YOLOv8 YOLOv5: Kapsamlı Teknik Karşılaştırma
Hızla gelişen bilgisayar görme alanında, doğru nesne algılama modelini seçmek projenin başarısı için çok önemlidir. Bu tarihteki en önemli iki dönüm noktası şunlardır YOLOv5 ve YOLOv8'dir ve her ikisi de Ultralyticstarafından geliştirilen YOLOv5 ve YOLOv8. YOLOv5 piyasaya sürüldüğünde kullanım kolaylığı ve güvenilirlik açısından endüstri standardını YOLOv5 , YOLOv8 en son teknoloji (SOTA) performansını yeniden tanımlayan mimari yenilikler YOLOv8 .
Bu kılavuz, geliştiricilerin bilinçli kararlar almasına yardımcı olmak için her iki mimarinin performans ölçütlerini, eğitim metodolojilerini ve ideal kullanım örneklerini karşılaştırarak her ikisinin de derinlemesine teknik analizini sunar.
Ultralytics YOLOv8: Modern Standart
Ocak 2023'te piyasaya sürülen YOLOv8 , YOLO serisinde önemli bir sıçrama anlamına geliyor. Önceki sürümlerin başarısını temel alırken, nesne algılama, örnek segmentasyonu ve poz tahmini için birleşik bir çerçeve sunuyor.
Temel Mimari Yenilikler
YOLOv8 , önceki modellerin çapa tabanlı tasarımından YOLOv8 ve çapa içermeyen bir algılama mekanizması benimser. Bu değişiklik, nesne merkezlerini doğrudan tahmin ederek modelin karmaşıklığını basitleştirir, kutu tahminlerinin sayısını azaltır ve Maksimum Baskılama (NMS) sürecini hızlandırır.
- C2f Modülü: backbone , YOLOv5 bulunan C3 modülünün yerine yeni bir C2f modülü backbone . Bu yeni tasarım, gradyan akışını geliştirir ve hesaplama maliyetini önemli ölçüde artırmadan modelin daha zengin özellik temsillerini yakalamasına olanak tanır.
- Ayrılmış Başlık: Önceki sürümlerin birleştirilmiş başlığından farklı olarak, YOLOv8 sınıflandırma ve regresyon görevlerini bağımsız dallara YOLOv8 . Bu ayrım, her görevin ayrı ayrı optimize edilmesini sağlar, böylece daha yüksek yakınsama oranları ve daha iyi doğruluk elde edilir.
- Mozaik Artırma: Her iki model de mozaik artırma kullanırken, YOLOv8 , hassasiyeti artırmak için eğitimin son aşamalarında bunu YOLOv8 kapatır.
Performans ve Çok Yönlülük
YOLOv8 çok yönlülük için YOLOv8 . Basit sınırlayıcı kutu algılamanın ötesinde çok çeşitli görevleri doğal olarak destekler, bu da onu otonom araçlar ve akıllı perakende analitiği gibi karmaşık uygulamalar için sağlam bir seçim haline getirir.
YOLOv8 :
Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2023-01-10
GitHub:ultralytics
Belgeler:YOLOv8
YOLOv8 hakkında daha fazla bilgi edinin.
Ultralytics YOLOv5: Güvenilir İş Gücü
2020 yılının Haziran ayında piyasaya sürüldüğünden beri, YOLOv5 , eşsiz kararlılığı ve PyTorch basitliği sayesinde dünya çapındaki geliştiriciler için vazgeçilmez bir model haline geldi. Güçlü görsel yapay zekaya erişimi demokratikleştirerek, minimum konfigürasyonla özel veri kümeleri üzerinde modellerin eğitilmesini kolaylaştırdı.
Mimarlık ve Miras
YOLOv5 , CSPDarknet backbone çapa tabanlı algılama başlığı YOLOv5 . Odak katmanı (daha sonra 6x6 konvolüsyon ile değiştirilmiştir), bilgileri korurken görüntüleri verimli bir şekilde küçültme işlemini gerçekleştirmiştir.
