中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Ultralytics YOLO Belgeleri#
Ultralytics YOLO; nesne algılama, örnek bölütleme, anlamsal bölütleme, derinlik tahmini, sınıflandırma, poz tahmini, yönlendirilmiş sınırlayıcı kutular ve takip işlemlerine yönelik, tek bir Python paketi ve komut satırı arayüzü (CLI) üzerinden sunulan bir gerçek zamanlı bilgisayarlı görü modelleri ailesidir. YOLO26, uçtan uca NMS içermeyen çıkarım ve optimize edilmiş uç birim dağıtımı özellikleriyle derin öğrenme ve bilgisayarlı görü gelişmelerine dayanarak inşa edilmiştir. Akıcı tasarımı, burayı uç cihazlardan bulut API'lerine kadar çeşitli uygulamalar için uygun hale getirir ve farklı donanım platformlarına kolayca adapte edilmesini sağlar. Kararlı üretim iş yükleri için hem YOLO26 hem de YOLO11 önerilir.
YOLO paketini ve CLI'ı kapsayan kapsamlı bir kaynak olan Ultralytics Belgelerini ve aynı modeller üzerinde veri etiketleme, bulut eğitimi ile dağıtım ekleyen Ultralytics Platformu'nu keşfet. İster deneyimli bir makine öğrenimi uygulayıcısı ol ister bu alanda yeni başla, bu kaynaklar projelerinde YOLO'dan en iyi şekilde yararlanmana yardımcı olur.
Ticari kullanım için Ultralytics Lisanslama adresinden bir Kurumsal Lisans talep et.
Tek bir fotoğrafı derinlik haritasına, yani her piksel için metre cinsinden bir mesafeye dönüştür.
İki Komutta 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 görüntü otomatik olarak indirilir, etiketlenen sonuç ise runs/detect/predict konumuna kaydedilir.
Tam kurulum ve kullanım başvurusu için Hızlı Başlangıç kılavuzuna göz at.
Ne Yapmak İstiyorsun?#
Önceden eğitilmiş bir YOLO26 modelini kendi veri setin üzerinde ince ayardan geçir, çoklu GPU eğitimi için veri çoğaltma ve hiperparametreleri ayarla
Önceden eğitilmiş bir model yükle ve birkaç satırlık Python koduyla ya da tek bir CLI komutuyla sınırlayıcı kutular, maskeler veya kilit noktalar elde et
TrackTrack (varsayılan), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT veya FastTracker kullanarak kalıcı kimliklerle nesneleri takip et
Eğitim gerektirmeyen; nesne sayımı, ısı haritaları, kuyruk yönetimi, güvenlik alarmları ve antrenmanlar için hazır görü uygulamaları
Uç cihazlarda, mobil donanımlarda ve bulut sunucularında hızlı çıkarım için eğitilmiş modelleri ONNX, TensorRT veya OpenVINO formatına dışa aktar
YOLO26, YOLO11, SAM 3, RT-DETR ve desteklenen diğer tüm mimarileri hız, doğruluk ve kullanım senaryosuna göre karşılaştır
Her yeni sürüme ait kaynak koddan otomatik olarak üretilen Python API sınıflarını, fonksiyonlarını ve metot imzalarını incele
Ultralytics'in en yeni model ailesi, YOLO11'e kıyasla geliştirilmiş doğruluk-gecikme dengesiyle NMS içermeyen, uçtan uca çıkarım sunar
Bu Belgeler Nasıl Düzenlendi?#
Çoğu model iş akışı yolo komutu, Görev'in isteğe bağlı olduğu yolo [TASK] MODE ARGS dilbilgisini takip eder ve bu belgeler aynı üç bölüm ile bir kısayol etrafında organize edilmiştir:
- Görev, bir görüntüden ne istediğini yanıtlar: algılama, örnek bölütleme, anlamsal bölütleme, derinlik tahmini, sınıflandırma, poz tahmini veya yönlendirilmiş kutular.
- Mod, bir modeli nasıl kullandığını yanıtlar: eğit, doğrula, tahmin et, dışa aktar, takip et veya kıyasla.
- Argümanlar,
model=ile hangi modelin çalıştırılacağındanepochsveimgszgibi hiperparametrelere kadar komutu yapılandırır. - Çözümler kısayoldur: Görev ve Mod adımlarını tamamen atlayan nesne sayımı veya güvenlik alarmı gibi bitmiş bir uygulamadır.
Geri kalan her şey bu yapıyı destekler: Modeller, model= öğesine aktarabileceğin her mimariyi — YOLO26, YOLO11, SAM 3, RT-DETR ve daha fazlasını — listeler; Veri Kümeleri, her Görevin üzerinde eğitim yaptığı verileri sunar; Kılavuzlar, donanım dağıtımı, hiperparametre ayarlama, veri kümesi dönüştürme ve uçtan uca proje anlatımları dahil olmak üzere ayrıntılı nasıl yapılır içeriklerinden oluşan geniş bir koleksiyondur; Entegrasyonlar, işlem hattını zaten kullandığın eğitim ve dağıtım araçlarına bağlar; Başvuru bölümü ise Python API'sindeki her sınıfı ve işlevi belgeler.
