Link to this sectionUltralytics YOLO için Kapsamlı Öğreticiler#

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

Derin öğrenme konusunda ister yeni başlayan ister uzman ol, öğreticilerimiz bilgisayarlı görü projelerinde YOLO'nun uygulanması ve optimizasyonu hakkında değerli bilgiler sunar.

Link to this sectionKılavuzlar#

Ultralytics YOLO'nun farklı yönlerinde uzmanlaşmana yardımcı olacak derinlemesine kılavuzların bir derlemesi burada.

• Model Test Etme Kılavuzu: Bilgisayarlı görü modellerini gerçekçi ortamlarda test etmeye yönelik kapsamlı bir kılavuz. Proje hedefleri doğrultusunda doğruluğu, güvenilirliği ve performansı nasıl doğrulayacağını öğren.
• AzureML Başlangıç Kılavuzu: Microsoft'un Azure Makine Öğrenimi platformunda Ultralytics YOLO modellerini kullanmaya başla. Bulut ortamında nesne algılama projelerini nasıl eğiteceğini, dağıtacağını ve ölçeklendireceğini öğren.
• Model Dağıtımı için En İyi Uygulamalar: Optimizasyon, sorun giderme ve güvenliğe odaklanarak bilgisayarlı görü projelerinde modelleri verimli bir şekilde dağıtmaya yönelik ipuçlarını ve en iyi uygulamaları incele.
• COCO'dan YOLO'ya Dönüştürme: Eğitim için COCO JSON ek açıklamalarını YOLO formatına dönüştürmeye yönelik eksiksiz kılavuz. Sınıf kimliği eşleme ve yaygın dönüştürme tuzakları dahil olmak üzere algılama, bölütleme ve anahtar noktaları kapsar.
• COCO JSON ile Eğitim: Özel bir veri kümesi sınıfı ve eğitici kullanarak YOLO formatına dönüştürmeye gerek kalmadan doğrudan COCO JSON ek açıklamalarıyla YOLO'yu eğit.
• Conda Başlangıç Kılavuzu: Ultralytics için bir Conda ortamı oluşturmaya yönelik adım adım kılavuz. Ultralytics paketini Conda ile nasıl kuracağını ve verimli bir şekilde kullanmaya başlayacağını öğren.
• Eğiticiyi Özelleştirme: Özel metrikleri günlüğe kaydetmek, sınıf ağırlıklı kayıp eklemek, model kaydetmeyi özelleştirmek, ana yapıyı dondurmak/dondurmayı açmak ve katman başına öğrenme oranlarını ayarlamak için YOLO eğiticisini nasıl alt sınıfa alacağını öğren.
• Veri Toplama ve Etiketleme: Bilgisayarlı görü modellerin için yüksek kaliteli girdiler oluşturmak üzere veri toplama ve etiketleme araçlarını, tekniklerini ve en iyi uygulamalarını keşfet.
• NVIDIA Jetson'da DeepStream: DeepStream ve TensorRT kullanarak NVIDIA Jetson cihazlarında YOLO modellerini dağıtmak için başlangıç kılavuzu.
• Bilgisayarlı Görü Projesi Hedeflerini Tanımlama: Bilgisayarlı görü projen için net ve ölçülebilir hedefleri nasıl etkili bir şekilde tanımlayacağını incele. İyi tanımlanmış bir problem ifadesinin önemini ve bunun projen için nasıl bir yol haritası oluşturduğunu öğren.
• Docker Başlangıç Kılavuzu: Ultralytics YOLO modellerini Docker ile kurmaya ve kullanmaya yönelik eksiksiz kılavuz. Docker'ı nasıl kuracağını, GPU desteğini nasıl yöneteceğini ve tutarlı bir geliştirme ve dağıtım için YOLO modellerini yalıtılmış kapsayıcılarda nasıl çalıştıracağını öğren.
• Raspberry Pi'de Edge TPU: Google Edge TPU, Raspberry Pi üzerinde YOLO çıkarımını hızlandırır.
• Uçtan Uca Algılama: YOLO26'nın NMS'siz uçtan uca algılamasını, dışa aktarma uyumluluğunu, çıktı formatı değişikliklerini ve eski YOLO modellerinden nasıl geçiş yapacağını anla.
• YOLO Olmayan Modelleri Dışa Aktarma: Herhangi bir torch.nn.Module (timm, torchvision, özel) öğesini ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch ve TensorFlow SavedModel formatlarına dönüştürmek için Ultralytics bağımsız dışa aktarma yardımcı programlarını kullan.
• Özel Verilerde YOLO İnce Ayar: Transfer öğrenme, katman dondurma, iyileştirici seçimi, iki aşamalı eğitim ve sorun giderme konularını kapsayan, önceden eğitilmiş ağırlıklarla özel veri kümelerinde YOLO26'ya ince ayar yapmaya yönelik eksiksiz kılavuz.
• Hiperparametre Ayarı: Tuner sınıfını ve genetik evrim algoritmalarını kullanarak hiperparametreleri ince ayar yapıp YOLO modellerini nasıl optimize edeceğini keşfet.
• Model Değerlendirme ve İnce Ayar Hakkında Görüşler: Bilgisayarlı görü modellerini değerlendirmek ve ince ayar yapmak için stratejiler ve en iyi uygulamalar hakkında bilgi edin. Optimum sonuçlara ulaşmak için modelleri iyileştirmenin yinelemeli süreci hakkında bilgi sahibi ol.
