Ultralytics YOLO27:

Ultralytics YOLO için Kapsamlı Eğitimler#

Ultralytics YOLO kılavuzlarına hoş geldin. Kapsamlı eğitimlerimiz, YOLO nesne algılama modelinin eğitim ve tahminden dağıtıma kadar çeşitli yönlerini kapsar. PyTorch üzerine kurulan YOLO, gerçek zamanlı nesne algılama görevlerinde olağanüstü hızı ve doğruluğuyla öne çıkar.

İster yeni başlıyor ister derin öğrenme konusunda uzman ol, eğitimlerimiz YOLO'yu bilgisayarlı görü projelerinde uygulama ve optimize etme konusunda değerli bilgiler sunar.



Watch: Ultralytics YOLO26 Guides Overview

Kılavuzlar#

Kılavuzlar, ortam kurulumu ve veri hazırlamadan eğitim, değerlendirme, dağıtım, çıkarım optimizasyonu ve uç donanıma kadar proje aşamalarına göre gruplandırılmıştır; böylece üzerinde çalıştığın adıma doğrudan geçebilirsin.

Başla ve planla#

  • Conda ile Hızlı Başlangıç: Ultralytics için bir Conda ortamı kurmaya yönelik adım adım kılavuz. Ultralytics paketini Conda ile nasıl verimli şekilde kuracağını ve kullanmaya başlayacağını öğren.
  • Docker ile Hızlı Başlangıç: Ultralytics YOLO modellerini Docker ile kurup kullanmaya yönelik kapsamlı kılavuz. Docker'ı nasıl kuracağını, GPU desteğini nasıl yöneteceğini ve tutarlı geliştirme ve dağıtım için YOLO modellerini yalıtılmış kapsayıcılarda nasıl çalıştıracağını öğren.
  • AzureML ile Hızlı Başlangıç: Ultralytics YOLO modellerini Microsoft'un Azure Makine Öğrenimi platformunda kullanmaya başla. Nesne algılama projelerini bulutta nasıl eğiteceğini, dağıtacağını ve ölçeklendireceğini öğren.
  • Modal ile Hızlı Başlangıç: Kimlik doğrulama, GPU çıkarımı ve kalıcı depolamayla eğitim işlerini kapsayacak şekilde Ultralytics YOLO26'yı Modal'ın sunucusuz bulut platformunda çalıştır; yönetilecek altyapı yok.
  • Bir Bilgisayarlı Görü Projesinin Hedeflerini Tanımlama: Bilgisayarlı görü projen için net ve ölçülebilir hedefleri nasıl etkili şekilde tanımlayacağını adım adım öğren. İyi tanımlanmış bir problem ifadesinin önemini ve projen için nasıl bir yol haritası oluşturduğunu keşfet.
  • Bir Bilgisayarlı Görü Projesinin Aşamaları: Hedefleri tanımlama, model seçme, veri hazırlama ve sonuçları değerlendirme dahil olmak üzere bir bilgisayarlı görü projesinin temel aşamalarını öğren.
  • YOLO Mimarisi Açıklaması: YOLO mimarisinin YOLOv3'ten YOLO26'ya backbone, neck ve algılama başlığı genelinde nasıl geliştiğini incele; C2f, C3k2, C2PSA attention, anchor-free ve NMS-free tasarımlarını kapsar.

Verilerini hazırla#

  • Veri Toplama ve Etiketleme: Bilgisayarlı görü modellerin için yüksek kaliteli girdiler oluşturmak üzere veri toplama ve etiketlemeye yönelik araçları, teknikleri ve en iyi uygulamaları keşfet.
  • Etiketlenmiş Verileri Ön İşleme: Görüntü yeniden boyutlandırma, normalizasyon, veri kümesi bölme, veri artırma ve keşifsel veri analizi (EDA) dahil olmak üzere YOLO26 ile bilgisayarlı görü için veri ön işlemeyi öğren.
  • YOLO Veri Artırma: Temel dönüşümlerden model sağlamlığını ve performansını geliştirmeye yönelik gelişmiş stratejilere kadar YOLO'daki tüm veri artırma tekniklerine hâkim ol.
  • COCO'dan YOLO'ya Dönüştürme: COCO JSON etiketlerini eğitim için YOLO formatına dönüştürmeye yönelik kapsamlı kılavuz. Sınıf kimliği eşleme ve yaygın dönüştürme sorunları dahil olmak üzere algılama, segmentasyon ve keypoint'leri kapsar.
  • COCO JSON Eğitimi: Özel bir veri kümesi sınıfı ve eğitici kullanarak COCO JSON etiketleri üzerinde YOLO formatına dönüştürme yapmadan doğrudan YOLO eğit.

