中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Ultralytics YOLO Belgeleri#
Ultralytics YOLO; nesne algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini, yönlendirilmiş sınırlayıcı kutular ve takip için gerçek zamanlı bilgisayarlı görü modellerinden oluşan bir ailedir ve tek bir Python paketi ile CLI üzerinden kullanılabilir. YOLO26, derin öğrenme ve bilgisayarlı görü alanındaki gelişmeleri temel alır; isteğe bağlı NMS'siz uçtan uca çıkarım ve uç cihazlara yönelik optimize edilmiş dağıtım özellikleri sunar. Sade tasarımı, modeli çeşitli uygulamalara uygun hâle getirir ve uç cihazlardan bulut API'lerine kadar farklı donanım platformlarına kolayca uyarlanmasını sağlar. Kararlı üretim iş yükleri için hem YOLO26 hem de YOLO11 önerilir.
YOLO paketini ve CLI'yi, ayrıca aynı modellerin üzerine veri etiketleme, bulutta eğitim ve dağıtım özellikleri ekleyen Ultralytics Platform'u kapsayan kapsamlı bir kaynak olan Ultralytics Belgelerini keşfet. İster deneyimli bir makine öğrenimi uygulayıcısı ol ister bu alana yeni başlıyor ol, bu kaynaklar projelerinde YOLO'dan en iyi şekilde yararlanmana yardımcı olur.
Ticari kullanım için Ultralytics Lisanslama üzerinden Kurumsal Lisans talep et.
Mimari ayrıntılar, ön değerlendirme sonuçları ve yayımlandıktan sonra kullanım örnekleri dâhil YOLO27 önizlemesini keşfet. Modellerin yılın ilerleyen aylarında piyasaya sürülmesi bekleniyor ve son Ar-Ge çalışmaları devam ediyor; modeller henüz kullanıma sunulmadı ve belirlenmiş bir çıkış tarihi yok.
Tek bir fotoğrafı, her piksel için metre cinsinden uzaklık içeren bir derinlik haritasına dönüştür.
İki Komutla Başla#
# Install the ultralytics package from PyPI
pip install ultralytics
# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'Model ağırlıkları ve örnek görsel otomatik olarak indirilir; açıklama eklenmiş sonuç, ilk çalıştırmada komutun yazdırdığı runs/detect/predict dizinine kaydedilir.
Tüm kurulum yöntemlerini ve ilk tahminini görmek için Hızlı Başlangıç kılavuzuna göz at.
Ne yapmak istiyorsun?#
Artırma yöntemlerini ve hiperparametreleri çok GPU'lu eğitim için ayarlayarak kendi veri kümen üzerinde önceden eğitilmiş bir YOLO26 modeline ince ayar yap
Önceden eğitilmiş bir modeli yükle ve birkaç satır Python koduyla veya tek bir CLI komutuyla sınırlayıcı kutuları, maskeleri ya da anahtar noktaları elde et
Kalıcı kimlikler kullanarak nesneleri TrackTrack (varsayılan), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT veya FastTracker ile takip et
Nesne sayımı, ısı haritaları, kuyruk yönetimi, güvenlik alarmları ve egzersizler için hazır görü uygulamaları; eğitim gerekmez
Eğitilmiş modelleri ONNX, TensorRT veya OpenVINO biçimlerine aktararak uç cihazlarda, mobil donanımlarda ve bulut sunucularında hızlı çıkarım yap
YOLO26, YOLO11, SAM 3, RT-DETR ve desteklenen diğer tüm mimarileri hız, doğruluk ve kullanım alanına göre karşılaştır
Her yeni sürümde kaynak koddan otomatik oluşturulan Python API'sindeki sınıflara, işlevlere ve yöntem imzalarına göz at
Ultralytics'in yayımladığı en yeni model ailesi, isteğe bağlı NMS'siz uçtan uca çıkarım sunar ve YOLO11'e kıyasla doğruluk-gecikme dengesini iyileştirir
Bu Belgeler Nasıl Düzenlendi?#
Çoğu model iş akışı yolo komutu, Görev'in isteğe bağlı olduğu yolo [TASK] MODE ARGS dilbilgisini izler ve bu belgeler de aynı üç bölüm etrafında, ayrıca bir kısayolla düzenlenmiştir:
- Görev, bir görüntüden ne istediğini açıklar: algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini veya yönlendirilmiş kutular.
- Mod, bir modeli nasıl kullandığını açıklar: eğit, doğrula, tahmin et, dışa aktar, takip et veya karşılaştır.
- Argümanlar komutu yapılandırır; hangi modelin
model=ile çalıştırılacağındanepochsveimgszgibi hiperparametrelere kadar. - Çözümler kısayol sunar: Görev ve Mod'u tamamen atlayan, nesne sayımı veya güvenlik alarmı gibi tamamlanmış bir uygulama.
