YOLOv7 YOLOv5: Yüksek Doğruluk ve Üretim Çok Yönlülüğü Arasındaki Denge

Doğru nesne algılama mimarisini seçmek, genellikle akademik performans ile pratik uygulama kolaylığı arasında bir denge kurmayı gerektirir. Bu ayrıntılı karşılaştırma, YOLO iki önemli dönüm noktasını incelemektedir: YOLOv7, "bag-of-freebies" mimari optimizasyonlarıyla tanınan ve YOLOv5, kullanışlılığı, hızı ve üretim ortamlarında yaygın olarak benimsenmesiyle ünlü efsanevi Ultralytics .

Yönetici Özeti

YOLOv7 YOLOv7 , E-ELAN gibi karmaşık mimari seçimleri sayesinde COCO daha yüksek tepe doğruluğu (mAP) elde ederken, YOLOv5 kullanılabilirlik açısından endüstri standardı olmaya devam ederek daha akıcı bir eğitim deneyimi, daha düşük kaynak tüketimi ve daha geniş dağıtım desteği sunmaktadır. 2026'da yeni projelere başlayan geliştiriciler için tartışma doğal olarak Ultralytics doğru evrilmiştir. Bu model, v7'nin doğruluk avantajlarını v5'in kullanılabilirliği ve yerel uçtan uca NMS çıkarım ile birleştirmektedir.

Performans Metrikleri Karşılaştırması

Aşağıdaki tablo, temel varyantlar arasındaki performans farklılıklarını göstermektedir. YOLOv7 , üst düzey GPU YOLOv7 , YOLOv5 mobil cihazlardan bulut sunucularına kadar her şeye uygun ayrıntılı bir model yelpazesi YOLOv5 .

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

YOLOv7: Mimari Güç Merkezi

YOLOv4'ün yazarları tarafından Temmuz 2022'de yayınlanan YOLOv7 , gerçek zamanlı nesne algılama doğruluğunun sınırlarını zorlamayı amaçlayan birkaç gelişmiş kavramı tanıttı.

Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
Tarih: 2022-07-06
Makale:YOLOv7: Eğitilebilir bag-of-freebies, yeni bir çığır açıyor
Depo:GitHub

YOLOv7 hakkında daha fazla bilgi edinin.

Temel Mimari Özellikler

E-ELAN (Genişletilmiş Verimli Katman Toplama Ağı): Bu yapı, en kısa ve en uzun gradyan yollarını kontrol ederek ağın daha çeşitli özellikleri öğrenmesini sağlar. Orijinal gradyan yolunu bozmadan ağın öğrenme yeteneğini geliştirir ve karmaşık sahnelerde daha yüksek doğruluk sağlar.
Model Ölçeklendirme: Standart bileşik ölçeklendirmeden farklı olarak, YOLOv7 bloğun derinliğini ve genişliğini aynı anda YOLOv7 farklı kaynak kısıtlamaları için en uygun mimariyi sağlar (ör. YOLOv7 ile YOLOv7).
Eğitilebilir Bag-of-Freebies: Model, eğitim sırasında model yapısını optimize eden ancak çıkarım sırasında basitleştiren planlı yeniden parametreleştirme tekniklerini içerir ve doğruluk kaybı olmadan hızı etkili bir şekilde artırır.

YOLOv7 için İdeal Kullanım Alanları

YOLOv7 , otonom sürüş güvenlik sistemleri veya yüksek çözünürlüklü üretim görüntülerinde küçük kusurları tespit etme gibi mAP her yüzde puanının mAP akademik araştırma ve üst düzey endüstriyel uygulamalarda YOLOv7 .

YOLOv5: Üretim Standardı

YOLOv5, Ultralytics tarafından geliştirilen, sadece mimarisiyle değil, geliştirici deneyimini ön planda tutmasıyla da bu alanda devrim yarattı. PyTorch yerel olarak uygulanan ilk YOLO olması, onu Python geniş bir topluluğun erişimine açtı.

Yazar: Glenn Jocher
Kuruluş:Ultralytics
Tarih: 2020-06-26
Depo:GitHub

YOLOv5 hakkında daha fazla bilgi edinin.

