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 izleme için tek bir Python paketi ve CLI üzerinden kullanılabilen gerçek zamanlı bilgisayarlı görü modelleri ailesidir. YOLO26, isteğe bağlı NMS gerektirmeyen uçtan uca çıkarım ve optimize edilmiş uç dağıtımı seçenekleriyle güncel derin öğrenme araştırmalarını temel alır. Sade tasarımı, uç cihazlardan bulut API'lerine kadar çok çeşitli uygulamalara ve donanımlara uyum sağlar. Kararlı üretim iş yükleri için hem YOLO26 hem de YOLO11 önerilir.
YOLO paketini ve CLI'yi, ayrıca aynı modeller üzerine veri açıklama, bulut eğitimi ve dağıtım özellikleri ekleyen Ultralytics Platform'u kapsamlı biçimde ele alan Ultralytics Docs'u keşfet. İster deneyimli bir makine öğrenimi uygulayıcısı ol ister bu alanda yeni ol, bu kaynaklar projelerinde YOLO'dan en iyi şekilde yararlanmana yardımcı olur.
Ticari kullanım için Ultralytics Licensing üzerinden Kurumsal Lisans talep et.
Mimari ayrıntıları, ön değerlendirme sonuçları ve yayınlandıktan sonra kullanıma yönelik örnekleri içeren YOLO27 önizlemesini keşfet. Modeller, bu yılın ilerleyen dönemlerinde beklenen lansman için son Ar-Ge aşamasından geçiyor; henüz kullanıma sunulmadılar ve belirlenmiş bir lansman tarihi yok.
Tek bir fotoğrafı, her piksel için metre cinsinden mesafe değerini gösteren 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 yükleme yöntemleri ve ilk tahminin için Hızlı Başlangıç kılavuzuna göz at.
Ne Yapmak İstiyorsun?#
Kendi veri kümen üzerinde bir önceden eğitilmiş YOLO26 modeline ince ayar yap; çoklu GPU eğitimi için artırma ve hiperparametreleri ayarla.
Önceden eğitilmiş bir model yükle ve birkaç satır 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 nesneleri kalıcı kimliklerle takip et
Nesne sayımı, ısı haritaları, kuyruk yönetimi, güvenlik alarmları ve antrenmanlar için eğitim gerektirmeyen hazır görü uygulamaları
Eğitilmiş modelleri ONNX, TensorRT veya OpenVINO biçiminde dışa 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 kaynaktan otomatik oluşturulan Python API'si için sınıflara, işlevlere ve yöntem imzalarına göz at
Ultralytics'in yayımlanan en yeni model ailesi, isteğe bağlı NMS'siz uçtan uca çıkarım ve YOLO11'e kıyasla gelişmiş doğruluk-gecikme dengesi sunuyor
Bu Belgeler Nasıl Düzenlendi?#
Çoğu model iş akışı yolo komutu tek bir dil bilgisi yapısını izler: yolo [TASK] MODE ARGS. Task isteğe bağlıdır. Bu belgeler de aynı üç bölüm ve bir kısayol etrafında 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 kıyasla.
- Argümanlar komutu yapılandırır: çalıştırılacak model ve
model=gibi seçeneklerdenepochsveimgszgibi hiperparametrelere kadar. - Çözümler bir kısayoldur: nesne sayımı veya güvenlik alarmı gibi, Task ve Mode bölümlerini tamamen atlayan, kullanıma hazır bir uygulama.
Diğer her şey bu dil bilgisi yapısını destekler: Modeller, model= komutuna verebileceğin tüm mimarileri listeler — YOLO26, YOLO11, SAM 3, RT-DETR ve daha fazlası. Veri Kümeleri, her Task'ın üzerinde eğitim yaptığı verileri sunar. Kılavuzlar, donanıma dağıtım, hiperparametre ayarı, veri kümesi dönüştürme ve baştan sona proje anlatımları dahil, ayrıntılı uygulama kılavuzlarından oluşan geniş bir koleksiyondur. Entegrasyonlar, işlem hattını hâlihazırda kullandığın eğitim ve dağıtım araçlarına bağlar. Referans bölümü ise Python API'sindeki her sınıfı ve işlevi belgeler.
