YOLO Vision 2026:

Ultralytics YOLO için Kapsamlı Öğreticiler#

Ultralytics YOLO Kılavuzlarına hoş geldin. Kapsamlı eğitimlerimiz, eğitim ve tahminden dağıtıma kadar YOLO nesne tespiti modelinin çeşitli yönlerini kapsar. PyTorch üzerine inşa edilen YOLO, gerçek zamanlı nesne tespiti görevlerindeki olağanüstü hızı ve doğruluğu ile öne çıkar.

Derin öğrenme konusunda ister acemi ister uzman ol, eğitimlerimiz bilgisayarlı görü projelerin için YOLO'nun uygulanması ve optimizasyonu hakkında değerli bilgiler sunar.



Watch: Ultralytics YOLO26 Guides Overview

Kılavuzlar#

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

Başla ve planla#

  • Conda Hızlı Başlangıç: Ultralytics için bir Conda ortamı kurmaya yönelik adım adım kılavuz. Conda ile Ultralytics paketini verimli bir şekilde nasıl kuracağını ve kullanmaya başlayacağını öğren.
  • Docker Hızlı Başlangıç: Ultralytics YOLO modellerini Docker ile kurmak ve kullanmak için eksiksiz kılavuz. Tutarlı geliştirme ve dağıtım için Docker'ı nasıl kuracağını, GPU desteğini nasıl yöneteceğini ve YOLO modellerini izole edilmiş konteynerlerde nasıl çalıştıracağını öğren.
  • AzureML Hızlı Başlangıç: Microsoft'un Azure Makine Öğrenmesi platformunda Ultralytics YOLO modelleriyle hemen çalışmaya başla. Bulutta nesne tespiti projelerini nasıl eğiteceğini, dağıtacağını ve ölçeklendireceğini öğren.
  • Modal Hızlı Başlangıç: Kimlik doğrulama, GPU çıkarımı ve kalıcı depolama alanına sahip eğitim işlerini kapsayan — yönetilecek altyapı gerektirmeyen — Modal'ın sunucusuz bulut platformunda Ultralytics YOLO26 çalıştır.
  • Bilgisayarlı Görü Projesinin Hedeflerini Belirleme: Bilgisayarlı görü projen için net ve ölçülebilir hedefleri nasıl etkili bir şekilde belirleyeceğini adım adım incele. İyi tanımlanmış bir sorun ifadesinin önemini ve projen için nasıl bir yol haritası oluşturduğunu öğren.
  • Bilgisayarlı Görü Projesinin Adımları: Hedefleri belirleme, modelleri seçme, verileri hazırlama ve sonuçları değerlendirme dahil olmak üzere bir bilgisayarlı görü projesinde yer alan temel adımları öğren.
  • YOLO Mimarisi Açıklandı: C2f, C3k2, C2PSA dikkat mekanizması, çıpasız (anchor-free) ve NMS'siz tasarımı kapsayacak şekilde, YOLO mimarisinin omurga (backbone), boyun (neck) ve tespit kafası (detection head) boyunca YOLOv3'ten YOLO26'ya nasıl evrimleştiğini takip et.

Verini hazırla#

  • Veri Toplama ve Etiketleme: Bilgisayarlı görü modellerin için yüksek kaliteli girdiler oluşturmak üzere veri toplama ve etiketleme araçlarını, tekniklerini ve en iyi uygulamalarını keşfet.
  • Etiketlenmiş Verileri Ön İşleme Tabi Tutma: Görüntü yeniden boyutlandırma, normalleştirme, veri seti 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 dayanıklılığını ve performansını artırmaya yönelik gelişmiş stratejilere kadar YOLO'daki tüm veri artırma tekniklerinde uzmanlaş.
  • COCO - YOLO Dönüşümü: Eğitim için COCO JSON etiketlemelerini YOLO formatına dönüştürmeye yönelik eksiksiz kılavuz. Sınıf kimliği eşleme ve yaygın dönüşüm tuzakları dahil olmak üzere tespiti, segmentasyonu ve anahtar noktaları kapsar.
  • COCO JSON Eğitimi: Özel bir veri seti sınıfı ve eğitici kullanarak, YOLO formatına dönüştürmeye gerek kalmadan doğrudan COCO JSON etiketlemeleri üzerinde YOLO eğit.

