Başla

YOLOv7 ve YOLOv5

Modern bilgisayarlı görü işlem hatları geliştirirken doğru nesne algılama mimarisini seçmek; doğruluk, çıkarım hızı ve kaynak kullanımını dengelemek açısından kritik önemdedir. Bu karşılaştırma, bilgisayarlı görü alanındaki iki etkili modeli, YOLOv7 ve Ultralytics YOLOv5'i inceliyor.

Bu kılavuz, mimari farklılıklarını, performans ölçütlerini ve ideal dağıtım senaryolarını analiz ederek geliştiricilerin ve araştırmacıların kendi gereksinimlerine en uygun modeli seçmesine yardımcı olur.

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 sundu. Sadeleştirilmiş 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#

Institute of Information Science, Academia Sinica, Taiwan'dan Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından 6 Temmuz 2022'de tanıtılan YOLOv7, doğrulukta en ileri düzeye ulaşmak için Genişletilmiş Verimli Katman Birleştirme Ağları (E-ELAN) ve eğitilebilir bir "ücretsiz avantajlar paketi" gibi mimari yeniliklere odaklandı. Ayrıntıları resmî arXiv makalelerinde ve YOLOv7 GitHub deposunda bulabilirsin. Ultralytics ile dışa aktarılan YOLOv7 modellerini çalıştırmak için Ultralytics YOLOv7 belgelerine göz at.

YOLOv7 hakkında daha fazla bilgi edin

Ultralytics Paket Desteği

YOLOv5, Ultralytics Python paketine tamamen entegre edilmiştir. YOLOv7, eğitim veya PyTorch çıkarımı için yerel olarak desteklenmez; ancak yukarı akıştan alınan ve ONNX veya TensorRT biçiminde dışa aktarılan YOLOv7 kontrol noktaları, YOLOv7 belgelerinde açıklandığı gibi Ultralytics ile çalıştırılabilir.

Mimari Yenilikler#

Ultralytics YOLOv5 Tasarımı#

YOLOv5, Değiştirilmiş CSPDarknet53 omurgasını Yol Toplama Ağı (PANet) boyun kısmıyla birlikte kullanır. Bu tasarım, hızlı özellik çıkarımı ve bellek verimliliği için oldukça optimize edilmiştir. Eski mimarilerden veya ağır Transformer modellerinden farklı olarak YOLOv5, eğitim sırasında çok daha az CUDA belleği gerektirir ve standart tüketici sınıfı GPU'larda daha büyük yığın boyutlarına olanak tanır. Standart sınırlayıcı kutuların yanı sıra YOLOv5 deposuna örnek segmentasyonu (v7.0) ve görüntü sınıflandırması (v6.2) da eklendi.

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 mAPval50-95, çıkarım hızı ve hesaplama karmaşıklığı (FLOPs) arasında denge kurması gerekir. Aşağıdaki tablo, COCO veri kümesi üzerinde değerlendirilen her iki mimarinin performansını gösteriyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Öne Çıkan Noktalar#

  • En Yüksek Doğruluk: YOLOv7x, 53.1 mAPval50-95 ile en yüksek genel doğruluğa ulaşır; bu nedenle tespit performansını en üst düzeye çıkarmanın öncelikli hedef olduğu senaryolarda oldukça rekabetçidir.
  • Hız ve Verimlilik: Ultralytics YOLOv5n oldukça verimlidir; T4 TensorRT üzerinde 1.12 ms çıkarım gecikmesine ve yalnızca 1.9M parametreye sahiptir. Bu özellik onu kaynakları son derece kısıtlı uç dağıtımları için güçlü bir seçenek yapar.
  • Performans Dengesi: YOLOv5 serisi geniş bir model boyutu yelpazesi sunar. YOLOv5l, doğrulukta YOLOv7l'nin biraz gerisinde kalsa da oldukça olgun bir dağıtım işlem hattı sunarak iyi bir orta yol sağlar.

Ultralytics Ekosisteminin Avantajı#

Model mimarisi denklemin yalnızca yarısıdır; gerçek dünyadaki uygulanabilirliği çevresindeki ekosistem belirler ve Ultralytics modelleri bu göz önünde bulundurularak geliştirilir.