• Bölütleme Nesnelerini Yalıtma: Ultralytics Bölütleme kullanarak görüntülerden nesnelerin nasıl çıkarılacağına ve/veya yalıtılacağına dair adım adım tarif ve açıklama.
• K-Fold Çapraz Doğrulama: K-Fold çapraz doğrulama tekniğini kullanarak model genellemesini nasıl geliştireceğini öğren.
• Bilgisayarlı Görü Modelini Koruma: Doğruluğu garanti etmek, anomalileri tespit etmek ve veri kaymasını azaltmak için bilgisayarlı görü modellerini izlemenin, korumanın ve belgelemenin temel uygulamalarını anla.
• Model Dağıtım Seçenekleri: Dağıtım stratejini bilgilendirmek için her birinin avantajları ve dezavantajlarıyla birlikte ONNX, OpenVINO ve TensorRT gibi YOLO model dağıtım formatlarına genel bakış.
• Model YAML Yapılandırma Kılavuzu: Ultralytics'in model mimarisi tanımlamalarına kapsamlı bir bakış. YAML formatını keşfet, modül çözümleme sistemini anla ve özel modülleri sorunsuz bir şekilde nasıl entegre edeceğini öğren.
• NVIDIA DALI GPU Ön İşleme: Triton Inference Server entegrasyonu ile NVIDIA DALI kullanarak GPU üzerinde YOLO letterbox yeniden boyutlandırma, dolgu ve normalleştirme işlemlerini çalıştırarak CPU ön işleme darboğazlarını ortadan kaldır.
• NVIDIA DGX Spark: YOLO modellerini NVIDIA DGX Spark cihazlarında dağıtmak için başlangıç kılavuzu.
• NVIDIA Jetson: YOLO modellerini NVIDIA Jetson cihazlarında dağıtmak için başlangıç kılavuzu.
• OpenVINO Gecikme vs İşlem Hacmi Modları: Maksimum YOLO çıkarım performansı için gecikme ve işlem hacmi optimizasyon tekniklerini öğren.
• Etiketli Verileri Ön İşleme: Normalleştirme, veri kümesi artırma, bölme ve keşifsel veri analizi (EDA) dahil olmak üzere YOLO26 kullanarak bilgisayarlı görü projelerinde görüntü verilerini ön işleme ve artırma hakkında bilgi edin.
• Raspberry Pi: En yeni Raspberry Pi donanımında YOLO modellerini çalıştırmak için başlangıç öğreticisi.
• ROS Başlangıç Kılavuzu: Nokta Bulutu ve Derinlik görüntüleri dahil olmak üzere robotik uygulamalarda gerçek zamanlı nesne algılama için YOLO'yu Robot İşletim Sistemi (ROS) ile nasıl entegre edeceğini öğren.
• SAHI Döşemeli Çıkarım: Yüksek çözünürlüklü görüntülerde nesne algılama için YOLO26 ile SAHI'nin dilimlenmiş çıkarım yeteneklerinden yararlanmaya yönelik kapsamlı kılavuz.
• Bilgisayarlı Görü Projesinin Adımları: Hedefleri tanımlama, modelleri seçme, verileri hazırlama ve sonuçları değerlendirme dahil olmak üzere bir bilgisayarlı görü projesinde yer alan temel adımlar hakkında bilgi edin.
• Model Eğitimi için İpuçları: Toplu iş boyutlarını optimize etme, karışık hassasiyet kullanma, önceden eğitilmiş ağırlıkları uygulama ve bilgisayarlı görü modelini eğitmeyi kolaylaştıracak daha fazla ipucunu keşfet.
• Triton Inference Server Entegrasyonu: Ölçeklenebilir ve verimli derin öğrenme çıkarım dağıtımları için Ultralytics YOLO26'nın NVIDIA'nın Triton Inference Server ile entegrasyonunu incele.
• Docker ile Vertex AI Dağıtımı: YOLO modellerini Docker ile kapsayıcılaştırmak ve Google Cloud Vertex AI üzerinde dağıtmak için oluşturma, gönderme, otomatik ölçeklendirme ve izleme konularını kapsayan sadeleştirilmiş kılavuz.
• Çıkarım Görüntülerini Terminalde Görüntüleme: Uzak Tünel veya SSH oturumları kullanırken çıkarım sonuçlarını görüntülemek için VSCode'un entegre terminalini kullan.
• YOLO26 Eğitim Tarifi: Resmi YOLO26 temel kontrol noktalarını COCO üzerinde eğitmek için kullanılan hiperparametrelerin, artırma hatlarının ve iyileştirici ayarlarının tam belgeleri; pratik ince ayar rehberliği içerir.
• YOLO Yaygın Sorunlar ⭐ ÖNERİLEN: Ultralytics YOLO modelleriyle çalışırken karşılaşılan en sık sorunlara pratik çözümler ve sorun giderme ipuçları.
• YOLO Veri Artırma: Temel dönüşümlerden model sağlamlığını ve performansını artırmaya yönelik gelişmiş stratejilere kadar YOLO'daki tüm veri artırma tekniklerinde uzmanlaş.
• YOLO Performans Metrikleri ⭐ TEMEL: YOLO modellerinin performansını değerlendirmek için kullanılan mAP, IoU ve F1 skoru gibi temel metrikleri anla. Algılama doğruluğunu ve hızını nasıl artıracağına dair pratik örnekler ve ipuçları içerir.
• YOLO İş Parçacığı Güvenli Çıkarım: YOLO modelleriyle iş parçacığı güvenli bir şekilde çıkarım yapmaya yönelik yönergeler. Yarış durumlarını önlemek ve tutarlı tahminler sağlamak için iş parçacığı güvenliğinin önemini ve en iyi uygulamaları öğren.

