İçeriğe geç

Ev

Giriş Ultralytics YOLO11beğenilen gerçek zamanlı nesne algılama ve görüntü segmentasyon modelinin en son sürümüdür. YOLO11 , derin öğrenme ve bilgisayarla görme alanındaki en son gelişmeler üzerine inşa edilmiştir ve hız ve doğruluk açısından benzersiz bir performans sunar. Modern tasarımı sayesinde çeşitli uygulamalar için uygundur ve uç cihazlardan bulut API'lerine kadar farklı donanım platformlarına kolayca uyarlanabilir.

Özelliklerini ve yeteneklerini anlamanıza ve kullanmanıza yardımcı olmak için tasarlanmış kapsamlı bir kaynak olan Ultralytics Docs'u keşfedin. İster deneyimli bir makine öğrenimi uygulayıcısı ister bu alanda yeni olun, bu merkez projelerinizde YOLO'un potansiyelini en üst düzeye çıkarmayı amaçlamaktadır


Ultralytics GitHub uzay Ultralytics LinkedIn uzay Ultralytics Twitter uzay Ultralytics YouTube uzay Ultralytics TikTok uzay Ultralytics BiliBili uzay Ultralytics Discord

Nereden Başlamalı

  •   Başlarken


    Kurulum ultralytics pip ile bir YOLO modelini eğitmek için dakikalar içinde çalışmaya başlayın


    Hızlı Başlangıç

  •   Tahmin Et


    ile yeni görüntüler, videolar ve akışlar hakkında tahminlerde bulunun YOLO
     


    Daha fazla bilgi edinin

  •   Bir Model Eğitin


    Sıfırdan kendi özel veri kümeniz üzerinde yeni bir YOLO modeli eğitin veya önceden eğitilmiş bir modeli yükleyin ve eğitin


    Daha fazla bilgi edinin

  •   Görevleri Keşfedin


    Algılama, segmente etme, sınıflandırma, pozlama, OBB ve izleme gibi YOLO görevlerini keşfedin
     


    Görevleri Keşfedin

  • 🚀   Keşfedin YOLO11 YENİ


    Ultralytics'un en son teknoloji ürünü YOLO11 modellerini ve yeteneklerini keşfedin
     


    YOLO11 Modeller 🚀 YENİ

  •   Açık Kaynak, AGPL-3.0


    Ultralytics YOLO için iki lisans seçeneği sunmaktadır: Lisans ve Kurumsal Lisans. AGPL-3.0 Ultralytics GitHub'da mevcuttur


    Lisans



İzle: Özel Veri Setinizde YOLO Modelini Eğitme Google Colab.

YOLO: Kısa Bir Tarihçe

YOLO (You Only Look Once), Washington Üniversitesi'nde Joseph Redmon ve Ali Farhadi tarafından geliştirilen popüler bir nesne algılama ve görüntü segmentasyon modelidir. 2015 yılında piyasaya sürülen YOLO , yüksek hızı ve doğruluğuyla kısa sürede popülerlik kazandı.

  • 2016'da piyasaya sürülen YOLOv2, toplu normalleştirme, bağlantı kutuları ve boyut kümelerini dahil ederek orijinal modeli geliştirdi.
  • 2018'de piyasaya sürülen YOLOv3, daha verimli bir omurga ağı, çoklu çapalar ve uzamsal piramit havuzlama kullanarak modelin performansını daha da artırdı.
  • YOLOv4, Mozaik veri artırımı, yeni bir çapasız algılama başlığı ve yeni bir kayıp fonksiyonu gibi yenilikler getirerek 2020'de piyasaya sürüldü.
  • YOLOv5 modelin performansını daha da geliştirdi ve hiperparametre optimizasyonu, entegre deney izleme ve popüler dışa aktarma formatlarına otomatik dışa aktarma gibi yeni özellikler ekledi.
  • YOLOv6, 2022 yılında Meituan tarafından açık kaynaklı hale getirildi ve şirketin otonom teslimat robotlarının çoğunda kullanılıyor.
  • YOLOv7, COCO anahtar noktaları veri kümesi üzerinde poz tahmini gibi ek görevler ekledi.
  • YOLOv8Ultralytics tarafından 2023 yılında yayınlanmıştır. YOLOv8 , tüm görsel yapay zeka görevlerini destekleyen gelişmiş performans, esneklik ve verimlilik için yeni özellikler ve iyileştirmeler sunmuştur,
  • YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) gibi yenilikçi yöntemler sunar.
  • YOLOv10, Tsinghua Üniversitesi 'nden araştırmacılar tarafından Ultralytics Python Paket. Bu sürüm, Maksimum Olmayan Bastırma (NMS) gereksinimlerini ortadan kaldıran bir Uçtan Uca başlık sunarak gerçek zamanlı nesne algılama ilerlemeleri sağlar.
  • YOLO11 🚀 YENİ: Ultralytics' algılama, segmentasyon, poz tahmini, izleme ve sınıflandırma dahil olmak üzere birden fazla görevde en son teknoloji (SOTA) performansı sunan en yeni YOLO modelleri, çeşitli yapay zeka uygulamaları ve alanlarındaki yeteneklerden yararlanır.

