YOLOv8 ve YOLOv5#

Doğru bilgisayarlı görü mimarisini seçmek, sağlam makine öğrenimi iş hatları oluşturmanın kritik bir adımıdır. Bu ayrıntılı teknik karşılaştırmada, görsel yapay zekâ ekosistemindeki en popüler iki modelin farklarını inceliyoruz: YOLOv8 ve YOLOv5. Her iki model de Ultralytics tarafından geliştirildi ve gerçek zamanlı nesne algılama alanını önemli ölçüde şekillendirerek hız, doğruluk ve kullanım kolaylığı açısından sektör standartlarını belirledi.

İster uç cihazlara dağıtım yapıyor ister bulut çıkarımını ölçeklendiriyor ol, bu modellerin mimari değişikliklerini, performans ölçümlerini ve eğitim yöntemlerini anlamak, bilgisayarlı görü projelerin için bilinçli bir karar vermene yardımcı olur.

Ultralytics YOLOv8: Çok Yönlü Standart#

2023'ün başlarında piyasaya sürülen YOLOv8, önceki modellerinden önemli bir mimari değişimi temsil ediyordu. Örnek bölütleme, görüntü sınıflandırma ve poz tahmini gibi birden fazla görsel görevi yerel olarak yerine getirebilen birleşik bir çerçeve olarak en başından itibaren tasarlandı: örnek bölütleme, görüntü sınıflandırma ve poz tahmini.

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2023-01-10
• GitHub: ultralytics/ultralytics
• Belgeler: YOLOv8 Belgeleri

Mimari ve Yöntemler#

YOLOv8, veri kümesi dağılımına göre çapa kutularını elle yapılandırma gereksinimini ortadan kaldırarak eğitim sürecini basitleştiren çapadan bağımsız bir algılama başlığı sundu. Bu, modeli özel veri kümelerine genelleme yaparken daha sağlam hâle getiriyor ve kutu tahminlerinin sayısını azaltarak Maksimum Olmayan Bastırma (NMS) işlemini hızlandırıyor.

Mimaride, YOLOv5'teki C3 modülünün yerini alan C2f modülü (iki evrişimli, aşamalar arası kısmi darboğaz) bulunur. C2f modülü gradyan akışını iyileştirir ve hesaplama maliyetini önemli ölçüde artırmadan modelin daha zengin özellik temsilleri öğrenmesini sağlar. Ayrıca YOLOv8, sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış başlık yapısından yararlanır; bu yapının yakınsama hızını ve doğruluğu iyileştirdiği gösterilmiştir.

Güçlü ve Zayıf Yönler#

Güçlü Yönler:

• Basit sınırlayıcı kutu algılamanın ötesindeki birden fazla görevde eşsiz çok yönlülük.
• Eğitim ve dışa aktarma işlemlerini son derece sezgisel hâle getiren ultralytics paketi üzerinden kolaylaştırılmış Python API'si.
• YOLOv5'e kıyasla tüm boyut çeşitlerinde daha yüksek ortalama Hassasiyet (mAP).

Zayıf Yönler:

• Ayrıştırılmış başlık ve C2f modülü, daha küçük çeşitlerde tam karşılığı olan YOLOv5 modellerine kıyasla parametre sayısını ve FLOPs değerini artırır.

Ultralytics YOLOv5: Çevik Öncü#

2020'de sunulan YOLOv5, YOLO'yu PyTorch ekosistemine taşıyarak geliştiriciler için erişilebilirliği büyük ölçüde artırdı. Hızlı, güvenilir ve kolay dağıtılabilir nesne algılama modelleri için kısa sürede sektör standardı hâline geldi.

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: ultralytics/yolov5
• Belgeler: YOLOv5 Belgeleri

Mimari ve Yöntemler#

YOLOv5, çapa tabanlı bir mimariye dayanır ve değiştirilmiş bir CSPDarknet53 omurgası kullanır. Çapa tabanlı yaklaşımlarda eğitimden önce en uygun çapaları belirlemek için veri kümesindeki sınırlayıcı kutuların dikkatle kümelenmesi gerekir; ancak bu yaklaşımlar belirli ve iyi tanımlanmış veri kümelerinde oldukça etkilidir.

