YOLOv7 ve YOLOv5#

Modern bilgisayarlı görü işlem hatları oluştururken doğru nesne algılama mimarisini seçmek; doğruluk, çıkarım hızı ve kaynak kullanımını dengelemek açısından kritik öneme sahiptir. Bu kapsamlı karşılaştırma, bilgisayarlı görü alanındaki son derece etkili iki modeli inceler: YOLOv7 ve Ultralytics YOLOv5.

Mimari farklılıklarını, performans metriklerini ve ideal dağıtım senaryolarını analiz ederek geliştiricilerin ve araştırmacıların kendi gereksinimleri için en uygun modeli seçmesine yardımcı olmayı amaçlıyoruz.

Modelin Geçmişi ve Kökenleri#

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

YOLOv5#

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

YOLOv7#

6 Temmuz 2022'de Tayvan Academia Sinica Bilgi Bilimi Enstitüsü'nden Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından tanıtılan YOLOv7, doğrulukta en son noktayı zorlamak için Genişletilmiş Verimli Katman Agregasyon Ağları (Extended Efficient Layer Aggregation Networks - E-ELAN) ve eğitilebilir bir "ücretsiz hediyeler çantası" gibi mimari yeniliklere yoğunlaşmıştır. Ayrıntılar resmi Arxiv makalesinde ve YOLOv7 GitHub deposunda bulunabilir. Sorunsuz entegrasyon için Ultralytics YOLOv7 belgelerine göz atabilirsin.

YOLOv7 hakkında daha fazla bilgi edin

Mimari Yenilikler#

Ultralytics YOLOv5 Tasarımı#

YOLOv5, Path Aggregation Network (PANet) boyun yapısıyla eşleştirilmiş, değiştirilmiş bir CSPDarknet53 omurgası kullanır. Bu tasarım, hızlı özellik çıkarımı ve bellek verimliliği için yüksek düzeyde 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 batch boyutlarının kullanılmasına olanak tanır. Ayrıca Ultralytics framework'ü, standart sınırlayıcı kutuların ötesinde görüntü segmentasyonu ve görüntü sınıflandırması dahil olmak üzere çok çeşitli görevleri yerleşik olarak destekler.

YOLOv7 Tasarımı#

YOLOv7, çeşitli yapısal yeniden parametreleştirmeler ve ağın özgün gradyan yolunu bozmadan daha çeşitli özellikler öğrenmesini sağlayan E-ELAN mimarisini tanıttı. Ayrıca eğitim sırasında ara denetim için yardımcı bir başlık uygular. Bu geliştirmeler yüksek mean Average Precision (mAP) sağlasa da genellikle karmaşık tensör yapıları oluşturur; bu da ONNX veya TensorRT gibi uç formatlara dışa aktarmayı, Ultralytics modellerine özgü yalın dışa aktarma işlemlerine kıyasla biraz daha zorlu hâle getirebilir.

Performans Analizi#

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

Önemli Çıkarımlar#

• Doğruluk Tavanı: YOLOv7x, etkileyici 53.1 mAP^val ile en yüksek genel doğruluğa ulaşır ve algılama performansını en üst düzeye çıkarmanın birincil hedef olduğu senaryolarda son derece rekabetçi bir seçenek hâline gelir.
• Hız ve Verimlilik: Ultralytics YOLOv5n, yalnızca 2.6M parametrelik son derece küçük bellek ayak iziyle ışık hızında çıkarım gecikmesi (T4 TensorRT üzerinde 1.12 ms) sunan bir verimlilik harikasıdır. Bu, onu kaynakları son derece kısıtlı uç dağıtımlar için rakipsiz bir seçenek hâline getirir.
• Performans Dengesi: YOLOv5 serisi olağanüstü genişlikte bir model yelpazesi sunar. YOLOv5l, YOLOv7l'nin biraz gerisinde kalsa da son derece olgun bir dağıtım iş hattı sunarak mükemmel bir orta yol oluşturur.

Ultralytics Ekosisteminin Avantajı#

Bir modelin mimarisi denklemin yalnızca yarısıdır; onu çevreleyen ekosistem, gerçek dünyadaki kullanılabilirliğini belirler. Ultralytics modellerinin gerçekten öne çıktığı nokta burasıdır.