YOLO Lisanslar: Ultralytics YOLO nasıl lisanslanır?

Ultralytics farklı kullanım durumlarına uyum sağlamak için iki lisanslama seçeneği sunar:

  • AGPL-3.0 Lisans: OSI onaylı bu açık kaynak lisansı, açık işbirliğini ve bilgi paylaşımını teşvik ederek öğrenciler ve meraklılar için idealdir. Daha fazla ayrıntı için LICENSE dosyasına bakın.
  • Kurumsal Lisans: Ticari kullanım için tasarlanan bu lisans, AGPL-3.0'un açık kaynak gereksinimlerini atlayarak Ultralytics yazılımının ve yapay zeka modellerinin ticari ürün ve hizmetlere sorunsuz bir şekilde entegre edilmesine izin verir. Senaryonuz çözümlerimizi ticari bir teklife yerleştirmeyi içeriyorsa, Ultralytics Lisanslama aracılığıyla ulaşın.

Lisanslama stratejimiz, açık kaynak projelerimizdeki her türlü iyileştirmenin topluma geri dönmesini sağlamak için tasarlanmıştır. Açık kaynak ilkelerini kalbimize yakın tutuyoruz ❤️ ve misyonumuz, katkılarımızın herkes için faydalı olacak şekilde kullanılmasını ve genişletilmesini garanti etmektir.

SSS

Ultralytics YOLO nedir ve nesne algılamayı nasıl iyileştirir?

Ultralytics YOLO gerçek zamanlı nesne algılama ve görüntü segmentasyonu için beğenilen YOLO (You Only Look Once) serisindeki en son gelişmedir. Gelişmiş performans, esneklik ve verimlilik için yeni özellikler ve iyileştirmeler sunarak önceki sürümleri temel alır. YOLO algılama, segmentasyon, poz tahmini, izleme ve sınıflandırma gibi çeşitli görsel yapay zeka görevlerini destekler. Son teknoloji ürünü mimarisi, üstün hız ve doğruluk sağlayarak uç cihazlar ve bulut API'leri dahil olmak üzere çeşitli uygulamalar için uygun hale getirir.

YOLO kurulumuna ve ayarlarına nasıl başlayabilirim?

YOLO ile çalışmaya başlamak hızlı ve basittir. Pip kullanarak Ultralytics paketini yükleyebilir ve dakikalar içinde çalışmaya başlayabilirsiniz. İşte temel bir kurulum komutu:

Pip kullanarak kurulum

pip install ultralytics

Adım adım kapsamlı bir kılavuz için hızlı başlangıç kılavuzumuzu ziyaret edin. Bu kaynak kurulum talimatları, ilk kurulum ve ilk modelinizi çalıştırma konularında size yardımcı olacaktır.

Veri kümemde özel bir YOLO modelini nasıl eğitebilirim?

Veri setinizde özel bir YOLO modelini eğitmek birkaç ayrıntılı adım içerir:

  1. Açıklamalı veri setinizi hazırlayın.
  2. Eğitim parametrelerini bir YAML dosyasında yapılandırın.
  3. Kullanın yolo TASK train komutunu kullanarak eğitime başlayın. (Her biri TASK kendi argümanına sahiptir)

İşte Nesne Algılama Görevi için örnek kod:

Nesne Algılama Görevi için Eğitim Örneği

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)
# Train a YOLO model from the command line
yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640

Ayrıntılı bir kılavuz için, eğitim sürecinizi optimize etmeye yönelik örnekler ve ipuçları içeren Train a Model kılavuzumuza göz atın.

Ultralytics YOLO için mevcut lisanslama seçenekleri nelerdir?

Ultralytics YOLO için iki lisanslama seçeneği sunmaktadır:

  • AGPL-3.0 Lisans: Bu açık kaynak lisansı, açık işbirliğini teşvik ederek eğitim amaçlı ve ticari olmayan kullanım için idealdir.
  • Kurumsal Lisans: Bu lisans ticari uygulamalar için tasarlanmıştır ve AGPL-3.0 lisansının kısıtlamaları olmaksızın Ultralytics yazılımının ticari ürünlere sorunsuz bir şekilde entegre edilmesini sağlar.

Daha fazla ayrıntı için Lisanslama sayfamızı ziyaret edin.

Ultralytics YOLO gerçek zamanlı nesne takibi için nasıl kullanılabilir?

Ultralytics YOLO verimli ve özelleştirilebilir çoklu nesne takibini destekler. İzleme özelliklerinden yararlanmak için yolo track komutunu aşağıda gösterildiği gibi kullanın:

Video Üzerinde Nesne Takibi için Örnek

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")
# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

Nesne izlemeyi ayarlama ve çalıştırma hakkında ayrıntılı bir kılavuz için, yapılandırmayı ve gerçek zamanlı senaryolardaki pratik uygulamaları açıklayan izleme modu belgelerimize göz atın.

📅1 yıl önce oluşturuldu ✏️ 19 gün önce güncellendi

Yorumlar