Python paketinin ötesinde, aynı modeller üzerinde çalışan iki yüzey daha bulunur: bulut tabanlı etiketleme, eğitim ve dağıtım için Ultralytics Platformu ve dışa aktarılan modelleri bir Python çalışma zamanı olmadan çalıştırmak için bağımsız bir Rust kütüphanesi ile CLI olan Ultralytics Inference.
YOLO Lisansları: Ultralytics YOLO nasıl lisanslanmıştır?#
Ultralytics, farklı kullanım senaryolarına uyum sağlamak için iki lisanslama seçeneği sunar:
- AGPL-3.0 Lisansı: OSI onaylı bu açık kaynaklı lisans; öğrenciler ve meraklılar için ideal olup açık iş birliğini ve bilgi paylaşımını teşvik eder. Daha fazla ayrıntı için LICENSE dosyasına göz at.
- Kurumsal Lisans: Geliştirme ve üretim kullanımı için bu lisans, Ultralytics yazılımlarının ve AI modellerinin dahili araçlar, otomatik iş akışları ve üretim dağıtımları dahil olmak üzere iş ürünlerine ve hizmetlerine sorunsuz biçimde entegre edilmesini sağlar ve AGPL-3.0'ın açık kaynak gerekliliklerini ortadan kaldırır. Başlamak için Ultralytics Lisanslama üzerinden bizimle iletişime geç.
Lisanslama stratejimiz, açık kaynaklı projelerimizdeki her türlü iyileştirmenin topluluğa geri kazandırılmasını garanti etmek için tasarlanmıştır. Açık kaynağa inanıyoruz ve misyonumuz, katkılarımızın herkesin yararına olacak biçimde kullanılabilmesini ve genişletilebilmesini sağlamaktır.
SSS#
Ultralytics YOLO, gerçek zamanlı nesne algılama ve görüntü bölütleme için beğenilen YOLO (You Only Look Once) serisidir. En son model olan YOLO26, uçtan uca NMS içermeyen çıkarım ve optimize edilmiş uç birim dağıtımı sunarak önceki sürümlerin üzerine inşa edilir. YOLO; algılama, örnek bölütleme, anlamsal bölütleme, derinlik tahmini, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutular gibi çeşitli görüntü işleme yapay zeka görevlerini destekler ve video kareleri boyunca algılanan nesneleri takip edebilir. Verimli mimarisi, uç cihazlar ve bulut API'leri dahil olmak üzere farklı uygulamalar için uygun hale getirerek mükemmel hız ve doğruluk sağlar.
YOLO ile başlamak hızlı ve kolaydır. Ultralytics paketini pip üzerinden
pip install ultralyticsile kur, ardından ilk tahmininiyolo predict model=yolo26n.ptile çalıştır — model ağırlıkları otomatik olarak indirilir. conda, Docker ve kaynaktan kurulumu kapsayan kapsamlı talimatlar için Hızlı Başlangıç sayfasını ziyaret et.Kendi veri setin üzerinde özel bir YOLO modeli eğitmek birkaç ayrıntılı adım içerir:
- Etiketlenmiş veri setini hazırla ve bunu bir veri seti YAML dosyasında tanımla.
- Python içinde örneğin
YOLO("yolo26n.pt")kullanarak önceden eğitilmiş bir model yükle. model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)ile ya da komut satırındanyolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640ile eğitime başla.
Ayrıntılı bir kılavuz için eğitim sürecini optimize etmeye yönelik örnekler ve ipuçları içeren Model Eğit rehberimize göz at.
Ultralytics, YOLO için iki lisanslama seçeneği sunar:
- AGPL-3.0 Lisansı: Eğitim amaçlı ve ticari olmayan kullanım için ideal olan bu açık kaynaklı lisans, açık iş birliğini teşvik eder.
- Kurumsal Lisans: AGPL-3.0'ın açık kaynak gerekliliklerini atlayarak dahili araçlar, otomatik iş akışları ve üretim dağıtımları dahil olmak üzere geliştirme ve üretim kullanımı için.
Daha fazla ayrıntı 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")çağrısı yap veya komut satırındanyolo track source=path/to/video.mp4çalıştır — her ikisi de video dosyaları, canlı akışlar ve web kamerası girdisiyle çalışır. Nesne takibini kurmaya ve çalıştırmaya yönelik ayrıntılı bir kılavuz için yapılandırmayı ve gerçek zamanlı senaryolardaki pratik uygulamaları açıklayan Takip Modu belgelerimize göz at.