Link to this sectionKılavuzlarımıza 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 bir Çekme İsteğinin (PR) nasıl açılacağına dair yönergeler için Katkıda Bulunma Kılavuzumuzu oku. Katkılarını bekliyoruz.

Link to this sectionSSS#

Link to this sectionUltralytics YOLO kullanarak nasıl özel bir nesne algılama modeli eğitebilirim?#

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:

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 bak.

Link to this sectionYOLO modelimi değerlendirmek için hangi performans metriklerini kullanmalıyım?#

YOLO modelinin performansını değerlendirmek, etkinliğini anlamak için çok önemlidir. Temel metrikler arasında Ortalama Hassasiyet (mAP), Birleşim Üzerinden Kesişim (IoU) ve F1 skoru yer alır. Bu metrikler, nesne algılama görevlerinin doğruluğunu ve hassasiyetini değerlendirmeye yardımcı olur. Bu metrikler hakkında daha fazla bilgiyi ve modelini nasıl geliştirebileceğini YOLO Performans Metrikleri kılavuzumuzda bulabilirsin.

Link to this sectionBilgisayarlı görü projelerim için neden Ultralytics Platform'u kullanmalıyım?#

Ultralytics Platform, YOLO modellerini yönetmeyi, eğitmeyi ve dağıtmayı basitleştiren kod gerektirmeyen bir platformdur. Sorunsuz entegrasyonu, gerçek zamanlı izlemeyi ve bulut eğitimini destekler; bu da onu hem yeni başlayanlar hem de profesyoneller için ideal kılar. Özellikleri hakkında daha fazla bilgi edinmek ve iş akışını nasıl kolaylaştırabileceğini keşfetmek için Ultralytics Platform başlangıç kılavuzumuza göz at.

Link to this sectionYOLO model eğitimi sırasında karşılaşılan yaygın sorunlar nelerdir ve bunları nasıl çözebilirim?#

YOLO model eğitimi sırasında karşılaşılan yaygın sorunlar arasında veri biçimlendirme hataları, model mimarisi uyumsuzlukları ve yetersiz eğitim verisi bulunur. Bunları çözmek için veri kümenin doğru biçimlendirildiğinden emin ol, uyumlu model sürümlerini kontrol et ve eğitim verilerini artır. Kapsamlı bir çözüm listesi için YOLO Yaygın Sorunlar kılavuzumuza bak.

Link to this sectionYOLO modelimi uç cihazlarda gerçek zamanlı nesne algılama için nasıl dağıtabilirim?#

YOLO modellerini NVIDIA Jetson ve Raspberry Pi gibi uç cihazlarda dağıtmak, modelin TensorRT veya TFLite gibi uyumlu bir formata dönüştürülmesini gerektirir. Uç donanımda gerçek zamanlı nesne algılamaya 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.