YOLOv8 ve YOLOv5 Karşılaştırması: Kapsamlı Bir Teknik Karşılaştırma

Sağlam makine öğrenimi işlem hatları oluşturmada doğru bilgisayar görüşü mimarisini seçmek kritik bir adımdır. Bu ayrıntılı teknik karşılaştırmada, vizyon yapay zeka ekosistemindeki en popüler iki model olan YOLOv8 ve YOLOv5 arasındaki farkları inceliyoruz. Her iki model de Ultralytics tarafından geliştirilmiş olup, hız, doğruluk ve kullanım kolaylığı için endüstri standartlarını belirleyerek gerçek zamanlı nesne algılama alanını önemli ölçüde şekillendirmiştir.

İster kenar cihazlara dağıtım yapıyor ister bulut çıkarımını ölçeklendiriyor olun, bu modellerin mimari değişimlerini, performans metriklerini ve eğitim metodolojilerini anlamak, bilgisayar görüşü projeleriniz için bilinçli bir karar vermenize yardımcı olacaktır.

Ultralytics YOLOv8: Çok Yönlü Standart

2023 yılının başlarında piyasaya sürülen YOLOv8, önceki sürümlerine göre önemli bir mimari değişim temsil ediyordu. Instance segmentation, görüntü sınıflandırma ve pose estimation dahil olmak üzere birden fazla görüş görevini doğal olarak yerine getirebilen birleşik bir çerçeve olarak sıfırdan tasarlanmıştır.

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

Mimari ve Metodolojiler

YOLOv8, veri kümesi dağılımına göre anchor kutularını manuel olarak yapılandırma ihtiyacını ortadan kaldırarak eğitim sürecini basitleştiren anchor-free bir algılama başlığı tanıttı. Bu, modeli özel veri kümelerine genelleme yaparken daha sağlam hale getirir ve kutu tahminlerinin sayısını azaltarak Non-Maximum Suppression (NMS)'i hızlandırır.

Mimari, YOLOv5'te bulunan C3 modülünün yerini alan C2f modülünü (iki evrişimli Çapraz Aşama Kısmi darboğaz) içerir. C2f modülü, gradyan akışını iyileştirir ve modelin hesaplama maliyetinde önemli bir artış olmaksızın daha zengin özellik temsilleri öğrenmesini sağlar. Ayrıca, YOLOv8, nesnellik, sınıflandırma ve regresyon görevlerini ayıran ve yakınsama hızını ve doğruluğunu iyileştirdiği gösterilen ayrık başlık yapısını kullanır.

Güçlü ve Zayıf Yönler

Güçlü Yönler:

• Basit sınırlayıcı kutu algılamanın ötesinde, birden fazla görevde eşsiz çok yönlülük.
• aracılığıyla akıcı Python API'si ultralytics paketi, eğitimi ve dışa aktarımı son derece sezgisel hale getirir.
• YOLOv5'e kıyasla tüm boyut varyantlarında daha yüksek ortalama Hassasiyet (mAP).

Zayıflıklar:

• Ayrık başlık ve C2f modülü, bazı varyantlar için tam YOLOv5 karşılıklarına kıyasla parametre sayısında ve FLOPs'ta hafif bir artışa neden olur.

YOLOv8 hakkında daha fazla bilgi edinin.

Ultralytics YOLOv5: Çevik Öncü

2020'de tanıtılan YOLOv5, YOLO'yu PyTorch ekosistemine taşıyarak geliştirici erişilebilirliğini önemli ölçüde artırdı. Hızlı, güvenilir ve kolayca dağıtılabilir nesne algılama modelleri için hızla endüstri standardı haline geldi.

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

Mimari ve Metodolojiler

YOLOv5, anchor tabanlı bir mimariye dayanır ve değiştirilmiş bir CSPDarknet53 backbone kullanır. Anchor tabanlı yaklaşımlar, eğitimden önce optimal anchor'ları tanımlamak için veri kümesi sınırlayıcı kutularının dikkatli bir şekilde kümelenmesini gerektirirken, belirli, iyi tanımlanmış veri kümeleri için oldukça etkilidirler.

YOLOv5, düşük bir parametre ayak izini korurken özellikleri verimli bir şekilde çıkaran C3 modülünü içerir. Kayıp fonksiyonu, ağı doğru tahminlere yönlendirmek için nesne kaybı ile sınıflandırma ve sınırlayıcı kutu regresyon kayıplarının birleşimine büyük ölçüde dayanır.

