YOLOv8 ve YOLOv5
Doğru bilgisayarlı görü mimarisini seçmek, sağlam makine öğrenimi hatları oluşturmanın kritik bir adımıdır. Bu teknik karşılaştırma, görsel yapay zekâ ekosistemindeki en popüler iki model olan YOLOv8 ve YOLOv5 arasındaki farkları inceliyor. Her iki model de Ultralytics tarafından geliştirildi ve gerçek zamanlı nesne algılama alanını önemli ölçüde şekillendirerek hız, doğruluk ve kullanım kolaylığı konusunda ölçütler 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.
YOLOv8 dâhil Ultralytics YOLO modelleri, RT-DETR gibi Transformer tabanlı birçok alternatife kıyasla eğitim sırasında daha az CUDA belleği kullanacak şekilde optimize edilmiştir. Bu sayede geliştiriciler NVIDIA RTX serisi gibi standart tüketici GPU'larında daha büyük yığın boyutları kullanabilir.
Güçlü ve Zayıf Yönler#
Güçlü Yönler:
- Basit sınırlayıcı kutu algılamanın ötesinde birden fazla görevde çok yönlülük.
- Eğitimi ve dışa aktarmayı kolaylaştıran
ultralyticspaketi üzerinden sunulan yalın Python API'si. - YOLOv5'e kıyasla tüm boyut çeşitlerinde daha yüksek ortalama Hassasiyet (mAP).
Zayıf Yönler:
- Ayrıştırılmış başlık ve C2f modülü, küçük sürümlerde YOLOv5 muadillerine kıyasla parametre sayısını ve FLOP miktarını artırır.
Ultralytics YOLOv5: Çevik Öncü#
2020'de tanıtılan YOLOv5, YOLO'yu PyTorch ekosistemine taşıyarak geliştiriciler için çok daha erişilebilir hâle getirdi. Hızlı, güvenilir ve kolayca dağıtılabilir nesne algılama için en yaygın kullanılan modellerden biri hâline gelmesi uzun sürmedi.
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Belgeler: YOLOv5 Belgeleri
Mimari ve Yöntemler#
YOLOv5, anchor tabanlı bir mimariye dayanır ve değiştirilmiş bir CSPDarknet53 backbone kullanır. Anchor tabanlı yaklaşımlar, veri kümesinin sınırlayıcı kutu dağılımıyla eşleşen anchor'lar gerektirir (YOLOv5, AutoAnchor ile bunları otomatik olarak denetleyip yeniden hesaplar) ve iyi tanımlanmış veri kümelerinde başarılıdır.
YOLOv5, düşük parametre ayak izini korurken özellikleri verimli biçimde çıkaran C3 modülünü kullanır. Kayıp işlevi, ağı doğru tahminlere yönlendirmek için nesne olasılığı kaybını sınıflandırma ve sınırlayıcı kutu regresyon kayıplarıyla birleştirir.
Güçlü ve Zayıf Yönler#
Güçlü Yönler:
- Hafif yapıları sayesinde Nano (YOLOv5n) ve Small (YOLOv5s) sürümleri, kaynakları kısıtlı uç yapay zekâ dağıtımları için uygundur.
- Hem CPU'larda hem de GPU'larda hızlı çıkarım.
- Kapsamlı topluluk eğitimleri ve üçüncü taraf entegrasyonları sunan köklü bir ekosistem.
Zayıf Yönler:
- Öncelikleri, çok çeşitli veya özel veri kümelerinde genellemeyi sınırlayabilen anchor kutularına dayanır.
- 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 önemlidir. Aşağıdaki tabloda COCO veri kümesi üzerinde değerlendirilen her iki mimarinin performans ölçütleri yer alıyor. CPU hızları ONNX, GPU hızları ise TensorRT kullanılarak ölçüldü.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (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 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
YOLOv5 bu tablodaki her boyutta daha düşük GPU gecikme süresine ve daha az FLOP'a sahip olsa da YOLOv8 genel olarak belirgin biçimde daha yüksek mAP sunar (örneğin Nano modellerinde 37,3'e karşı 28,0); bu da zorlu gerçek dünya dağıtımları için daha güçlü bir doğruluk-hız dengesi sağlar.
Kullanım Kolaylığı ve Ultralytics Ekosistemi#
Modern Ultralytics modellerinin belirleyici özelliklerinden biri, çevrelerindeki bakımlı ekosistemdir. YOLOv5'ten YOLOv8'e geçiş, kullanıcı deneyimini kolaylaştıran birleşik ultralytics pip paketini beraberinde getirdi.
Geliştiriciler, derin öğrenme projelerinde geçmişte gereken karmaşık şablon betikleri kullanmadan, yalnızca birkaç satır Python koduyla model eğitimi, doğrulama, tahmin ve dışa aktarma işlemlerini 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")Ultralytics Platform, veri kümesi yönetimini, bulutta eğitimi ve dağıtımı daha da kolaylaştırır.
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: İki model arasında YOLOv8 yeni projeler için daha iyi bir seçimdir. Mimarisi izleme, segmentasyon ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler; otonom robotikten tıbbi görüntü analizine ve akıllı şehir altyapısına uzanan modern uygulamalara uygundur.
YOLOv8 yetenekli bir model olsa da Ultralytics yeni projeler için YOLO26 modelini öneriyor. Ocak 2026'da yayımlanan YOLO26, çeşitli yenilikler sunuyor:
- Uçtan Uca NMS İçermeyen Tasarım: İsteğe bağlı bire bir başlık (
nms=False), NMS son işlemeyi ortadan kaldırarak daha hızlı ve basit dağıtım sağlar; bu yaklaşım YOLO modellerine YOLOv10 tarafından kazandırılmıştır. - MuSGD Optimize Edici: SGD ile Muon'un birleşiminden oluşur; LLM eğitimindeki yenilikleri bilgisayarlı görüye taşıyarak daha kararlı eğitim ve daha hızlı yakınsama sağlar.
- CPU Çıkarımında %43'e Kadar Daha Hızlı: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da onu özel GPU bulunmayan uç bilişim ortamlarına uygun kılar.
- DFL'nin Kaldırılması: Dışa aktarma işlemini basitleştirmek ve uç cihazlarla uyumluluğu artırmak için Dağılımsal Odaklı Kayıp kaldırılmıştır.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması, hava görüntüleri ve IoT için kritik önem taşıyan küçük nesnelerin tanınmasında kayda değer iyileşmeler sağlar.
Ultralytics belgeleri ve araçlarıyla YOLOv8'i dağıtabilir veya zorlu görsel yapay zekâ uygulamaları için YOLO26'yı kullanabilirsin. Daha fazla bilgi için hiperparametre ayarlama ve model dağıtımı uygulamaları kılavuzlarına göz at.
Yorumlar1
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
rancherdesktopp23(düzenlendi)
Very well explained! The YOLOv8 vs YOLOv5 comparison clearly highlights how YOLOv8 improves upon its predecessor with a more modular architecture, support for multi-task learning, and better training stability. This YOLOv8 comparison really helps developers decide whether to upgrade or stick with the tried-and-tested v5 depending on their project needs.