Kullanım Kolaylığı: Ultralytics, birleşik ve sezgisel bir Python API'si sunar. Kapsamlı resmî belgeler sayesinde modelleri en az ek kodla eğitebilir, doğrulayabilir ve dağıtıma alabilirsin. İyi Bakımı Yapılan Ekosistem: Etkin geliştirme; düzenli güncellemeler, hata düzeltmeleri ve Weights & Biases gibi modern takip araçlarıyla entegrasyon sağlar. Eğitim Verimliliği: Optimize edilmiş veri yükleyicilerinden ve akıllı önbelleklemeden yararlanan YOLOv5, eğitim sürelerini kısaltır. Ayrıca kullanıma hazır önceden eğitilmiş ağırlıklar, çeşitli alanlarda aktarım öğrenmesini hızlandırır.

Kod Örneği: Sadeleştirilmiş Eğitim#

Ultralytics paketiyle, desteklenen her mimaride eğitim çalıştırmaya başlama biçimi 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 2022 temel modeliyle karşılaştırması gereken araştırmacılar için kullanışlıdır.
  • Üst Düzey GPU Bulut İşleme: Dışa aktarma kolaylığından çok yoğun sahnelerde en yüksek mAP değerine ulaşmanın önemli olduğu güçlü sunucu donanımlarına dağıtım yaparken.

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 modeller (YOLOv5n ve YOLOv5s), cep telefonlarında ve gömülü sistemlerde iyi çalışır.
  • Çoklu Görev Gereksinimleri: Projenin birleşik bir çerçeve kullanarak basit algılamadan örnek segmentasyonuna veya sınıflandırmaya geçmesi gerekiyorsa.
Diğer Mimarileri Keşfet

Daha yeni sürümleri mi arıyorsun? Anchorsız algılama ve çoklu görev öğrenme yeteneklerindeki daha ileri gelişmeler için Ultralytics YOLOv8 veya Ultralytics YOLO11 modellerini inceleyebilirsin.

Yeni Nesil: Ultralytics YOLO26#

YOLOv5 ve YOLOv7, bilgisayarlı görü yapay zekâsı tarihinde önemli bir yere sahip olsa da bu alan sürekli gelişiyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, en yeni Ultralytics modelidir ve doğruluk, CPU hızı ve dağıtım kolaylığı açısından önceki nesillere kıyasla iyileştirmeler sunar.

YOLO26 birkaç önemli özellik sunar:

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından YOLO modellerine kazandırılan NMS'siz eğitim yaklaşımını temel alan YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemesini atlayan isteğe bağlı bir uçtan uca başlık (nms=False) sunarak gecikmeyi azaltır ve dağıtım mantığını basitleştirir.
  • MuSGD Optimizasyon Algoritması: Moonshot AI'nin Kimi K2 modelinden ilham alan bu hibrit optimizasyon algoritması, standart SGD'yi Muon ile birleştirerek daha kararlı eğitim ve daha hızlı yakınsama için büyük dil modeli eğitimindeki fikirleri bilgisayarlı görüye taşır.
  • Geliştirilmiş CPU Hızı: Dağılımsal Odak Kayıp (DFL) kaldırılarak YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım elde eder; bu da YOLO26'yı uç yapay zekâ ve düşük güçlü IoT cihazlarına dağıtım için çok uygun hâle getirir.
  • ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket atama yöntemi, özellikle hava görüntüleri ve hassas robotik uygulamalar için kritik olan küçük nesnelerin tanınmasını iyileştirir.
  • Göreve Özel İyileştirmeler: Maske üretimi için anlamsal segmentasyon kaybı, poz tahmini için Artık Log-Olabilirlik Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) sınır sorunlarını çözmek için özel açı kaybı sunar.

Sonuç#

YOLOv5 ve YOLOv7, gerçek zamanlı nesne algılama için güçlü çözümler sunar. YOLOv7, yüksek hesaplama gücüne sahip donanımlarda ham doğruluk açısından güçlü bir seçenek olmayı sürdürürken YOLOv5; hız ve verimlilik arasında güçlü bir denge, geliştirici dostu yapısı ve olgun ekosistemiyle öne çıkar.

Ancak işlem hatlarını hız, basitlik ve doğruluğun en iyi birleşimiyle geleceğe hazırlamak isteyen geliştiriciler için önerilen yol, Ultralytics YOLO26 modeline geçiş yapmaktır. Bu model, yukarıda açıklanan mimari iyileştirmeleri eklerken Ultralytics ekosisteminin kullanım kolaylığını korur.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.