Güçlü ve Zayıf Yönler

Güçlü Yönler:

• Son derece hafiftir, bu da Nano (YOLOv5n) ve Small (YOLOv5s) varyantlarını kaynak kısıtlı kenar yapay zeka dağıtımları için son derece uygun hale getirir.
• Özellikle CPU'larda olağanüstü hızlı çıkarım hızları.
• Geniş topluluk eğitimleri ve üçüncü taraf entegrasyonları ile köklü bir ekosistem.

Zayıflıklar:

• Anchor kutusu yapılandırması gerektirir, bu da oldukça çeşitli veya özel veri kümeleri için kurulumu karmaşıklaştırabilir.
• YOLOv8 ve YOLO26 gibi modern anchor-free mimarilere kıyasla daha düşük genel doğruluk (mAP).

YOLOv5 hakkında daha fazla bilgi edinin.

Performans Karşılaştırması

Bu modelleri değerlendirirken, hız ve doğruluk arasında uygun bir denge sağlamak çok önemlidir. Aşağıdaki tablo, COCO veri kümesi üzerinde değerlendirilen her iki mimarinin performans metriklerini özetlemektedir. CPU hızları ONNX kullanılarak ölçülürken, GPU hızları TensorRT kullanılarak test edilmiştir.

YOLOv5, Nano varyantı için parametre sayısında ve mutlak ham hızda hafif bir avantaja sahip olsa da, YOLOv8 genel olarak mAP'de büyük bir sıçrama sunarak zorlu gerçek dünya dağıtım senaryoları için çok daha güçlü bir performans dengesi sağlar.

Kullanım Kolaylığı ve Ultralytics Ekosistemi

Modern Ultralytics modellerinin belirleyici bir özelliği, onları çevreleyen iyi yönetilen ekosistemdir. YOLOv5'ten YOLOv8'e geçiş, birleşik ultralytics pip paketinin tanıtımını beraberinde getirerek son derece akıcı bir kullanıcı deneyimi yarattı.

Geliştiriciler, yalnızca birkaç satır Python koduyla model eğitimi, doğrulama, tahmin ve dışa aktarma işlemlerini sorunsuz bir şekilde gerçekleştirebilir, böylece derin öğrenme projelerinde tarihsel olarak gerekli olan karmaşık şablon betiklerini atlayabilirler.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model on custom data efficiently
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the model to ONNX for production deployment
path = model.export(format="onnx")

Ayrıca, Ultralytics Platform gibi araçlarla entegrasyon, veri kümesi yönetimini, bulut eğitimini ve dağıtımı basitleştirerek aktif geliştirme ve güçlü topluluk desteği sağlar.

İdeal Kullanım Senaryoları

YOLOv5 Ne Zaman Seçilmeli: Eski sistemleri sürdürüyorsanız, Raspberry Pi gibi ciddi şekilde kısıtlı CPU'larda çıkarım yapıyorsanız veya model boyutunda her megabaytın her bir kesirini kaydetmenin kritik olduğu bir proje üzerinde çalışıyorsanız, YOLOv5 güvenilir bir iş gücü olmaya devam etmektedir.

YOLOv8 Ne Zaman Seçilmeli: Bugün başlayan hemen hemen tüm yeni projeler için YOLOv8, YOLOv5'e göre şiddetle tavsiye edilir. Gelişmiş mimarisi, karmaşık track, yönlendirilmiş sınırlayıcı kutuları (OBB) ve segment işlemlerini zahmetsizce yönetir. Otonom robotikten tıbbi görüntü analizine ve akıllı şehir altyapısına kadar uzanan modern uygulamalar için idealdir.

Ultralytics tarafından sağlanan kapsamlı dokümantasyon ve araçlardan yararlanarak, karmaşık görsel zorlukları benzeri görülmemiş hız ve doğrulukla çözmek için YOLOv8'i kolayca dağıtabilir veya son teknoloji YOLO26'yı keşfedebilirsiniz. Daha fazla bilgi edinmek için hiperparametre ayarlaması ve model dağıtım uygulamaları hakkındaki rehberlerimizi inceleyebilirsiniz.

Yorumlar