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

Giriş

Beğeni toplayan gerçek zamanlı nesne algılama ve görüntü segmentasyon modelinin en yeni sürümü olan Ultralytics YOLO26’yı sunuyoruz. YOLO26, derin öğrenme ve bilgisayar görme alanındaki gelişmeler üzerine inşa edilmiştir; uçtan uca NMS çıkarım ve optimize edilmiş uç cihaz dağıtımı özelliklerine sahiptir. Sadeleştirilmiş tasarımı sayesinde çeşitli uygulamalar için uygundur ve uç cihazlardan bulut API’lerine kadar farklı donanım platformlarına kolayca uyarlanabilir. Kararlı üretim iş yükleri için hem YOLO26 hem de YOLO11 önerilir.

Ultralytics keşfedin; bu kapsamlı kaynak, YOLO'nun özelliklerini ve yeteneklerini anlamanıza ve bunlardan yararlanmanıza yardımcı olmak üzere tasarlanmıştır. İster deneyimli bir makine öğrenimi uzmanı olun, ister bu alanda yeni olun, bu kaynak merkezi, projelerinizde YOLO potansiyelini en üst düzeye çıkarmayı amaçlamaktadır.

Ticari kullanım için Ultralytics sayfasından Kurumsal Lisans talebinde bulunun.

Nereden Başlamalı

İzle: YOLO26 modelini kendi veri setinizle nasıl eğitirsiniz? Google Colab.

YOLO: Kısa Bir Tarihçe

YOLO (You Only Look Once), popüler bir nesne algılama ve görüntü segmentasyon modeli olup, Washington Üniversitesi'nden Joseph Redmon ve Ali Farhadi tarafından geliştirilmiştir. 2015 yılında piyasaya sürülen YOLO , yüksek hızı ve doğruluğu sayesinde popülerlik YOLO .

• 2016 yılında piyasaya sürülen YOLOv2, toplu normalizasyon, bağlantı kutuları ve boyut kümelerini dahil ederek orijinal modeli geliştirdi.
• 2018 yılında piyasaya sürülen YOLOv3, daha verimli bir backbone , çoklu bağlantı noktaları ve uzamsal piramit havuzlama yöntemini kullanarak modelin performansını daha da artırdı.
• YOLOv4, 2020 yılında piyasaya sürüldü ve Mosaic veri artırımı, yeni bir sabit nokta içermeyen algılama başlığı ve yeni bir kayıp fonksiyonu gibi yenilikleri beraberinde getirdi.
• YOLOv5 modelin performansını daha da iyileştirdi ve hiperparametre optimizasyonu, entegre deney izleme ve popüler dışa aktarım formatlarına otomatik dışa aktarım gibi yeni özellikler ekledi.
• YOLOv6 2022 yılında Meituan tarafından açık kaynak olarak yayınlandı ve şirketin birçok otonom teslimat robotunda kullanılıyor.
• YOLOv7COCO veri setinde poz tahmini gibi ek görevler ekledi.
• YOLOv8Ultralytics tarafından 2023 yılında piyasaya sürülen YOLOv8, performans, esneklik ve verimliliği artırmak için yeni özellikler ve iyileştirmeler getirerek, görsel yapay zeka görevlerinin tamamını desteklemektedir.
• YOLOv9 Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) gibi yenilikçi yöntemleri tanıtıyor.
• YOLOv10Tsinghua Üniversitesi araştırmacıları tarafından UltralyticsPython kullanarak geliştiren Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen YOLOv10, Non-Maximum Suppression (NMS) gereksinimlerini ortadan kaldıran bir End-to-End başlığı sunarak gerçek zamanlı nesne algılama alanında önemli gelişmeler sağlar.
• YOLO11: Eylül 2024'te piyasaya sürülen YOLO11 , nesne algılama, segmentasyon, duruş tahmini, izleme ve sınıflandırma dahil olmak üzere birçok görevde mükemmel performans YOLO11 çeşitli AI uygulamaları ve alanlarında kullanıma olanak tanır.
• YOLO26 🚀: Ultralytics uç cihazlarda kullanıma optimize edilmiş, uçtan uca NMS çıkarım özelliğine sahip yeni nesil YOLO .

YOLO : Ultralytics YOLO nasılYOLO ?

Ultralytics , farklı kullanım senaryolarına uygun iki lisanslama seçeneği Ultralytics :

• AGPL-3.0 : OSI tarafından onaylanan bu açık kaynak lisansı, açık işbirliğini ve bilgi paylaşımını teşvik ederek öğrenciler ve meraklılar için idealdir. Daha fazla ayrıntı için LICENSE dosyasına bakınız.
• Kurumsal Lisans: Ticari kullanım için tasarlanan bu lisans, AGPL-3.0 açık kaynak gerekliliklerini ortadan kaldırarak Ultralytics ve yapay zeka modellerinin ticari ürün ve hizmetlere sorunsuz bir şekilde entegre edilmesine olanak tanır. Çözümlerimizi ticari bir ürüne entegre etmeyi planlıyorsanız, Ultralytics ile iletişime geçin.