Kullanım Kolaylığı: Ultralytics, birleşik ve son derece sezgisel bir Python API'si sunar. Kapsamlı resmî belgeler tarafından desteklenen bu yapı sayesinde modelleri minimum miktarda gereksiz kodla eğitebilir, doğrulayabilir ve dağıtabilirsin. İyi Korunan Ekosistem: Etkin geliştirme; sürekli güncellemeler, hata düzeltmeleri ve Weights & Biases gibi modern izleme araçlarıyla sorunsuz entegrasyon sağlar. Eğitim Verimliliği: Optimize edilmiş veri yükleyicilerinden ve akıllı önbelleklemeden yararlanan YOLOv5, eğitim sürelerini önemli ölçüde azaltır. Ayrıca kullanıma hazır önceden eğitilmiş ağırlıklar, çeşitli alanlarda aktarım öğrenmesini hızlandırır.

Kod Örneği: Kolaylaştırılmış Eğitim#

Ultralytics paketiyle bir eğitim çalışması başlatmak, seçtiğin mimariden bağımsız olarak 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 Alanları#

YOLOv7 Ne Zaman Seçilmeli#

• Akademik Karşılaştırma: Yeni teknikleri, iyi belgelenmiş 2022 tarihli bir temel modelle karşılaştırması gereken araştırmacılar için idealdir.
• Üst Düzey GPU Bulut İşleme: Yoğun sahnelerde mutlak en yüksek mAP değerine ulaşmanın dışa aktarma kolaylığından daha önemli olduğu güçlü sunucu donanımlarında dağıtım için uygundur.

YOLOv5 Ne Zaman Seçilmeli?#

• Üretim Dağıtımları: Yüksek kararlılık, basit model dağıtım seçenekleri ve geniş platformlar arası uyumluluk gerektiren ticari uygulamalar için idealdir.
• Uç Cihazlar: Daha küçük varyantlar (YOLOv5n ve YOLOv5s), cep telefonlarında ve gömülü sistemlerde olağanüstü iyi çalışır.
• Çoklu Görev Gereksinimleri: Projenin birleşik bir framework kullanarak basit algılamadan poz tahmini veya segmentasyona evrilmesi gerekiyorsa.

Yeni Nesil: Ultralytics YOLO26#

YOLOv5 ve YOLOv7, görüntü yapay zekâsı tarihinde önemli yerlere sahip olsa da alan sürekli gelişiyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, nesne algılama teknolojisinin en ileri noktasını temsil eder ve tüm metriklerde önceki nesillerin önüne geçer.

YOLO26, paradigma değiştiren çeşitli özellikler sunar:

• Uçtan Uca NMS'siz Tasarım: Önceki sürümlerde öncülük edilen kavramlar üzerine inşa edilen YOLO26, yerel olarak uçtan uca çalışır. Bu, Non-Maximum Suppression (NMS) son işleme adımını tamamen ortadan kaldırarak gecikme darboğazlarını azaltır ve dağıtım mantığını büyük ölçüde basitleştirir.
• MuSGD Optimize Edicisi: Moonshot AI'ın Kimi K2'sinden ilham alan bu devrim niteliğindeki optimize edici, standart SGD'nin kararlılığını Muon'un hızlandırılmış momentumu ile birleştirerek gelişmiş LLM eğitimi yeniliklerini doğrudan bilgisayarlı görüye taşır.
• Geliştirilmiş CPU Hızı: YOLO26, Distribution Focal Loss (DFL) bileşenini stratejik olarak kaldırarak %43'e kadar daha hızlı CPU çıkarımı elde eder ve uç cihazlar ile düşük güçlü IoT cihazı dağıtımları için tartışmasız lider hâline gelir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri ve hassas robotik için kritik olan küçük nesne tanımada büyük iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: Maske üretimi için Semantic segmentation loss, Pose takibi için Residual Log-Likelihood Estimation (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 güçlü çözümler sunar. YOLOv7, yüksek hesaplama gücüne sahip donanımlarda ham doğruluk açısından güçlü bir seçenek olmaya devam ederken YOLOv5; hız, verimlilik ve dünya çapında bir ekosistem arasında olağanüstü bir denge sunan, geliştirici dostu nihai araç olarak öne çıkar.

Ancak işlem hatlarını geleceğe hazırlamak ve hız, basitlik ve mevcut en iyi doğruluğun en iyi birleşimini elde etmek isteyen geliştiricilere Ultralytics YOLO26 modeline geçmelerini önemle tavsiye ediyoruz. YOLO26, çığır açan mimari yenilikler sunarken Ultralytics platformunun efsanevi kullanım kolaylığını da bünyesinde barındırır.