YOLOv7 ve YOLOv5#

Modern bilgisayarlı görü işlem hatları oluştururken doğru nesne algılama mimarisini seçmek; doğruluk, çıkarım hızı ve kaynak kullanımını dengelemek açısından kritik önem taşır. Bu kapsamlı karşılaştırmada, bilgisayarlı görü alanında büyük etki yaratan iki model inceleniyor: YOLOv7 ve Ultralytics YOLOv5.

Mimari farklılıklarını, performans ölçütlerini ve ideal dağıtım senaryolarını inceleyerek geliştiricilerin ve araştırmacıların kendi gereksinimlerine en uygun modeli seçmelerine yardımcı olmayı amaçlıyoruz.

Modellerin Geçmişi ve Kökenleri#

Bu modellerin kökenlerini anlamak, tasarım yaklaşımlarını ve hedeflenen kullanım alanlarını anlamlandırmaya yardımcı olur.

YOLOv5#

Glenn Jocher ve Ultralytics ekibi tarafından 26 Haziran 2020'de yayımlanan YOLOv5, performanstan ödün vermeden kullanılabilirliğe öncelik veren yerel bir PyTorch uygulaması sunarak alanda devrim yarattı. Son derece yalın ekosistemi ve güvenilir eğitim dinamikleri sayesinde kısa sürede sektör standardı hâline geldi. Kaynak kodunu YOLOv5 GitHub deposunda inceleyebilir veya modele doğrudan Ultralytics Platformu üzerinden erişebilirsin.

YOLOv7#

Tayvan'daki Academia Sinica Bilgi Bilimi Enstitüsü'nden Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından 6 Temmuz 2022'de tanıtılan YOLOv7, doğrulukta son teknoloji düzeyine ulaşmak için Genişletilmiş Verimli Katman Toplama Ağları (E-ELAN) ve eğitilebilir bir "bedava avantajlar paketi" gibi mimari yeniliklere yoğunlaştı. Ayrıntılar için resmî Arxiv makalesine ve YOLOv7 GitHub deposuna göz atabilirsin. Sorunsuz entegrasyon için Ultralytics YOLOv7 belgelerini incele.

YOLOv7 hakkında daha fazla bilgi edin

Mimari Yenilikler#

Ultralytics YOLOv5 Tasarımı#

YOLOv5, değiştirilmiş bir CSPDarknet53 omurgasını Path Aggregation Network (PANet) boyun ağıyla birlikte kullanır. Bu tasarım, hızlı özellik çıkarımı ve bellek verimliliği için son derece iyi optimize edilmiştir. Eski mimarilerin veya büyük Transformer modellerinin aksine YOLOv5, eğitim sırasında çok daha az CUDA belleği gerektirir; böylece standart tüketici sınıfı GPU'larda daha büyük toplu iş boyutlarına olanak tanır. Ayrıca Ultralytics çerçevesi, standart sınırlayıcı kutuların yanı sıra görüntü segmentasyonu ve görüntü sınıflandırması gibi çok çeşitli görevleri de doğal olarak destekler.

YOLOv7 Tasarımı#

YOLOv7, çeşitli yapısal yeniden parametrelendirmeler ve E-ELAN mimarisini kullanıma sundu. Bu mimari, özgün gradyan yolunu bozmadan ağın daha çeşitli özellikler öğrenmesini sağlar. Ayrıca eğitim sırasında ara denetim için yardımcı bir başlık uygular. Bu gelişmeler yüksek ortalama Hassasiyet (mAP) sağlasa da Ultralytics modellerinde yerleşik olan yalın dışa aktarma işlemlerine kıyasla ONNX veya TensorRT gibi uç biçimlere aktarımı biraz daha zorlaştırabilen karmaşık tensör yapıları oluşturabilir.

Performans Analizi#

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

Öne Çıkan Noktalar#

• En Yüksek Doğruluk: YOLOv7x, etkileyici 53.1 mAP^val değeriyle genel doğrulukta en yüksek sonucu elde ediyor ve algılama performansını en üst düzeye çıkarmanın birincil hedef olduğu senaryolar için güçlü bir seçenek sunuyor.
• Hız ve Verimlilik: Ultralytics YOLOv5n, son derece düşük çıkarım gecikmesi (T4 TensorRT üzerinde 1.12 ms) ve yalnızca 1.9M parametrelik küçük bellek ayak iziyle verimlilik harikasıdır. Bu özellikleriyle kaynakları son derece kısıtlı uç dağıtımlar için eşsiz bir seçenektir.
• Performans Dengesi: YOLOv5 serisi, çok çeşitli modeller sunar. YOLOv5l, doğruluk bakımından YOLOv7l'ın biraz gerisinde kalsa da son derece olgun bir dağıtım işlem hattıyla harika bir orta yol sunar.

Ultralytics Ekosisteminin Avantajı#

Bir modelin mimarisi denklemin yalnızca yarısıdır; çevresindeki ekosistem modelin gerçek dünyadaki uygulanabilirliğini belirler. Ultralytics modellerinin öne çıktığı nokta tam da burasıdır.

