YOLOv8 ve YOLOv5: Kapsamlı Bir Teknik Karşılaştırma

Doğru bilgisayarlı görü mimarisini seçmek, sağlam makine öğrenimi hatları oluşturmada kritik bir adımdır. Bu detaylı teknik karşılaştırmada, görü yapay zekası 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 konusunda endüstri standartlarını belirleyerek gerçek zamanlı nesne algılama dünyasını önemli ölçüde şekillendirmiştir.

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

Ultralytics YOLOv8: Çok Yönlü Standart

2023'ün başlarında piyasaya sürülen YOLOv8, seleflerine göre büyük bir mimari değişikliği temsil ediyordu. Örnek bölümleme, görüntü sınıflandırma ve poz tahmini dahil olmak üzere birden fazla görü görevini doğal bir şekilde yerine getirebilen birleşik bir çerçeve olarak sıfırdan tasarlandı.

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2023-01-10
• GitHub: ultralytics/ultralytics
• Dokümantasyon: YOLOv8 Dokümantasyonu

Mimari ve Metodolojiler

YOLOv8, veri kümesi dağılımına göre manuel olarak çapa kutuları (anchor boxes) yapılandırma ihtiyacını ortadan kaldırarak eğitim sürecini basitleştiren çapasız (anchor-free) bir algılama kafası getirdi. Bu durum, modelin özel veri kümelerine genelleme yaparken daha sağlam olmasını sağlar ve kutu tahmini sayısını azaltarak Maksimum Olmayan Bastırma (NMS) işlemini hızlandırır.

Mimari, YOLOv5'te bulunan C3 modülünün yerini alan bir C2f modülü (iki evrişimli, aşamalar arası kısmi dar boğaz) içerir. C2f modülü, gradyan akışını iyileştirir ve modelin hesaplama maliyetinde önemli bir artış olmadan daha zengin özellik temsilleri öğrenmesini sağlar. Ayrıca YOLOv8, nesnellik, sınıflandırma ve regresyon görevlerini ayıran ve yakınsama hızı ile doğruluğu artırdığı kanıtlanmış bir ayrıştırılmış baş (decoupled head) yapısı kullanır.

Güçlü ve Zayıf Yönler

Güçlü Yönler:

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

Zayıf Yönler:

• Ayrıştırılmış baş ve C2f modülü, bazı varyantlar için tam olarak eşleşen YOLOv5 karşılıklarına kıyasla parametre sayısında ve FLOP değerlerinde hafif bir artışa neden olur.

YOLOv8 hakkında daha fazla bilgi edin

Ultralytics YOLOv5: Çevik Öncü

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

• Yazar: Glenn Jocher
• Organizasyon: Ultralytics
• Tarih: 2020-06-26
• GitHub: ultralytics/yolov5
• Dokümanlar: YOLOv5 Dokümantasyonu

Mimari ve Metodolojiler

YOLOv5, çapa tabanlı (anchor-based) bir mimariye dayanır ve değiştirilmiş bir CSPDarknet53 bel kemiği (backbone) kullanır. Çapa tabanlı yaklaşımlar, eğitimden önce optimum çapaları tanımlamak için veri kümesi sınırlayıcı kutularının dikkatli bir şekilde kümelenmesini gerektirse de, belirli ve iyi tanımlanmış veri kümeleri için oldukça etkilidir.

YOLOv5, düşük bir parametre ayak izini korurken özellikleri verimli bir şekilde çıkaran C3 modülünü içerir. Kayıp işlevi, ağı doğru tahminlere yönlendirmek için sınıflandırma ve sınırlayıcı kutu regresyon kayıplarıyla birleştirilmiş Nesnellik (Objectness) kaybına büyük ölçüde dayanır.

Güçlü ve Zayıf Yönler

Güçlü Yönler:

• Son derece hafif olması, Nano (YOLOv5n) ve Small (YOLOv5s) varyantlarını kaynak kısıtlı uç yapay zeka (edge AI) dağıtımları için son derece uygun hale getirir.
• Özellikle CPU'larda son derece hızlı çıkarım hızları.
• Geniş topluluk eğitimleri ve üçüncü taraf entegrasyonları ile derinlemesine yerleşmiş bir ekosistem.

Zayıf Yönler:

• Çok çeşitli veya özel veri kümeleri için kurulumu zorlaştırabilen çapa kutusu yapılandırması gerektirir.
• YOLOv8 ve YOLO26 gibi modern çapasız mimarilere kıyasla daha düşük genel doğruluk (mAP).

YOLOv5 hakkında daha fazla bilgi edin

Performans Karşılaştırması

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

YOLOv5, Nano varyantı için parametre sayısı ve mutlak ham hız açısından küçük bir avantaja sahip olsa da, YOLOv8 her alanda 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 tanımlayıcı bir özelliği, onları çevreleyen iyi bakımlı ekosistemdir. YOLOv5'ten YOLOv8'e geçiş, birleşik ultralytics pip paketinin tanıtılmasıyla son derece kolaylaştırılmış bir kullanıcı deneyimi yarattı.

Geliştiriciler, derin öğrenme projelerinde tarihsel olarak gerekli olan karmaşık standart kodları (boilerplate scripts) atlayarak sadece birkaç satır Python koduyla model eğitimi, doğrulama, tahmin ve dışa aktarma işlemlerini sorunsuz bir şekilde gerçekleştirebilirler.

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 yönetimi, bulut eğitimi ve dağıtımı basitleştirerek aktif geliştirmeyi ve güçlü topluluk desteğini garanti eder.

İdeal Kullanım Durumları

Ne zaman YOLOv5 seçilmeli: Eğer eski sistemleri koruyorsan, Raspberry Pi gibi ciddi şekilde kısıtlanmış CPU'larda çıkarım çalıştırıyorsan veya model boyutunda her megabaytın kesirini korumanın kritik olduğu bir projede çalışıyorsan, YOLOv5 güvenilir bir iş gücü olmaya devam eder.

Ne zaman YOLOv8 seçilmeli: Bugün başlayan hemen hemen tüm yeni projeler için, YOLOv8'in YOLOv5'e göre kullanılması şiddetle tavsiye edilir. Gelişmiş mimarisi karmaşık izleme, yönlendirilmiş sınırlayıcı kutuları (OBB) ve bölümleme işlemlerini zahmetsizce halleder. 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 bir hız ve doğrulukla çözmek için YOLOv8'i kolayca dağıtabilir veya en son teknoloji YOLO26'yı keşfedebilirsin. Daha fazla öğrenmek için hiperparametre ayarlama ve model dağıtım uygulamaları hakkındaki kılavuzlarımızı incelemeyi düşün.