Link to this sectionYOLOv8 vs YOLOv5#

Doğru bilgisayarlı görü mimarisini seçmek, sağlam makine öğrenimi işlem 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 geliştirilmiştir ve hız, doğruluk ve kullanım kolaylığı açısından endüstri standartlarını belirleyerek gerçek zamanlı nesne algılama dünyasını önemli ölçüde şekillendirmiştir.

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

Link to this sectionUltralytics YOLOv8: Çok Yönlü Standart#

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

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

Link to this sectionMimari ve Metodolojiler#

YOLOv8, veri kümesi dağılımına göre manuel olarak çıpa (anchor) kutuları yapılandırma ihtiyacını ortadan kaldırarak eğitim sürecini basitleştiren çıpasız (anchor-free) bir algılama kafası getirdi. Bu, modeli özel veri kümelerine genelleme yaparken daha sağlam hale getirir ve Maksimum Olmayan Baskılama (NMS) hızını artırarak kutu tahminlerinin sayısını azaltır.

Mimari, YOLOv5'teki C3 modülünün yerini alan bir C2f modülü (iki konvolüsyonlu Çapraz Aşamalı Kısmi darboğaz) 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 ayrıştırılmış (decoupled) bir kafa yapısı kullanır.

Link to this sectionGüçlü ve Zayıf Yönler#

Güçlü Yönler:

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

Zayıf Yönler:

• Ayrıştırılmış kafa ve C2f modülü, bazı varyantlar için tam karşılıkları olan YOLOv5'e kıyasla parametre sayısında ve FLOP değerlerinde hafif bir artışa neden olur.

YOLOv8 hakkında daha fazla bilgi edinin

Link to this sectionUltralytics YOLOv5: Çevik Öncü#

2020'de tanıtılan YOLOv5, YOLO'yu PyTorch ekosistemine getirerek geliştirici erişilebilirliğini büyük 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
• Dokümanlar: YOLOv5 Dokümantasyonu

Link to this sectionMimari ve Metodolojiler#

YOLOv5, çıpa tabanlı (anchor-based) bir mimariye dayanır ve değiştirilmiş bir CSPDarknet53 belkemiği kullanır. Çıpa tabanlı yaklaşımlar, eğitimden önce en uygun çıpaları tanımlamak için veri kümesi sınırlayıcı kutularının dikkatli bir şekilde kümelenmesini gerektirse de, belirli ve iyi tanımlanmış veri kümeleri için son derece etkilidirler.

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

Link to this sectionGüçlü ve Zayıf Yönler#

Güçlü Yönler:

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

Zayıf Yönler:

• Çok değişkenli veya özel veri kümeleri için kurulumu karmaşıklaştırabilen çıpa kutusu yapılandırması gerektirir.
• YOLOv8 ve YOLO26 gibi modern çıpasız mimarilere kıyasla daha düşük genel doğruluk (mAP).

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionPerformans 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, GPU hızları ise TensorRT kullanılarak test edilmiştir.

YOLOv5, Nano varyantı için parametre sayısı ve mutlak ham hız konusunda hafif 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.

Link to this sectionKullanım Kolaylığı ve Ultralytics Ekosistemi#

Modern Ultralytics modellerinin belirleyici bir özelliği, etraflarındaki bakımlı ekosistemdir. YOLOv5'ten YOLOv8'e geçiş, birleşik ultralytics pip paketinin tanıtılmasını sağladı ve son derece kolaylaştırılmış bir kullanıcı deneyimi yarattı.

Geliştiriciler, derin öğrenme projelerinde tarihsel olarak gereken karmaşık standart kodları 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 geliştirme ve güçlü topluluk desteği sağlar.

Link to this sectionİdeal Kullanım Senaryoları#

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

Ne zaman YOLOv8 seçilmeli: Bugün başlayan neredeyse tüm yeni projeler için YOLOv8, YOLOv5'e şiddetle tercih edilir. Gelişmiş mimarisi karmaşık takibi, yönlendirilmiş sınırlayıcı kutuları (OBB) ve bölümlemeyi zahmetsizce yönetir. Otonom robotikten tıbbi görüntü analizine ve akıllı şehir altyapısına kadar uzanan modern uygulamalar için idealdir.

Ultralytics tarafından sağlanan kapsamlı dokümantasyondan ve araçlardan yararlanarak, karmaşık görsel zorlukları benzeri görülmemiş bir hız ve doğrulukla çözmek için YOLOv8'i kolayca dağıtabilir veya son teknoloji YOLO26'yı keşfedebilirsin. Daha fazla öğrenmek için hiperparametre ayarı ve model dağıtım uygulamaları hakkındaki kılavuzlarımızı keşfetmeyi düşün.