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

Ana Sayfa

Gerçek zamanlı nesne algılama ve görüntü segmentasyonu modelinin en güncel versiyonu olan Ultralytics YOLO26 ile tanış. YOLO26, derin öğrenme ve bilgisayarlı görü alanındaki ilerlemeler üzerine inşa edilmiş olup, uçtan uca NMS'siz çıkarım ve optimize edilmiş uç cihaz (edge) dağıtımı sunar. Sadeleştirilmiş tasarımı, onu çeşitli uygulamalar için uygun hale getirir ve uç cihazlardan bulut API'lerine kadar farklı donanım platformlarına kolayca uyarlanabilir kılar. Kararlı üretim iş yükleri için hem YOLO26 hem de YOLO11 önerilir.

Özelliklerini ve yeteneklerini anlamana ve kullanmana yardımcı olmak için tasarlanmış kapsamlı bir kaynak olan Ultralytics Dokümantasyonunu keşfet. İster deneyimli bir makine öğrenimi uygulayıcısı ol ister bu alana yeni girmiş ol, bu merkez YOLO'nun projelerindeki potansiyelini en üst düzeye çıkarmayı amaçlar.

Ticari kullanım için Ultralytics Lisanslama üzerinden Kurumsal Lisans talep edebilirsin.

Nereden Başlamalı

YOLO: Kısa Bir Tarihçe

YOLO (You Only Look Once), a popular object detection and image segmentation model, was developed by Joseph Redmon and Ali Farhadi at the University of Washington. Launched in 2015, YOLO gained popularity for its high speed and accuracy.

• 2016'da yayınlanan YOLOv2, toplu normalizasyon, çapa kutuları (anchor boxes) ve boyut kümelerini dahil ederek orijinal modeli geliştirdi.
• 2018'de başlatılan YOLOv3, daha verimli bir temel ağ, çoklu çapalar ve uzamsal piramit havuzlama kullanarak modelin performansını daha da artırdı.
• YOLOv4 2020'de piyasaya sürüldü ve Mosaic veri artırma, yeni bir çapadan bağımsız algılama başlığı ve yeni bir kayıp fonksiyonu gibi yenilikler getirdi.
• YOLOv5, modelin performansını daha da geliştirdi ve hiperparametre optimizasyonu, entegre deney takibi ve popüler dışa aktarma formatlarına otomatik dışa aktarma gibi yeni özellikler ekledi.
• YOLOv6, 2022'de Meituan tarafından açık kaynak olarak sunuldu ve şirketin birçok otonom teslimat robotunda kullanılıyor.
• YOLOv7, COCO anahtar noktaları veri setinde poz tahmini gibi ek görevler ekledi.
• Ultralytics tarafından 2023'te piyasaya sürülen YOLOv8, gelişmiş performans, esneklik ve verimlilik için yeni özellikler ve iyileştirmeler sundu ve çok çeşitli görü AI görevlerini destekledi.
• YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) gibi yenilikçi yöntemler sunar.
• YOLOv10 created by researchers from Tsinghua University using the Ultralytics Python package, provides real-time object detection advancements by introducing an End-to-End head that eliminates Non-Maximum Suppression (NMS) requirements.
• YOLO11: Eylül 2024'te piyasaya sürülen YOLO11; nesne algılama, segmentasyon, poz tahmini, izleme ve sınıflandırma dahil olmak üzere birçok görevde mükemmel performans sunarak çeşitli AI uygulamalarında ve alanlarında dağıtıma olanak tanır.
• YOLO26 🚀: Ultralytics'in uçtan uca NMS'siz çıkarım ile uç cihaz dağıtımı için optimize edilmiş yeni nesil YOLO modeli.

YOLO Lisansları: Ultralytics YOLO nasıl lisanslanmıştır?

Ultralytics, çeşitli kullanım durumlarını karşılamak için iki lisanslama seçeneği sunar:

• AGPL-3.0 Lisansı: Bu OSI onaylı açık kaynak lisansı, açık iş birliğini ve bilgi paylaşımını teşvik ederek öğrenciler ve meraklılar için idealdir. Daha fazla ayrıntı için LICENSE dosyasına bak.
• Kurumsal Lisans: Geliştirme ve üretim kullanımı için bu lisans, dahili araçlar, otomatik iş akışları ve üretim dağıtımları dahil olmak üzere Ultralytics yazılımının ve AI modellerinin ticari ürün ve hizmetlere sorunsuz entegrasyonunu sağlar ve AGPL-3.0'ın açık kaynak gereksinimlerini atlar. Başlamak için lütfen Ultralytics Lisanslama aracılığıyla bizimle iletişime geç.