Geliştiriciler Neden YOLOv5'i Seçiyor

Eşsiz Çok Yönlülük: YOLOv7 öncelikle algılamaya YOLOv7 , YOLOv5 hazır olarak örnek segmentasyonu ve görüntü sınıflandırmasını YOLOv5 .
Düşük Bellek Ayak İzi: YOLOv5 , CUDA ile son derece YOLOv5 ve dönüştürücü tabanlı modeller veya daha ağır mimarilere kıyasla tüketici donanımlarında daha büyük parti boyutlarına izin verir.
Dağıtım Ekosistemi: ONNX, CoreML, TFLite ve TensorRT sorunsuz bir şekilde dışa aktarım imkanı sunarak, mobil uygulamalar ve NVIDIA gibi uç cihazlar için ideal seçimdir.

Ultralytics'in Avantajı: Ekosistem ve Kullanılabilirlik

Bu modelleri karşılaştırırken, çevredeki ekosistem genellikle mimarinin kendisi kadar önemlidir. Ultralytics (YOLOv5 daha yeni olan YOLO26), birleşik ve iyi bakımlı bir platformdan yararlanır.

Kullanım Kolaylığı ve Eğitim Verimliliği

Bir modeli eğitmek için bilgisayar bilimi alanında doktora derecesine sahip olmak gerekmemelidir. Ultralytics , iş akışını standart hale getiren basit bir Python Ultralytics . YOLOv5 eğitmekten YOLO11 veya YOLO26 modeline geçebilirsiniz.

from ultralytics import YOLO

# Load a model (YOLOv5 or the newer YOLO26)
model = YOLO("yolo26n.pt")

# Train on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

Entegre Platform

Ultralytics kullanıcıları, veri kümesi yönetimi, otomatik açıklama ve tek tıklamayla model dağıtımı için web tabanlı bir merkez Ultralytics erişim elde eder. Bu ekosistem entegrasyonu, ham depoları yönetmeye kıyasla bilgisayar görme ürünlerinin pazara sunulma süresini önemli ölçüde azaltır.

YOLO26 ile Geleceğe Hazırlık

YOLOv7 YOLOv5 yetenekli YOLOv5 da, bilgisayar görme alanı hızla gelişmektedir. Yeni projeler için Ultralytics , önceki iki versiyona göre önemli avantajlar sunmaktadır.

2026 yılının Ocak ayında piyasaya sürülen YOLO26, önceki nesillerin belirli sınırlamalarını ele almaktadır:

Uçtan Uca NMS: Non-Maximum Suppression (NMS) son işlem gerektiren YOLOv5 v7'den farklı olarak, YOLO26 doğal olarak uçtan uca çalışır. Bu, özellikle NMS bir darboğaz NMS uç cihazlarda daha temiz kod ve daha hızlı çıkarım sağlar.
MuSGD Optimizer: LLM eğitim kararlılığından esinlenen bu yeni optimizer, v5/v7'de SGD standart SGD daha hızlı yakınsama sağlar.
Kenar Optimizasyonu: Dağıtım Odak Kaybını (DFL) ortadan kaldırarak, YOLO26 CPU'da %43'e kadar daha hızlıdır, bu da onu mobil uygulamalar için üstün kılar.
Geliştirilmiş Küçük Nesne Algılama: ProgLoss ve STAL (Anchor Learning ile Kendi Kendini Eğitme) sayesinde, drone ve hava görüntüleme görevleri için kritik bir faktör olan küçük YOLOv7 daha iyi performans gösterir.

YOLO26 hakkında daha fazla bilgi edinin

Sonuç

YOLOv7 , araştırmacılar ve belirli yüksek performanslı GPU için yüksek doğruluk sunan güçlü bir mimari başarıdır. Ancak, "bag-of-freebies" karmaşıklığına odaklanması, Ultralytics kıyasla değiştirilmesi ve uygulanmasını zorlaştırabilir.

YOLOv5 , performans dengesi, kullanım kolaylığı ve algılama, segmentasyon ve sınıflandırma gibi görevlerdeki inanılmaz çok yönlülüğü ile sektörde bir efsane olmaya devam ediyor. Birçok eski üretim sistemi için güvenli ve güvenilir bir seçimdir.

Yüksek doğruluk ve kullanım kolaylığı gibi iki önemli özelliği bir arada arayanlara YOLO26'yı öneriyoruz. Kullanıcı dostu Ultralytics NMS çıkarım ve MuSGD optimizasyonu gibi en son yeniliklerle birleştiren bu ürün, uygulamalarınızın hızlı, doğru ve geleceğe dönük olmasını sağlar.

Daha Fazla Okuma

Ultralytics Model Merkezi'ndeki diğer modelleri keşfedin.
Kendi verileriniz üzerinde özel modellerin nasıl eğitileceğini öğrenin.
Nesne Algılama ile Segmentasyon arasındaki farkı anlayın.