Eğit ve ince ayar yap#

  • Model Eğitimi için İpuçları: Bilgisayarlı görü modelini kolayca eğitmek için batch boyutlarını optimize etme, karma hassasiyet kullanma, önceden eğitilmiş ağırlıkları uygulama ve daha fazlasına yönelik ipuçlarını keşfet.
  • Özel Verilerle YOLO'da İnce Ayar: Önceden eğitilmiş ağırlıklarla özel veri kümelerinde YOLO26'ya ince ayar yapmaya yönelik kapsamlı kılavuz; transfer öğrenmesi, katman dondurma, optimizer seçimi, iki aşamalı eğitim ve sorun gidermeyi kapsar.
  • YOLO26 Eğitim Reçetesi: Resmî YOLO26 temel checkpoint'lerini COCO üzerinde eğitmek için kullanılan hiperparametrelerin, artırma işlem hatlarının ve optimizer ayarlarının eksiksiz dokümantasyonu; pratik ince ayar yönergeleri içerir.
  • Hiperparametre Ayarlama: Tuner sınıfını ve genetik evrim algoritmalarını kullanarak hiperparametrelerde ince ayar yapıp YOLO modellerini nasıl optimize edeceğini keşfet.
  • Bilgi Damıtma: Özellik tabanlı damıtma kullanarak daha büyük bir öğretmen modelinden daha küçük bir öğrenci modeline bilgi aktarımıyla model performansını nasıl geliştireceğini öğren.
  • K-Katlı Çapraz Doğrulama: K-Katlı çapraz doğrulama tekniğini kullanarak model genellemesini nasıl geliştireceğini öğren.
  • Eğiticiyi Özelleştirme: Özel metrikleri günlüğe kaydetmek, sınıf ağırlıklı kayıp eklemek, model kaydetmeyi özelleştirmek, backbone'u dondurmak/dondurmasını kaldırmak ve katman başına öğrenme oranları ayarlamak için YOLO eğiticisini alt sınıflara ayırmayı öğren.
  • Model YAML Yapılandırma Kılavuzu: Ultralytics model mimarisi tanımlarına kapsamlı bir derinlemesine bakış. YAML formatını keşfet, modül çözümleme sistemini anla ve özel modülleri sorunsuz şekilde nasıl entegre edeceğini öğren.

Değerlendir ve sorunları gider#

  • YOLO Performans Metrikleri ⭐ TEMEL: YOLO modellerinin performansını değerlendirmek için kullanılan mAP, IoU ve F1 skoru gibi temel metrikleri anla. Algılama doğruluğunu ve hızını nasıl geliştireceğine ilişkin pratik örnekler ve ipuçları içerir.
  • Model Değerlendirme ve İnce Ayar Hakkında Bilgiler: Bilgisayarlı görü modellerini mAP ve IoU gibi metriklerle değerlendir, ardından algılama doğruluğunu geliştirmek için metriklerin ortaya koyduğu sonuçlara göre harekete geç.
  • Model Testi: Bilgisayarlı görü modellerini görülmemiş veriler üzerinde nasıl test edeceğini, YOLO26 modellerini nasıl doğrulayacağını ve dağıtımdan önce aşırı öğrenme, yetersiz öğrenme ve veri sızıntısını nasıl tespit edeceğini öğren.
  • YOLO Yaygın Sorunları ⭐ ÖNERİLİR: Ultralytics YOLO modelleriyle çalışırken en sık karşılaşılan sorunlara yönelik pratik çözümler ve sorun giderme ipuçları.
  • Bilgisayarlı Görü Modelinin Bakımı: Doğruluğu güvence altına almak, anormallikleri tespit etmek ve veri kaymasını azaltmak için bilgisayarlı görü modellerini izleme, bakımını yapma ve belgelemedeki temel uygulamaları anla.

