOLOv5, eğitim sürelerini büyük ölçüde kısaltır. Dahası, kullanıma hazır önceden eğitilmiş ağırlıklar, çeşitli alanlarda aktarımlı öğrenmeyi hızlandırır.

Kod 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")

İdeal Kullanım Senaryoları#

Ne 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.

YOLOv5 Ne Zaman Seçilmeli#

• Üretim Dağıtımları: Yüksek kararlılık, basit model deployment options ve geniş platformlar arası uyumluluk gerektiren ticari uygulamalar için idealdir.
• Uç Cihazlar: Daha küçük varyantlar (YOLOv5n ve YOLOv5s), cep telefonlarında ve gömülü sistemlerde son derece iyi çalışır.
• Çoklu Görev Gereksinimleri: Projenin basit tespitten birleşik bir çerçeve kullanarak pose estimation veya segmentasyona evrilmesi gerekiyorsa.

Yeni 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 Artık Log-Olabilirlik Tahmini (RLE) ve zorlu Oriented Bounding Box (OBB) sınır sorunlarını çözmek için özel açı kaybı içerir.

Sonuç#

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, boru hatlarını geleceğe hazırlamak ve hız, basitlik ile son teknoloji doğruluğun nihai kombinasyonunu elde etmek isteyen geliştiriciler için Ultralytics YOLO26 sürümüne geçiş yapmanı şiddetle tavsiye ederiz. Ultralytics platformunun efsanevi kullanım kolaylığını özetlerken çığır açan mimari yenilikler sunar.