- Kullanım Kolaylığı: YOLOv5 , "kullanıma hazır" deneyimi ile YOLOv5 . Depo yapısı sezgiseldir ve aşağıdaki gibi MLOps araçlarıyla sorunsuz bir şekilde entegre olur Comet ve ClearMLgibi MLOps araçlarıyla sorunsuz bir şekilde entegre olur.
- Geniş Dağıtım Desteği: YOLOv5 , daha uzun süredir piyasada YOLOv5 için, mobil işlemcilerden TFLiteNVIDIA gibi uç cihazlara kadar neredeyse her dağıtım hedefi için kapsamlı destek sunar.
YOLOv5 :
Yazarlar: Glenn Jocher
Kuruluş:Ultralytics
Tarih: 2020-06-26
GitHub:yolov5
Belgeler:YOLOv5
YOLOv5 hakkında daha fazla bilgi edinin.
Performans Karşılaştırması
İki modeli karşılaştırdığımızda, YOLOv8 , özellikle modern GPU hem doğruluk (mAP) hem de çıkarım hızı YOLOv5 YOLOv8 daha iyi performans göstermektedir. Aşağıdaki tablo, COCO setindeki performans farklarını göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
Metrik Analizi
- Doğruluk: YOLOv8 , Ortalama Doğruluk Oranı (mAP) açısından önemli bir avantaj YOLOv8 . Örneğin, YOLOv8 Nano (n) varyantı, mAP yaklaşık %10 daha yüksek mAP YOLOv8 , küçük modellerde yüksek doğruluğun çok önemli olduğu uygulamalar için çok daha üstün bir performans sergilemektedir.
- Hız: YOLOv5 , daha düşük FLOP değerleri nedeniyle bazı CPU biraz daha hızlı YOLOv5 , YOLOv8 daha iyi bir performans dengesi YOLOv8 . Doğruluk kazanımlarına kıyasla bu fark genellikle önemsizdir ve YOLOv8 , TensorRT kullanılarak GPU için yüksek düzeyde optimize YOLOv8 . TensorRTkullanılarak GPU çıkarımına son derece optimize edilmiştir.
- Model Boyutu: YOLOv8 genellikle kompakttır, ancak öğrenme kapasitesini artırmak için Nano ve Small mimarilerinde daha fazla parametre barındırır.
Eğitim Metodolojileri ve Ekosistem
Her iki model de sağlam Ultralytics yararlanmaktadır, ancak iş akışı YOLOv8 ile önemli ölçüde gelişmiştir.
Eğitim Verimliliği
Ultralytics , Eğitim Verimliliği ile ünlüdür. Transformatör tabanlı mimarilere kıyasla önemli ölçüde daha az CUDA gerektirirler. RT-DETRgibi dönüştürücü tabanlı mimarilere kıyasla önemli ölçüde daha az CUDA belleği gerektirir, bu da kullanıcıların standart tüketici GPU'larında daha büyük partileri eğitebilmesini sağlar.
- YOLOv5 eğitimin komut dosyaları aracılığıyla başlatıldığı bağımsız bir depo yapısı kullanır.
train.py. - YOLOv8 tanıttı
ultralyticsPython . Bu birleşik CLI Python , görevler arasında geçiş yapmayı ve modelleri dışa aktarmayı kolaylaştırır.
Ultralytics ile Kolaylaştırılmış Eğitim
ultralytics paket, YOLOv8 YOLO26 gibi daha yeni modellerin eğitim sürecini basitleştirir. Sadece üç satırlık kodla bir modeli yükleyebilir, eğitebilir ve doğrulayabilirsiniz.