Diğer her şey bu dilbilgisini destekler: Modeller, model= komutuna aktarabileceğin tüm mimarileri (YOLO26, YOLO11, SAM 3, RT-DETR ve daha fazlası) listeler; Veri Kümeleri, her Görevin üzerinde eğitildiği verileri sağlar; Kılavuzlar, donanım dağıtımı, hiperparametre ayarı, veri kümesi dönüştürme ve baştan sona proje anlatımları dâhil kapsamlı ve ayrıntılı yönergeler sunar; Entegrasyonlar, işlem hattını zaten kullandığın eğitim ve dağıtım araçlarına bağlar; Başvuru bölümü ise Python API'sindeki tüm sınıf ve işlevleri belgeler.
Python paketinin yanı sıra aynı modelleri kullanan iki arayüz daha bulunur: bulutta etiketleme, eğitim ve dağıtım için Ultralytics Platform ve dışa aktarılmış modelleri Python çalışma zamanı olmadan çalıştırmaya yönelik bağımsız bir Rust kitaplığı ve CLI olan Ultralytics Inference.
YOLO Lisansları: Ultralytics YOLO hangi lisansla sunuluyor?#
Ultralytics, farklı kullanım alanlarının gereksinimlerini karşılamak için iki lisans seçeneği sunar:
- AGPL-3.0 Lisansı: Öğrenciler ve meraklılar için ideal olan bu OSI tarafından onaylanmış açık kaynak lisansı, açık iş birliğini ve bilgi paylaşımını teşvik eder. Ayrıntılar için LICENSE dosyasına bak.
- Kurumsal Lisans: Geliştirme ve üretim kullanımı için sunulan bu lisans, iç araçlar, otomatik iş akışları ve üretim dağıtımları dâhil olmak üzere Ultralytics yazılımlarının ve AI modellerinin ticari ürün ve hizmetlere sorunsuz biçimde entegre edilmesini sağlar ve AGPL-3.0'ın açık kaynak gerekliliklerini devre dışı bırakır. Başlamak için Ultralytics Lisanslama üzerinden bizimle iletişime geç.
Lisanslama stratejimiz, açık kaynaklı projelerimizde yapılan iyileştirmelerin topluluğa geri kazandırılmasını sağlamak üzere tasarlanmıştır. Açık kaynağa inanıyoruz ve misyonumuz, katkılarımızın herkesin yararına olacak şekillerde kullanılmasını ve geliştirilmesini sağlamaktır.
Sık Sorulan Sorular#
Ultralytics YOLO, gerçek zamanlı nesne algılama ve görüntü segmentasyonu için beğeni toplayan YOLO (Yalnızca Bir Kez Bak) serisidir. En yeni model olan YOLO26, isteğe bağlı NMS'siz uçtan uca çıkarım ve uç cihazlara yönelik optimize edilmiş dağıtım sunarak önceki sürümleri temel alır. YOLO; algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutular gibi çeşitli görü AI görevlerini destekler ve algılanan nesneleri video kareleri boyunca takip edebilir. Verimli mimarisi, yüksek hız ve doğruluk sağlayarak modeli uç cihazlar ve bulut API'leri dâhil çeşitli uygulamalar için uygun hâle getirir.
YOLO'ya başlamak hızlı ve kolaydır. Ultralytics paketini pip üzerinden
pip install ultralyticskomutuyla kur, ardındanyolo predict model=yolo26n.ptkomutuyla ilk tahminini çalıştır — model ağırlıkları otomatik olarak indirilir. Conda, Docker ve kaynak koddan kurulum dâhil kapsamlı talimatlar için Hızlı Başlangıç sayfasını ziyaret et.Veri kümenle özel bir YOLO modeli eğitmek için birkaç ayrıntılı adımı izlemen gerekir:
- Etiketlenmiş veri kümeni hazırla ve bir veri kümesi YAML dosyasında açıkla.
- Örneğin Python'da
YOLO("yolo26n.pt")kullanarak önceden eğitilmiş bir model yükle. model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)komutuyla veya komut satırındanyolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640komutuyla eğitimi başlat.
Örnekler ve eğitim sürecini iyileştirmeye yönelik ipuçları içeren ayrıntılı bir anlatım için Model Eğit kılavuzumuza göz at.
Ultralytics, YOLO için iki lisans seçeneği sunar:
- AGPL-3.0 Lisansı: Eğitim ve ticari olmayan kullanımlar için ideal olan bu açık kaynak lisansı, açık iş birliğini teşvik eder.
- Kurumsal Lisans: İç araçlar, otomatik iş akışları ve üretim dağıtımları dâhil geliştirme ve üretim kullanımı için sunulur ve AGPL-3.0'ın açık kaynak gerekliliklerini devre dışı bırakır.
Daha fazla bilgi için Lisanslama sayfamızı ziyaret et.
Ultralytics YOLO, verimli ve özelleştirilebilir çoklu nesne takibini destekler. Python'da
YOLO("yolo26n.pt").track(source="path/to/video.mp4")komutunu çağır veya komut satırındanyolo track source=path/to/video.mp4komutunu çalıştır — her ikisi de video dosyalarıyla, canlı yayınlarla ve web kamerası girdisiyle çalışır. Nesne takibini kurma ve çalıştırma konusunda ayrıntılı bir kılavuz için gerçek zamanlı senaryolardaki yapılandırmayı ve pratik uygulamaları açıklayan Takip Modu belgelerimize göz at.