Lisans stratejimiz, açık kaynaklı projelerimizde yapılan tüm iyileştirmelerin topluluğa geri kazandırılmasını sağlamak üzere tasarlanmıştır. Açık kaynağa inanıyoruz ve misyonumuz, katkılarımızın herkesin yararına olacak şekilde kullanılmasını ve geliştirilmesini sağlamaktır.

Nesne Algılamanın Gelişimi

Nesne algılama, geleneksel bilgisayar görme tekniklerinden gelişmiş derin öğrenme modellerine kadar yıllar içinde önemli ölçüde gelişmiştir. YOLO modelYOLO , bu gelişimin ön saflarında yer almış ve gerçek zamanlı nesne algılamada mümkün olanın sınırlarını sürekli olarak genişletmiştir.

YOLO benzersiz yaklaşımı, nesne algılamayı tek bir regresyon problemi olarak ele alır ve tek bir değerlendirme sürecinde tam görüntülerden doğrudan sınır kutularını ve sınıf olasılıklarını tahmin eder. Bu devrim niteliğindeki yöntem, yüksek doğruluğu korurken YOLO önceki iki aşamalı algılayıcılardan önemli ölçüde daha hızlı hale getirmiştir.

YOLO , her yeni sürümde çeşitli performans ölçütlerinde iyileşme sağlayan mimari geliştirmeler ve yenilikçi teknikler YOLO . YOLO26, bilgisayar görme alanındaki en son gelişmeleri bünyesine katarak bu geleneği sürdürmekte; uçtan uca NMS çıkarım ve gerçek dünya uygulamaları için optimize edilmiş uç cihaz dağıtımı özelliklerini sunmaktadır.

SSS

Ultralytics YOLO nedirYOLO nesne algılamayı nasıl iyileştirir?

Ultralytics YOLO gerçek zamanlı nesne algılama ve görüntü segmentasyonu için beğeni toplayan YOLO You Only Look Once)YOLO . En son model olan YOLO26, uçtan uca NMS çıkarım ve optimize edilmiş uç dağıtımını sunarak önceki sürümlerin üzerine inşa edilmiştir. YOLO , algılama, segmentasyon, poz tahmini, izleme ve sınıflandırma gibi çeşitli görsel AI görevlerini YOLO . Verimli mimarisi, mükemmel hız ve doğruluk sağlar, bu da onu uç cihazlar ve bulut API'leri dahil olmak üzere çeşitli uygulamalar için uygun hale getirir.

YOLO ve ayarlamalarına nasıl başlayabilirim?

YOLO başlamak hızlı ve YOLO . Ultralytics pip kullanarak yükleyebilir ve birkaç dakika içinde kullanıma başlayabilirsiniz. İşte temel bir yükleme komutu:

pip install -U ultralytics

Kapsamlı bir adım adım kılavuz için Hızlı Başlangıç sayfamıza göz atın. Bu kaynak, kurulum talimatları, ilk kurulum ve ilk modelinizi çalıştırma konusunda size yardımcı olacaktır.

Veri setim üzerinde özel bir YOLO nasıl eğitebilirim?

Veri kümenizde özel bir YOLO eğitmek için birkaç ayrıntılı adım izlemeniz gerekir:

1. Açıklamalı veri kümenizi hazırlayın.
2. Eğitim parametrelerini bir YAML dosyasında yapılandırın.
3. Şunu kullanın: yolo TASK train eğitimi başlatmak için komut. (Her TASK (kendi argümanı vardır)

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)

# Train a YOLO model from the command line
yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640

Ayrıntılı bir adım adım kılavuz için, eğitim sürecinizi optimize etmeye yönelik örnekler ve ipuçları içeren "Model Eğitimi " kılavuzumuza göz atın.

Ultralytics YOLO için hangi lisans seçenekleri mevcuttur?

Ultralytics , YOLO için iki lisans seçeneği Ultralytics :

• AGPL-3.0 : Bu açık kaynak lisansı, açık işbirliğini teşvik ederek eğitim amaçlı ve ticari olmayan kullanım için idealdir.
• Kurumsal Lisans: Bu lisans, ticari uygulamalar için tasarlanmıştır ve AGPL-3.0 getirdiği kısıtlamalar olmaksızın Ultralytics ticari ürünlere sorunsuz bir şekilde entegre edilmesini sağlar.

Daha fazla bilgi için Lisans sayfamızı ziyaret edin.

Ultralytics YOLO , gerçek zamanlı nesne takibi için nasılYOLO ?

Ultralytics YOLO , verimli ve özelleştirilebilir çoklu nesne izleme özelliğiniYOLO . İzleme özelliklerinden yararlanmak için şunu kullanabilirsiniz: yolo track komutu, aşağıda gösterildiği gibi:

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")

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

Nesne izleme özelliğini kurma ve çalıştırma konusunda ayrıntılı bir kılavuz için, gerçek zamanlı senaryolardaki yapılandırma ve pratik uygulamaları açıklayan İzleme Modu belgelerimize göz atın.

📅 2 yıl önce oluşturuldu ✏️ 8 gün önce güncellendi

Yorumlar