Dağıt ve sun#

  • Model Dağıtım Seçenekleri: Dağıtım stratejini belirlemene yardımcı olmak üzere her birinin avantajları ve dezavantajlarıyla birlikte ONNX, OpenVINO ve TensorRT gibi YOLO model dağıtımı formatlarına genel bakış.
  • Model Dağıtımı için En İyi Uygulamalar: Optimizasyon, sorun giderme ve güvenliğe odaklanarak bilgisayarlı görü projelerinde modelleri verimli şekilde dağıtmaya yönelik ipuçlarını ve en iyi uygulamaları adım adım incele.
  • YOLO Olmayan Modelleri Dışa Aktar: Herhangi bir torch.nn.Module modelini (timm, torchvision, özel) ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch, Core AI ve TensorFlow SavedModel formatına dönüştürmek için Ultralytics bağımsız dışa aktarma araçlarını kullan.
  • Uçtan Uca Tespit: NMS veya NMS'siz çıkarımı seç ve çıktı formatlarını ve dışa aktarım uyumluluğunu anla.
  • Triton Inference Server Entegrasyonu: Ölçeklenebilir ve verimli derin öğrenme çıkarım dağıtımları için Ultralytics YOLO26'nın NVIDIA Triton Inference Server ile entegrasyonunu derinlemesine incele.
  • YOLO İş Parçacığı Güvenli Çıkarımı: YOLO modelleriyle iş parçacığı güvenli şekilde çıkarım gerçekleştirmeye yönelik yönergeler. İş parçacığı güvenliğinin önemini ve yarış koşullarını önleyip tutarlı tahminler sağlamaya yönelik en iyi uygulamaları öğren.
  • ROS ile Hızlı Başlangıç: Gerçek zamanlı nesne algılama için YOLO'yu robotik uygulamalarda Robot İşletim Sistemi (ROS) ile nasıl entegre edeceğini öğren; Point Cloud ve Depth görüntülerini de kapsar.
  • Docker ile Vertex AI Dağıtımı: YOLO modellerini Docker ile kapsayıcılaştırıp Google Cloud Vertex AI üzerinde dağıtmaya yönelik kolaylaştırılmış kılavuz; derleme, push, otomatik ölçeklendirme ve izlemeyi kapsar.

Çıkarımı optimize et#

  • SAHI Döşemeli Çıkarım: Yüksek çözünürlüklü görüntülerde nesne algılama için SAHI'nin YOLO26 ile dilimlenmiş çıkarım yeteneklerinden yararlanmaya yönelik kapsamlı kılavuz.
  • OpenVINO Gecikme ve İş Hacmi Modları: En yüksek YOLO çıkarım performansı için gecikme ve iş hacmi optimizasyon tekniklerini öğren.
  • NVIDIA DALI GPU Ön İşleme: Triton Inference Server entegrasyonuyla NVIDIA DALI kullanarak YOLO letterbox yeniden boyutlandırma, padding ve normalizasyonunu GPU üzerinde çalıştırıp CPU ön işleme darboğazlarını ortadan kaldır.
  • Segmentasyon Nesnelerini Ayırma: Ultralytics Segmentasyonunu kullanarak görüntülerden nesneleri çıkarmayı ve/veya ayırmayı anlatan adım adım tarif ve açıklama.
  • Çıkarım Görüntülerini Terminalde Görüntüleme: Remote Tunnel veya SSH oturumlarını kullanırken çıkarım sonuçlarını görüntülemek için VSCode'un tümleşik terminalini kullan.

Uç ve gömülü donanım#

  • NVIDIA Jetson: YOLO modellerini NVIDIA Jetson cihazlarında dağıtmaya yönelik hızlı başlangıç kılavuzu.
  • Raspberry Pi: YOLO modellerini en yeni Raspberry Pi donanımında çalıştırmaya yönelik hızlı başlangıç eğitimi.
  • NVIDIA Jetson'da DeepStream: DeepStream ve TensorRT kullanarak YOLO modellerini NVIDIA Jetson cihazlarında dağıtmaya yönelik hızlı başlangıç kılavuzu.
  • Raspberry Pi üzerinde Edge TPU: Google Edge TPU, Raspberry Pi üzerinde YOLO çıkarımını hızlandırır.
  • NVIDIA DGX Spark: YOLO modellerini NVIDIA DGX Spark cihazlarında dağıtmaya yönelik hızlı başlangıç kılavuzu.
  • Intel üzerinde DL Streamer: DL Streamer ve OpenVINO™ kullanarak YOLO26 modellerini Intel Core Ultra Series 3 cihazlarında dağıtmaya yönelik hızlı başlangıç kılavuzu.

