İçeriğe geç

Ev

Giriş Ultralytics YOLOv8beğenilen gerçek zamanlı nesne algılama ve görüntü segmentasyon modelinin en son sürümüdür. YOLOv8 , 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 YOLOv8 Docs'u keşfedin. İster deneyimli bir makine öğrenimi uygulayıcısı ister bu alanda yeni olun, bu merkez projelerinizde YOLOv8'un potansiyelini en üst düzeye çıkarmayı amaçlamaktadır


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

Nereden Başlamalı



İzle: YOLOv8 modelini Özel Veri Setinizde Nasıl Eğitirsiniz? 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 YOLO 'un en son sürümüdür. Son teknoloji ürünü bir (SOTA) model olan YOLOv8 , önceki sürümlerin başarısını temel alarak gelişmiş performans, esneklik ve verimlilik için yeni özellikler ve iyileştirmeler sunar. YOLOv8 algılama, segmentasyon, poz tahmini, izleme ve sınıflandırma dahil olmak üzere çok çeşitli görsel yapay zeka görevlerini destekler. Bu çok yönlülük, kullanıcıların farklı uygulama ve alanlarda YOLOv8'un yeteneklerinden yararlanmasına olanak tanır.
  • YOLOv9 introduces innovative methods like Programmable Gradient Information (PGI) and the Generalized Efficient Layer Aggregation Network (GELAN).
  • YOLOv10 is created by researchers from Tsinghua University using the Ultralytics Python package. This version introduces an real-time object detection advancements by introducing an End-to-End head that eliminates Non-Maximum Suppression (NMS) requirements.

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.



Created 2023-11-12, Updated 2024-06-21
Authors: glenn-jocher (10), RizwanMunawar (1), AyushExel (3)

Yorumlar