YOLOv5, düşük parametre sayısını korurken özellikleri verimli biçimde çıkaran C3 modülünü içerir. Kayıp işlevi, ağı doğru tahminlere yönlendirmek için Sınıflandırma ve Sınırlayıcı Kutu Regresyonu kayıplarıyla birleştirilmiş Nesne Olma kaybına büyük ölçüde dayanır.

Güçlü ve Zayıf Yönler#

Güçlü Yönler:

• Son derece hafiftir; bu sayede Nano (YOLOv5n) ve Small (YOLOv5s) çeşitleri, kaynakları kısıtlı uç yapay zekâ dağıtımları için son derece uygundur.
• Özellikle CPU'larda olağanüstü hızlı çıkarım.
• Geniş topluluk eğitim içerikleri ve üçüncü taraf entegrasyonlarıyla köklü bir ekosistem.

Zayıf Yönler:

• Çapa kutusu yapılandırması gerektirir; bu da çok çeşitli veya özel veri kümelerinde kurulumu karmaşıklaştırabilir.
• YOLOv8 ve YOLO26 gibi modern, çapadan bağımsız mimarilere kıyasla genel doğruluğu (mAP) daha düşüktür.

Performans Karşılaştırması#

Bu modelleri değerlendirirken hız ve doğruluk arasında elverişli bir denge kurmak çok önemlidir. Aşağıdaki tabloda, COCO veri kümesi üzerinde değerlendirilen her iki mimarinin performans ölçümleri verilmiştir. CPU hızları ONNX kullanılarak, GPU hızları ise TensorRT kullanılarak ölçülmüştür.

YOLOv5, Nano çeşidinde parametre sayısı ve ham hız açısından üstünlüğünü korusa da YOLOv8 tüm ölçümlerde mAP değerini büyük ölçüde artırarak zorlu gerçek dünya dağıtım senaryoları için çok daha güçlü bir performans dengesi sunuyor.

Kullanım Kolaylığı ve Ultralytics Ekosistemi#

Modern Ultralytics modellerinin belirleyici özelliklerinden biri, etraflarındaki iyi bakımlı ekosistemdir. YOLOv5'ten YOLOv8'e geçişle birlikte birleşik ultralytics pip paketi sunularak son derece kolaylaştırılmış bir kullanıcı deneyimi oluşturuldu.

Geliştiriciler, derin öğrenme projelerinde geçmişte gerekli olan karmaşık standart betikleri kullanmadan, yalnızca birkaç satır Python koduyla model eğitimini, doğrulamayı, tahmini ve dışa aktarmayı sorunsuz bir şekilde gerçekleştirebilir.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv8 modelini yükle
model = YOLO("yolov8n.pt")

# Modeli özel verilerle verimli biçimde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Modeli üretim dağıtımı için ONNX biçimine aktar
path = model.export(format="onnx")

Ayrıca Ultralytics Platform gibi araçlarla entegrasyon, veri kümesi yönetimini, bulutta eğitimi ve dağıtımı kolaylaştırarak etkin geliştirme ve güçlü topluluk desteği sağlar.

İdeal Kullanım Alanları#

YOLOv5'i ne zaman seçmeli: Eski sistemlerin bakımını yapıyorsan, Raspberry Pi gibi kaynakları son derece kısıtlı CPU'larda çıkarım çalıştırıyorsan veya model boyutunda her megabaytın bir kısmını bile azaltmanın kritik olduğu bir projede çalışıyorsan YOLOv5 güvenilir bir iş gücü olmaya devam eder.

YOLOv8'i ne zaman seçmeli: Bugün başlayan neredeyse tüm yeni projeler için YOLOv8, YOLOv5'e kıyasla önemle tavsiye edilir. Gelişmiş mimarisi karmaşık izleme, yönlendirilmiş sınırlayıcı kutu (OBB) ve bölütleme işlemlerini zahmetsizce gerçekleştirir. Otonom robotlardan tıbbi görüntü analizine ve akıllı şehir altyapısına kadar uzanan modern uygulamalar için idealdir.

Ultralytics'in sunduğu kapsamlı belgelerden ve araçlardan yararlanarak karmaşık görsel zorlukları eşi görülmemiş bir hız ve doğrulukla çözmek için YOLOv8'i kolayca dağıtabilir veya en yeni YOLO26'yı inceleyebilirsin. Daha fazla bilgi için hiperparametre ayarı ve model dağıtım uygulamaları kılavuzlarımızı inceleyebilirsin.