Eğit ve ince ayar yap#

  • Model Eğitimi için İpuçları: Bilgisayarlı görü modelini eğitmeni çocuk oyuncağı haline getirmek için toplu boyutlarını optimize etme, karışık duyarlık kullanma, önceden eğitilmiş ağırlıkları uygulama ve daha pek çok ipucunu keşfet.
  • Özel Veriler Üzerinde YOLO'da İnce Ayar Yapma: Aktarım öğrenmesi, katman dondurma, optimizatör seçimi, iki aşamalı eğitim ve sorun giderme konularını kapsayan, önceden eğitilmiş ağırlıklarla özel veri setleri üzerinde YOLO26'da ince ayar yapmaya yönelik eksiksiz kılavuz.
  • YOLO26 Eğitim Reçetesi: Pratik ince ayar rehberliği ile birlikte, resmi YOLO26 temel kontrol noktalarını COCO üzerinde eğitmek için kullanılan hiperparametrelerin, artırma boru hatlarının ve optimizatör ayarlarının tam dokümantasyonu.
  • Hiperparametre Ayarı: Tuner sınıfını ve genetik evrim algoritmalarını kullanarak hiperparametrelerde ince ayar yapıp YOLO modellerini nasıl optimize edeceğini keşfet.
  • Bilgi Damıtma: Özellik tabanlı damıtma kullanarak bilgiyi daha büyük bir öğretmen modelden daha küçük bir öğrenci modele aktarıp model performansını nasıl artıracağını öğren.
  • K-Katlamalı Çapraz Doğrulama: K-Katlamalı çapraz doğrulama tekniğini kullanarak model genellemesini nasıl iyileştireceğini öğren.
  • Eğiticiyi Özelleştirme: Özel metrikleri kaydetmek, sınıf ağırlıklı kayıp eklemek, model kaydetmeyi özelleştirmek, omurgayı dondurmak/dondurmayı kaldırmak ve katman başına öğrenme oranları ayarlamak için YOLO eğitici sınıfından alt sınıf (subclass) oluşturmayı öğren.
  • Model YAML Yapılandırma Kılavuzu: Ultralytics'in model mimarisi tanımlarına kapsamlı bir derinlemesine bakış. YAML formatını keşfet, modül çözünürlük sistemini anla ve özel modülleri sorunsuz bir şekilde nasıl entegre edeceğini öğren.

Değerlendir ve sorun gider#

  • YOLO Performans Metrikleri ⭐ ÖNEMLİ: YOLO modellerinin performansını değerlendirmek için kullanılan mAP, IoU ve F1 skoru gibi temel metrikleri anla. Tespit doğruluğunu ve hızını nasıl artıracağına dair pratik örnekler ve ipuçları içerir.
  • Model Değerlendirme ve İnce Ayar Hakkında İçgörüler: Bilgisayarlı görü modellerini mAP ve IoU gibi metriklerle değerlendir ve ardından algılama doğruluğunu artırmak için metriklerin ortaya koyduğu verilere göre harekete geç.
  • Model Test Etme: Bilgisayarlı görü modellerini görülmemiş veriler üzerinde nasıl test edeceğini, YOLO26 modellerini nasıl doğrulayacağını ve dağıtımdan önce aşırı öğrenmeyi (overfitting), yetersiz öğrenmeyi (underfitting) ve veri sızıntısını nasıl yakalayacağını öğren.
  • YOLO Yaygın Sorunları ⭐ ÖNERİLEN: Ultralytics YOLO modelleriyle çalışırken en sık karşılaşılan sorunlara yönelik pratik çözümler ve sorun giderme ipuçları.
  • Bilgisayarlı Görü Modelini Bakımda Tutma: Doğruluğu garanti etmek, anormallikleri tespit etmek ve veri sapmasını (data drift) azaltmak için bilgisayarlı görü modellerini izleme, bakımını yapma ve belgeleme konusundaki temel uygulamaları anla.