Lisanslama stratejimiz, açık kaynak projelerimizdeki tüm iyileştirmelerin topluluğa geri kazandırılmasını sağlamak için tasarlanmıştır. Açık kaynağa inanıyoruz ve misyonumuz, katkılarımızın herkesin yararına olacak şekilde kullanılıp genişletilmesini sağlamaktır.

Nesne Algılamanın Evrimi

Nesne algılama, geleneksel bilgisayarlı görü tekniklerinden gelişmiş derin öğrenme modellerine kadar yıllar içinde önemli ölçüde evrildi. YOLO model ailesi, bu evrimin ön saflarında yer alarak gerçek zamanlı nesne algılamada mümkün olanın sınırlarını sürekli olarak zorladı.

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

Her yeni sürümle birlikte YOLO, performansı çeşitli metriklerde artıran mimari iyileştirmeler ve yenilikçi teknikler sundu. YOLO26, uçtan uca NMS'siz çıkarım ve gerçek dünya uygulamaları için optimize edilmiş uç cihaz dağıtımı ile bilgisayarlı görü araştırmalarındaki en son gelişmeleri dahil ederek bu geleneği sürdürüyor.

SSS

Ultralytics YOLO nedir ve nesne algılamayı nasıl geliştirir?

Ultralytics YOLO is the acclaimed YOLO (You Only Look Once) series for real-time object detection and image segmentation. The latest model, YOLO26, builds on previous versions by introducing end-to-end NMS-free inference and optimized edge deployment. YOLO supports various vision AI tasks such as detection, instance segmentation, semantic segmentation, pose estimation, tracking, and classification. Its efficient architecture ensures excellent speed and accuracy, making it suitable for diverse applications, including edge devices and cloud APIs.

YOLO kurulumuna ve kurulumuna nasıl başlayabilirim?

YOLO ile başlamak hızlı ve basittir. Ultralytics paketini pip kullanarak kurabilir ve dakikalar içinde çalışmaya başlayabilirsin. İşte temel bir kurulum komutu:

pip install -U ultralytics

Kapsamlı bir adım adım kılavuz için Hızlı Başlangıç sayfamızı ziyaret et. Bu kaynak, kurulum talimatları, ilk kurulum ve ilk modelini çalıştırma konularında sana yardımcı olacaktır.

Kendi veri setim üzerinde nasıl özel bir YOLO modeli eğitebilirim?

Özel bir YOLO modelini veri setinde eğitmek birkaç ayrıntılı adım içerir:

1. Açıklamalı veri setini hazırla.
2. Eğitim parametrelerini bir YAML dosyasında yapılandır.
3. Eğitimi başlatmak için yolo TASK train komutunu kullan. (Her TASK kendi argümanına sahiptir)

İşte Nesne Algılama Görevi için örnek kod:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

Ayrıntılı bir izleme için, eğitim sürecini optimize etmeye yönelik örnekler ve ipuçları içeren Model Eğit kılavuzumuza göz at.

Ultralytics YOLO için mevcut lisanslama seçenekleri nelerdir?

Ultralytics, YOLO için iki lisanslama seçeneği sunar:

• AGPL-3.0 Lisansı: Bu açık kaynak lisansı, açık iş birliğini teşvik eden eğitimsel ve ticari olmayan kullanım için idealdir.
• Kurumsal Lisans: Dahili araçlar, otomatik iş akışları ve üretim dağıtımları dahil olmak üzere geliştirme ve üretim kullanımı için AGPL-3.0'ın açık kaynak gereksinimlerini atlar.

Daha fazla ayrıntı için Lisanslama sayfamızı ziyaret et.

Ultralytics YOLO gerçek zamanlı nesne izleme için nasıl kullanılabilir?

Ultralytics YOLO, verimli ve özelleştirilebilir çoklu nesne izlemeyi destekler. İzleme yeteneklerinden yararlanmak için aşağıda gösterildiği gibi yolo track komutunu kullanabilirsin:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

Nesne izlemeyi kurma ve çalıştırma konusunda ayrıntılı bir kılavuz için, gerçek zamanlı senaryolardaki yapılandırmayı ve pratik uygulamaları açıklayan İzleme Modu belgelerimize göz at.