Kılavuzlarımıza katkıda bulun#

Topluluktan gelen katkıları memnuniyetle karşılıyoruz! Ultralytics YOLO'nun kılavuzlarımızda henüz ele alınmayan belirli bir alanında uzmanlaştıysan, uzmanlığını paylaşmanı teşvik ediyoruz. Bir kılavuz yazmak, topluluğa katkıda bulunmanın ve dokümantasyonumuzu daha kapsamlı ve kullanıcı dostu hâle getirmemize yardımcı olmanın harika bir yoludur.

Başlamak için Pull Request (PR) açma yönergeleri için Katkıda Bulunma Kılavuzumuzu oku. Yeni bir kılavuz eklerken onu proje aşamasına uyan yukarıdaki kategoriye yerleştir ve koleksiyon büyüdükçe göz atmanın kolay kalması için tek bir sayfa türüyle (adım adım eğitim, göreve odaklı nasıl yapılır kılavuzu veya referans) sınırla. Katkılarını bekliyoruz.

SSS#

  • Ultralytics YOLO ile özel bir nesne algılama modelini eğitmek oldukça basittir. Veri kümeni doğru formatta hazırlayarak ve Ultralytics paketini kurarak başla. Eğitimi başlatmak için aşağıdaki kodu kullan:

    Örnek
    from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

    Ayrıntılı veri kümesi biçimlendirmesi ve ek seçenekler için Model Eğitimi için İpuçları kılavuzumuza başvur.

  • YOLO modelinin performansını değerlendirmek, etkinliğini anlamak açısından kritik öneme sahiptir. Temel metrikler arasında Ortalama Kesinlik Ortalaması (mAP), Kesişim-Birleşim Oranı (IoU) ve F1 skoru bulunur. Bu metrikler, nesne algılama görevlerinin doğruluğunu ve kesinliğini değerlendirmeye yardımcı olur. Bu metrikler ve modelini nasıl geliştireceğin hakkında daha fazla bilgiyi YOLO Performans Metrikleri kılavuzumuzda bulabilirsin.

  • Ultralytics Platform, YOLO modellerini yönetmeyi, eğitmeyi ve dağıtmayı kolaylaştıran kodsuz bir platformdur. Sorunsuz entegrasyonu, gerçek zamanlı izlemeyi ve bulut eğitimini destekleyerek hem yeni başlayanlar hem de profesyoneller için ideal hâle gelir. Özellikleri ve iş akışını nasıl kolaylaştırabileceği hakkında daha fazla bilgi için Ultralytics Platform hızlı başlangıç kılavuzumuzu keşfet.

  • YOLO model eğitimi sırasında karşılaşılan yaygın sorunlar arasında veri biçimlendirme hataları, model mimarisi uyumsuzlukları ve yetersiz eğitim verisi bulunur. Bunları gidermek için veri kümenin doğru biçimlendirildiğinden emin ol, uyumlu model sürümlerini kontrol et ve eğitim verilerini artır. Çözüm listesinin tamamı için YOLO Yaygın Sorunları kılavuzumuza başvur.

  • YOLO modellerini NVIDIA Jetson ve Raspberry Pi gibi uç cihazlarda dağıtmak, modeli TensorRT veya LiteRT gibi uyumlu bir formata dönüştürmeyi gerektirir. Uç donanımda gerçek zamanlı nesne algılamaya başlamak için NVIDIA Jetson ve Raspberry Pi dağıtımlarına yönelik adım adım kılavuzlarımızı izle. Bu kılavuzlar kurulum, yapılandırma ve performans optimizasyonu süreçlerinde sana yol gösterecek.

Katkıda Bulunanlar
GLglenn-jocher23RAraimbekovm16RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3AMambitious-octopus2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

Yorumlar