Dağıt ve sun#

  • Model Dağıtım Seçenekleri: Dağıtım stratejini şekillendirmek üzere her birinin artı ve eksileriyle birlikte ONNX, OpenVINO ve TensorRT gibi YOLO model dağıtım formatlarına genel bakış.
  • Model Dağıtımı için En İyi Uygulamalar: Optimizasyon, sorun giderme ve güvenliğe odaklanarak bilgisayarlı görü projelerinde modelleri verimli bir şekilde dağıtmak için ipuçlarını ve en iyi uygulamaları incele.
  • YOLO Olmayan Modelleri Dışa Aktar: Herhangi bir torch.nn.Module modelini (timm, torchvision, özel) ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch ve TensorFlow SavedModel formatına dönüştürmek için Ultralytics bağımsız dışa aktarma araçlarını kullan.
  • Uçtan Uca Tespit: YOLO26'nın NMS'siz uçtan uca tespitini, dışa aktarma uyumluluğunu, çıktı formatı değişikliklerini ve eski YOLO modellerinden nasıl geçiş yapılacağını anla.
  • Triton Inference Server Entegrasyonu: Ölçeklenebilir ve verimli derin öğrenme çıkarımı dağıtımları için Ultralytics YOLO26 ile NVIDIA'nın Triton Inference Server entegrasyonuna dal.
  • YOLO İş Parçacığı Güvenli (Thread-Safe) Çıkarım: YOLO modelleriyle iş parçacığı güvenli bir şekilde çıkarım gerçekleştirmeye yönelik kılavuz ilkeler. Yarış durumlarını (race conditions) önlemek ve tutarlı tahminler sağlamak için iş parçacığı güvenliğinin önemini ve en iyi uygulamaları öğren.
  • ROS Hızlı Başlangıç: Nokta Bulutu (Point Cloud) ve Derinlik (Depth) görüntüleri dahil olmak üzere robotik uygulamalarda gerçek zamanlı nesne tespiti için YOLO'yu Robot İşletim Sistemi (ROS) ile nasıl entegre edeceğini öğren.
  • Docker ile Vertex AI Dağıtımı: YOLO modellerini Docker ile konteynerleştirmeye ve bunları Google Cloud Vertex AI üzerinde dağıtmaya yönelik kolaylaştırılmış kılavuz — derleme, gönderme, otomatik ölçeklendirme ve izlemeyi kapsar.

Çıkarımı optimize et#

  • SAHI Parçalı Çıkarım: Yüksek çözünürlüklü görüntülerde nesne tespiti için YOLO26 ile SAHI'nin dilimlenmiş çıkarım yeteneklerinden yararlanmaya ilişkin kapsamlı kılavuz.
  • OpenVINO Gecikme Süresi ve Verim Modları: En yüksek YOLO çıkarım performansı için gecikme süresi ve verim optimizasyonu tekniklerini öğren.
  • NVIDIA DALI GPU Ön İşleme: Triton Inference Server entegrasyonu ile NVIDIA DALI kullanarak YOLO letterbox yeniden boyutlandırma, dolgu (padding) ve normalleştirme işlemlerini GPU üzerinde çalıştırarak CPU ön işleme darboğazlarını ortadan kaldır.
  • Segmentasyon Nesnelerini İzole Etme: Ultralytics Segmentasyonu kullanarak görüntülerden nesnelerin nasıl çıkarılacağına ve/veya izole edileceğine dair adım adım tarif ve açıklama.
  • Terminalde Çıkarım Görüntülerini Görüntüleme: Uzaktan Tünel (Remote Tunnel) veya SSH oturumları kullanırken çıkarım sonuçlarını görüntülemek için VSCode'un entegre terminalini kullan.