Python paketinin yanı sıra aynı modeller üzerinde çalışan iki arayüz daha vardır: bulutta etiketleme, eğitim ve dağıtım için Ultralytics Platform ve dışa aktarılan modelleri Python çalışma zamanı olmadan çalıştırmaya yönelik bağımsız bir Rust kütüphanesi ve CLI olan Ultralytics Inference.
YOLO Lisansları: Ultralytics YOLO hangi lisansla sunuluyor?#
Ultralytics, çeşitli kullanım alanlarına uygun iki lisans seçeneği sunar:
- AGPL-3.0 Lisansı: OSI onaylı bu açık kaynak lisansı; açık iş birliğini ve bilgi paylaşımını teşvik ederek öğrenciler ve meraklılar için idealdir. Daha fazla bilgi için LICENSE dosyasına bak.
- 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 ticari ürün ve hizmetlere entegre edilmesine olanak tanır ve AGPL-3.0'ın açık kaynak gerekliliklerini devre dışı bırakır. Başlamak için Ultralytics Licensing üzerinden bizimle iletişime geç.
Lisanslama stratejimiz, açık kaynaklı projelerimizdeki tüm iyileştirmelerin topluluğa geri kazandırılmasını sağlamak üzere tasarlanmıştır. Açık kaynağa inanıyoruz ve katkılarımızın herkese fayda sağlayacak biçimlerde kullanılmasını ve geliştirilmesini sağlamayı amaçlıyoruz.
Sık Sorulan Sorular#
Ultralytics YOLO, nesne algılama ve görüntü segmentasyonu için gerçek zamanlı Bir Kez Bak (YOLO) modelleri ailesidir. Yayınlanan en yeni model olan YOLO26, isteğe bağlı NMS gerektirmeyen uçtan uca çıkarım ve optimize edilmiş uç dağıtımını sunarak önceki sürümlerin üzerine inşa edilmiştir. YOLO; görüntü yapay zekâsı görevleri kapsamında algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutular gibi çeşitli görevleri destekler ve algılanan nesneleri video kareleri boyunca izleyebilir. Verimli mimarisi hız ile doğruluğu dengeler; bu da modeli uç cihazlardan bulut API'lerine kadar uzanan uygulamalar için uygun kılar.
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 kaynaktan kurulum hakkında kapsamlı talimatlar için Hızlı Başlangıç sayfasını ziyaret et.Veri kümen üzerinde özel bir YOLO modeli eğitmek üç adımdan oluşur:
- Açıklama eklenmiş veri kümeni hazırla ve bir veri kümesi YAML dosyasında tanımla.
- Örneğin Python'da
YOLO("yolo26n.pt")kullanarak önceden eğitilmiş bir model yükle. - Eğitimi
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 başlat.
Ayrıntılı bir anlatım ve eğitim sürecini optimize etmeye yönelik ipuçları içeren Model Eğit kılavuzumuza göz at.
Ultralytics, YOLO için iki lisans seçeneği sunar:
- AGPL-3.0 Lisansı: Bu açık kaynak lisansı, açık iş birliğini teşvik ederek eğitim ve ticari olmayan kullanım için idealdir.
- Kurumsal Lisans: AGPL-3.0'ın açık kaynak gerekliliklerini uygulamadan kurum içi araçlar, otomatik iş akışları ve üretim ortamları dahil geliştirme ve üretim kullanımı içindir.
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")işlevini çağır veya komut satırındanyolo track source=path/to/video.mp4komutunu çalıştır — ikisi de video dosyaları, canlı yayınlar ve web kamerası girdileriyle çalışır. Nesne takibini ayarlama ve çalıştırma hakkında ayrıntılı bir kılavuz için gerçek zamanlı senaryolardaki yapılandırmayı ve pratik uygulamaları açıklayan Takip Modu belgelerimize göz at.