Kullanım Kolaylığı: Ultralytics, birleşik ve son derece sezgisel bir Python API'si sunar. Kapsamlı resmî belgelerle desteklenen bu API sayesinde çok az başlangıç koduyla modelleri eğitebilir, doğrulayabilir ve dağıtabilirsin. Bakımı İyi Yapılan Ekosistem: Aktif geliştirme çalışmaları, Weights & Biases gibi modern izleme araçlarıyla sürekli güncellemeler, hata düzeltmeleri ve sorunsuz entegrasyon sağlar. Eğitim Verimliliği: Optimize edilmiş veri yükleyiciler ve akıllı önbellekleme kullanan YOLOv5, eğitim sürelerini önemli ölçüde kısaltır. Ayrıca kullanıma hazır önceden eğitilmiş ağırlıklar, farklı alanlarda aktarım öğrenmesini hızlandırır.

Kod Örneği: Sadeleştirilmiş Eğitim#

Ultralytics paketiyle, seçtiğin mimariden bağımsız olarak eğitim çalıştırmasını başlatma süreci neredeyse aynıdır.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv5 modelini yükle
model = YOLO("yolov5su.pt")  # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları

# Modeli COCO8 örnek veri kümesi üzerinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Eğitilmiş modeli dağıtım için ONNX biçiminde dışa aktar
success = model.export(format="onnx")

İdeal Kullanım Alanları#

YOLOv7 Ne Zaman Seçilmeli#

• Akademik Kıyaslama: Yeni teknikleri iyi belgelenmiş bir 2022 temel modeliyle karşılaştırması gereken araştırmacılar için idealdir.
• Üst Düzey GPU Bulut İşleme: En yüksek mAP değerine ulaşmanın, dışa aktarma kolaylığından daha önemli olduğu ve güçlü sunucu donanımlarının kullanıldığı dağıtımlar için uygundur.

YOLOv5'i Ne Zaman Seçmeli?#

• Üretim Dağıtımları: Yüksek kararlılık, kolay model dağıtım seçenekleri ve geniş platformlar arası uyumluluk gerektiren ticari uygulamalar için idealdir.
• Uç Cihazlar: Daha küçük sürümler (YOLOv5n ve YOLOv5s), cep telefonlarında ve gömülü sistemlerde son derece iyi çalışır.
• Çoklu Görev Gereksinimleri: Projenin, birleşik bir çerçeve kullanarak basit nesne algılamadan örnek segmentasyonuna veya sınıflandırmaya evrilmesi gerekiyorsa.

Yeni Nesil: Ultralytics YOLO26#

YOLOv5 ve YOLOv7, yapay zekâ destekli görüntü teknolojisinin tarihinde önemli bir yere sahip olsa da alan sürekli gelişiyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, nesne algılama teknolojisinin en ileri noktasını temsil ediyor ve tüm ölçütlerde önceki nesilleri geride bırakıyor.

YOLO26, paradigma değiştirici birçok özellik sunuyor:

• Uçtan Uca NMS'siz Tasarım: Önceki sürümlerde öncülük edilen kavramları geliştiren YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldıran yerel, uçtan uca bir başlık (nms=False) sunar. Böylece gecikme darboğazları azaltılır ve dağıtım mantığı büyük ölçüde basitleştirilir.
• MuSGD Optimizatörü: Moonshot AI'ın Kimi K2 modelinden esinlenen bu çığır açıcı optimizatör, standart SGD'nin kararlılığını Muon'un hızlandırılmış momentumuyla birleştirerek gelişmiş LLM eğitimi yeniliklerini doğrudan bilgisayarlı görüye taşır.
• Geliştirilmiş CPU Hızı: Dağılım Odaklı Kaybı (DFL) stratejik olarak kaldıran YOLO26, %43'e kadar daha hızlı CPU çıkarımı sunar ve uç cihazlarla düşük güçlü IoT cihazlarının dağıtımında tartışmasız lider hâline gelir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri ve hassas robotik uygulamalar için kritik öneme sahip küçük nesne tanımada büyük iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: Maske oluşturmak için anlamsal segmentasyon kaybı, poz tahmini için Artık Log-Olasılık Tahmini (RLE) ve karmaşık Yönlendirilmiş Sınırlayıcı Kutu (OBB) sınır sorunlarını çözmek için özel açı kaybı içerir.

Sonuç#

YOLOv5 ve YOLOv7, gerçek zamanlı nesne algılama için güçlü çözümler sunar. YOLOv7, yüksek hesaplama gücüne sahip donanımlarda ham doğruluk açısından güçlü bir seçenek olmaya devam ederken YOLOv5; hız, verimlilik ve birinci sınıf ekosistem dengesini olağanüstü biçimde sunan, geliştirici dostu en iyi araç olarak öne çıkıyor.

Ancak işlem hatlarını geleceğe hazırlamak ve hız, basitlik ile son teknoloji doğruluğu en iyi şekilde bir araya getirmek isteyen geliştiricilere Ultralytics YOLO26 modeline geçmelerini özellikle öneriyoruz. Bu model, çığır açan mimari yenilikler sunarken Ultralytics platformunun efsanevi kullanım kolaylığını da bünyesinde barındırıyor.