Uç ve gömülü donanım#

Kılavuzlarımıza Katkıda Bulun#

Topluluktan gelen katkıları memnuniyetle karşılıyoruz! Ultralytics YOLO'nun henüz kılavuzlarımızda yer almayan belirli bir yönünde uzmanlaştıysan, uzmanlığını paylaşmanı öneririz. Bir kılavuz yazmak, topluluğa geri vermenin ve belgelerimizi daha kapsamlı ve kullanıcı dostu hale getirmemize yardımcı olmanın harika bir yoludur.

Başlamak için lütfen Pull Request (PR) açma konusundaki yönergeler için Katkıda Bulunma Kılavuzu mızı oku. Yeni bir kılavuz eklerken, bunu proje aşamasıyla eşleşen yukarıdaki kategorinin altına yerleştir ve koleksiyon büyüdükçe göz atmayı kolaylaştırmak için tek bir sayfa türüyle (adım adım bir eğitim, görev odaklı bir nasıldır kılavuzu veya bir referans) sınırla. Katkılarını sabırsızlıkla bekliyoruz.

SSS#

  • Ultralytics YOLO ile özel bir nesne algılama modeli eğitmek çok kolaydır. Veri kümeni doğru formatta hazırlayarak ve Ultralytics paketini kurarak başla. Eğitimi başlatmak için şu 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 seti formatı ve ek seçenekler için Model Eğitimi için İpuçları kılavuzumuza göz at.

  • YOLO modelinin performansını değerlendirmek, etkinliğini anlamak açısından çok önemlidir. Temel metrikler arasında Ortalama Duyarlılık (mAP), Kesişim Üzerinden Birlik (IoU) ve F1 skoru yer alır. Bu metrikler, nesne tespiti görevlerinin doğruluğunu ve kesinliğini değerlendirmeye yardımcı olur. Bu metrikler ve modelini nasıl geliştirebileceğin hakkında daha fazla bilgiyi YOLO Performans Metrikleri kılavuzumuzda bulabilirsin.

  • Ultralytics Platform; YOLO modellerini yönetmeyi, eğitmeyi ve dağıtmayı basitleştiren kodsuz (no-code) bir platformdur. Sorunsuz entegrasyonu, gerçek zamanlı takibi ve bulutta eğitimi destekleyerek hem yeni başlayanlar hem de profesyoneller için ideal hale getirir. Özellikleri hakkında daha fazla bilgi edinmek ve Ultralytics Platform hızlı başlangıç kılavuzumuzla iş akışını nasıl kolaylaştırabileceğini keşfetmek için göz at.

  • YOLO modeli eğitimi sırasındaki yaygın sorunlar arasında veri formatı hataları, model mimarisi uyuşmazlıkları ve yetersiz eğitim verisi yer alır. Bunları ele almak için veri setinin doğru formatta olduğundan emin ol, uyumlu model sürümlerini kontrol et ve eğitim verilerini artır. Kapsamlı bir çözüm listesi için YOLO Yaygın Sorunları kılavuzumuza bak.

  • YOLO modellerini NVIDIA Jetson ve Raspberry Pi gibi uç (edge) cihazlarda dağıtmak, modelin TensorRT veya LiteRT gibi uyumlu bir forma dönüştürülmesini gerektirir. Uç donanımda gerçek zamanlı nesne tespiti ile hemen çalışmaya başlamak için NVIDIA Jetson ve Raspberry Pi dağıtımlarına yönelik adım adım kılavuzlarımızı takip et. Bu kılavuzlar kurulum, yapılandırma ve performans optimizasyonu süreçlerinde sana rehberlik edecektir.

Katkıda Bulunanlar
GLglenn-jocher21RAraimbekovm15RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3AMambitious-octopus2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

Yorumlar