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train on a custom dataset with efficient memory usage
model.train(data="coco8.yaml", epochs=100, imgsz=640)
Ultralytics
Her iki modelin kullanıcıları da Ultralytics 'nu (eski adıyla HUB) kullanabilir. Bu web tabanlı araç, veri kümesi yönetimi, etiketleme ve eğitim görselleştirmesini basitleştirir. Tek tıklamayla modelin ONNX ve OpenVINOgibi formatlara tek tıklamayla model dışa aktarımını destekleyerek prototipten üretime giden yolu kolaylaştırır.
İdeal Kullanım Senaryoları
YOLOv8 Ne Zaman Tercih Edilmeli?
YOLOv8 yeni YOLO26'nın özel kenar optimizasyonlarını gerektirmeyen 2026 yılındaki çoğu yeni proje için tercih YOLOv8 .
- Çoklu Görev Uygulamaları: Projeniz hava görüntüleri için OBB algılama veya spor analitiği için poz tahmini içeriyorsa, YOLOv8 bunları yerel olarak YOLOv8 .
- Yüksek Doğruluk Gereksinimleri: Kusur tespiti gibi güvenlik açısından kritik görevlerde, YOLOv8 üstün mAP değeri daha az yanlış negatif sonuç YOLOv8 .
YOLOv5 Ne Zaman Tercih Edilmeli?
- Eski Sistemler: YOLOv5 yapısına derinlemesine entegre edilmiş projeler, taşıma yerine bakımı sürdürmeyi daha kolay bulabilir.
- Aşırı Kenar Kısıtlamaları: CPU her milisaniyesinin önemli olduğu, kaynakları son derece kısıtlı donanımlarda, YOLOv5n'nin biraz daha düşük FLOP değeri marjinal bir avantaj sağlayabilir, ancak YOLO26 gibi daha yeni modeller artık bu farkı etkili bir şekilde kapatmaktadır.
Geleceğe Bakış: Gelecek YOLO26'dır
YOLOv8 YOLOv5 mükemmel araçlar YOLOv5 da, bilgisayar görme alanı hızla gelişmektedir. Bugün yeni projeler başlatan geliştiricilere Ultralytics dikkate almalarını şiddetle tavsiye ederiz.
Neden YOLO26'ya yükseltmelisiniz? YOLO26, önceki modellerin güçlü yönlerini temel alır, ancak yerel uçtan uca NMS bir tasarım sunarak sonradan işleme ihtiyacını ortadan kaldırır ve dağıtımı büyük ölçüde basitleştirir.
- %43 Daha Hızlı CPU : Özellikle uç cihazlar için optimize edilmiş olup, YOLOv8 YOLOv5 YOLOv8 daha hızlıdır.
- MuSGD Optimizer: Kararlı ve hızlı yakınsama için LLM eğitiminden esinlenen hibrit bir optimizer.
- Geliştirilmiş Doğruluk: İyileştirilmiş kayıp fonksiyonları (ProgLoss + STAL) daha iyi küçük nesne algılama sağlar.
YOLO26 hakkında daha fazla bilgi edinin
Sonuç
Her ikisi de YOLOv8 ve YOLOv5 , Ultralytics erişilebilir, yüksek performanslı yapay zekaya olan bağlılığının kanıtıdır. YOLOv5 , özellikle eski sürümler için güvenilir ve yaygın olarak desteklenen bir seçenek YOLOv5 . Ancak YOLOv8 , üstün performans dengesi, modern mimari ve daha geniş görev desteği YOLOv8 çoğu standart uygulama için daha iyi bir seçimdir.
Özellikle mobil ve uç dağıtım için hız ve doğrulukta mutlak üstünlük arayanlar için, yeni piyasaya sürülen YOLO26 yeni bir ölçüt belirliyor. Seçiminiz ne olursa olsun, kapsamlı Ultralytics ve aktif topluluk, başarılı olmak için gereken kaynakları size sağlar.
Daha fazla bilgi için, aşağıdaki gibi diğer özel modeller hakkında bilgi edinebilirsiniz YOLO11 veya YOLOv10gibi diğer özel modeller hakkında bilgi edinebilirsiniz.