中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

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 Dokümanlarını keşfedin. İster deneyimli bir makine öğrenimi uygulayıcısı ister bu alanda yeni olun, bu merkez YOLO'nun projelerinizdeki potansiyelini en üst düzeye çıkarmayı amaçlamaktadır.

Nereden Başlamalı

İzle: Özel Veri Setinizde YOLO11 Modeli Nasıl Eğitilir? Google Colab.

YOLO: Kısa Bir Tarihçe

YOLO Popüler bir nesne algılama ve görüntü segmentasyon modeli olan YOLO (You Only Look Once), Washington Üniversitesi'nde Joseph Redmon ve Ali Farhadi tarafından geliştirilmiştir. 2015 yılında piyasaya sürülen YOLO , yüksek hızı ve doğruluğu ile popülerlik kazanmıştır.

• 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 geliştirdi.
• 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.
• YOLOv8 2023 yılında Ultralytics tarafından piyasaya sürülen Ultralytics, tüm görsel yapay zeka görevlerini destekleyen gelişmiş performans, esneklik ve verimlilik için yeni özellikler ve iyileştirmeler sundu.
• YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) gibi yenilikçi yöntemler sunar.
• Tsinghua Üniversitesi 'nden araştırmacılar tarafından oluşturulan YOLOv10 Ultralytics Python paketi, Maksimum Olmayan Bastırma (NMS) gereksinimlerini ortadan kaldıran Uçtan Uca bir başlık sunarak gerçek zamanlı nesne algılama ilerlemeleri sağlar.
• YOLO11 🚀 YENİ: Ultralytics'in en yeni YOLO modelleri, nesne algılama, segmentasyon, poz tahmini, izleme ve sınıflandırma dahil olmak üzere birçok görevde en son teknoloji (SOTA) performansı sunarak 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.

Nesne Algılamanın Evrimi

Nesne algılama, geleneksel bilgisayarla görme tekniklerinden gelişmiş derin öğrenme modellerine kadar yıllar içinde önemli ölçüde gelişmiştir. YOLO model ailesi, gerçek zamanlı nesne algılamada mümkün olanın sınırlarını sürekli olarak zorlayarak bu evrimin ön saflarında yer almıştır.

YOLO'nun benzersiz yaklaşımı, nesne algılamayı tek bir regresyon problemi olarak ele alır ve sınırlayıcı kutuları ve sınıf olasılıklarını doğrudan tek bir değerlendirmede tam görüntülerden tahmin eder. Bu devrim niteliğindeki yöntem, YOLO modellerini yüksek doğruluğu korurken önceki iki aşamalı dedektörlerden önemli ölçüde daha hızlı hale getirmiştir.

Her yeni sürümle birlikte YOLO , çeşitli ölçütlerde performansı artıran mimari iyileştirmeler ve yenilikçi teknikler sunmuştur. YOLO11 , bilgisayarla görme araştırmalarındaki en son gelişmeleri de dahil ederek bu geleneği sürdürüyor ve gerçek dünya uygulamaları için daha da iyi hız-doğruluk dengeleri sunuyor.

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 install ultralytics

Adım adım kapsamlı bir kılavuz için Hızlı Başlangıç sayfamızı 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:

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 komutu, aşağıda gösterildiği gibi:

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 izlemenin kurulumu ve çalıştırılması hakkında ayrıntılı bir kılavuz için, yapılandırmayı ve gerçek zamanlı senaryolardaki pratik uygulamaları açıklayan İzleme Modu belgelerimize göz atın.

📅1 yıl önce oluşturuldu ✏️ 4 gün önce güncellendi

Yorumlar