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 son sürümü olan Ultralytics YOLO26 ile tanışın. YOLO26, uçtan uca NMS içermeyen çıkarım ve optimize edilmiş uç dağıtım özellikleriyle derin öğrenme ve bilgisayarlı görü alanındaki ilerlemeler üzerine inşa edilmiştir. 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 alanda yeni ol, bu merkez YOLO'nun potansiyelini projelerinde en üst düzeye çıkarmayı amaçlar.

Ticari kullanım için Ultralytics Lisanslama üzerinden Kurumsal Lisans talebinde bulun.

Nereden Başlamalı

YOLO: Kısa Bir Tarihçe

YOLO (You Only Look Once), popüler bir nesne algılama ve görüntü segmentasyonu modeli olup, 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, çapa kutuları ve boyut kümeleri dahil edilerek orijinal model geliştirilmiştir.
• 2018'de piyasaya sürülen YOLOv3, daha verimli bir temel ağ, çoklu çapalar ve uzamsal piramit havuzlama kullanarak modelin performansını daha da artırmıştır.
• YOLOv4 2020'de piyasaya sürüldü; Mosaic veri artırma, yeni bir çapasız algılama başlığı ve yeni bir kayıp fonksiyonu gibi yenilikler getirdi.
• YOLOv5, modelin performansını daha da iyileştirdi 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 otonom teslimat robotlarının çoğunda kullanılıyor.
• YOLOv7, COCO anahtar noktaları veri kümesi üzerinde poz tahmini gibi ek görevler ekledi.
• Ultralytics tarafından 2023'te piyasaya sürülen YOLOv8, tüm yapay zeka görüntü görevlerini destekleyerek artırılmış performans, esneklik ve verimlilik için yeni özellikler ve iyileştirmeler tanıttı.
• 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, takip ve sınıflandırma dahil olmak üzere birçok görevde mükemmel performans sunarak çeşitli yapay zeka uygulamalarında ve alanlarında dağıtımı mümkün kılar.
• YOLO26 🚀: Ultralytics'in uçtan uca NMS içermeyen çıkarım ile uç cihazlara dağıtım için optimize edilmiş yeni nesil YOLO modeli.

YOLO Lisansları: Ultralytics YOLO nasıl lisanslanmıştır?

Ultralytics, farklı kullanım durumlarını karşılamak için iki lisans seçeneği sunar:

• AGPL-3.0 Lisansı: Bu OSI onaylı açık kaynak lisansı, öğrenciler ve meraklılar için ideal olup açık iş birliğini ve bilgi paylaşımını teşvik eder. Daha fazla ayrıntı için LICENSE dosyasına bak.
• Kurumsal Lisans: Ticari kullanım için tasarlanmış bu lisans, Ultralytics yazılımının ve yapay zeka modellerinin ticari mal ve hizmetlere kesintisiz entegrasyonuna izin vererek AGPL-3.0'ın açık kaynak gerekliliklerini atlar. Senaryon çözümlerimizi ticari bir teklife gömmeyi içeriyorsa, Ultralytics Lisanslama üzerinden bize ulaş.

Lisanslama stratejimiz, açık kaynak projelerimize yapılan her türlü iyileştirmenin topluluğa geri dönmesini sağlamak için tasarlanmıştır. Açık kaynağa inanıyoruz ve misyonumuz, katkılarımızın herkesin yararına olacak şekilde kullanılmasını ve genişletilmesini sağlamaktır.

Nesne Algılamanın Evrimi

Nesne algılama, geleneksel bilgisayarlı görü tekniklerinden gelişmiş derin öğrenme modellerine kadar yıllar içinde önemli ölçüde evrildi. YOLO model ailesi, gerçek zamanlı nesne algılamada mümkün olanın sınırlarını sürekli 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 tam görüntülerden tek bir değerlendirmede tahmin eder. Bu devrim niteliğindeki yöntem, YOLO modellerini önceki iki aşamalı dedektörlerden önemli ölçüde daha hızlı yaparken yüksek doğruluğu korumasını sağlamıştır.

YOLO, her yeni sürümüyle, çeşitli metriklerde performansı artıran mimari iyileştirmeler ve yenilikçi teknikler sunmuştur. YOLO26, uçtan uca NMS içermeyen çıkarım ve gerçek dünya uygulamaları için optimize edilmiş uç dağıtım özellikleriyle bilgisayarlı görü araştırmalarındaki en son gelişmeleri birleştirerek bu geleneği sürdürüyor.

SSS

Ultralytics YOLO nedir ve nesne algılamayı nasıl geliştirir?

Ultralytics YOLO, gerçek zamanlı nesne algılama ve görüntü segmentasyonu için beğeni toplayan YOLO (You Only Look Once) serisidir. En son model olan YOLO26, uçtan uca NMS içermeyen çıkarım ve optimize edilmiş uç dağıtımı sunarak önceki sürümlerin üzerine inşa edilmiştir. YOLO, algılama, segmentasyon, poz tahmini, takip ve sınıflandırma gibi çeşitli görüntü yapay zeka görevlerini destekler. Verimli mimarisi, mükemmel hız ve doğruluk sağlayarak uç cihazlar ve bulut API'leri dahil olmak üzere çeşitli uygulamalar için uygun hale getirir.

YOLO kurulumuna ve kurulumuna nasıl başlayabilirim?

YOLO ile başlamak hızlı ve basittir. pip kullanarak Ultralytics paketini yükleyebilir 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 konusunda sana yardımcı olacaktır.

Kendi veri kümem üzerinde özel bir YOLO modelini nasıl eğitebilirim?

Veri kümen üzerinde özel bir YOLO modelini eğitmek birkaç ayrıntılı adım içerir:

1. Etiketlenmiş veri kümeni hazırla.
2. Eğitim parametrelerini bir YAML dosyasında yapılandır.
3. Use the yolo TASK train command to start training. (Each TASK has its own argument)

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 izlenecek yol için, eğitim sürecini optimize etmeye yönelik örnekler ve ipuçları içeren Model Eğitimi kılavuzumuza göz at.

Ultralytics YOLO için hangi lisans seçenekleri mevcuttur?

Ultralytics, YOLO için iki lisans seçeneği sunar:

• AGPL-3.0 Lisansı: Bu açık kaynak lisansı, eğitim amaçlı ve ticari olmayan kullanımlar için idealdir ve açık iş birliğini teşvik eder.
• Kurumsal Lisans: Bu, ticari uygulamalar için tasarlanmış olup, Ultralytics yazılımının AGPL-3.0 lisansının kısıtlamaları olmaksızın ticari ürünlere kesintisiz entegrasyonuna olanak tanır.

Daha fazla ayrıntı için Lisanslama sayfamızı ziyaret et.

Ultralytics YOLO gerçek zamanlı nesne takibi için nasıl kullanılabilir?

Ultralytics YOLO, verimli ve özelleştirilebilir çoklu nesne takibini destekler. Takip yeteneklerini kullanmak 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 takibini ayarlama ve çalıştırma konusunda ayrıntılı bir kılavuz için, gerçek zamanlı senaryolardaki yapılandırmayı ve pratik uygulamaları açıklayan Takip Modu dokümantasyonumuza göz at.