Ultralytics YOLO için Kapsamlı Öğreticiler

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

İster derin öğrenme konusunda yeni başlayan biri ol, ister uzman, öğreticilerimiz bilgisayarlı görü projelerin için YOLO'nun uygulanması ve optimize edilmesi hakkında değerli bilgiler sunar.

Rehberler

Ultralytics YOLO'nun farklı yönlerinde ustalaşmana yardımcı olacak derinlemesine rehberlerin bir derlemesi burada.

• Model Test Etme Rehberi: Bilgisayarlı görü modellerini gerçekçi ortamlarda test etmeye yönelik kapsamlı bir rehber. Proje hedefleri doğrultusunda doğruluğu, güvenilirliği ve performansı nasıl doğrulayacağını öğren.
• AzureML Hızlı Başlangıç: Microsoft'un Azure Makine Öğrenimi platformunda Ultralytics YOLO modelleriyle çalışmaya başla. Nesne algılama projelerini bulutta 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 dağıtmak için ipuçlarını ve en iyi uygulamaları incele.
• COCO'dan YOLO'ya Dönüşüm: Eğitim için COCO JSON açıklamalarını YOLO formatına dönüştürmeye yönelik eksiksiz rehber. CVAT, Label Studio ve Roboflow için araca özel ipuçlarıyla algılama, segmentasyon ve anahtar noktaları kapsar.
• COCO JSON Eğitimi: Özel bir veri kümesi sınıfı ve eğitici kullanarak, YOLO formatına dönüştürmeye gerek kalmadan doğrudan COCO JSON açıklamaları üzerinde YOLO eğit.
• Conda Hızlı Başlangıç: Ultralytics için bir Conda ortamı kurmaya yönelik adım adım rehber. Conda ile Ultralytics paketini nasıl kuracağını ve verimli bir şekilde kullanmaya başlayacağını öğren.
• Eğiticiyi Özelleştirme: Özel metrikleri günlüğe kaydetmek, sınıf ağırlıklı kayıp (loss) eklemek, model kaydetmeyi özelleştirmek, omurgayı (backbone) dondurmak/çözmek ve katman başına öğrenme oranlarını ayarlamak için YOLO eğiticisini nasıl alt sınıfa ayıracağını öğren.
• Veri Toplama ve Etiketleme: Bilgisayarlı görü modellerin için yüksek kaliteli girdiler oluşturmak amacıyla veri toplama ve etiketleme araçlarını, tekniklerini ve en iyi uygulamalarını keşfet.
• NVIDIA Jetson üzerinde DeepStream: DeepStream ve TensorRT kullanarak YOLO modellerini NVIDIA Jetson cihazlarında dağıtmak için hızlı başlangıç rehberi.
• Bir Bilgisayarlı Görü Projesinin Hedeflerini Belirleme: Bilgisayarlı görü projen için net ve ölçülebilir hedefleri nasıl etkili bir şekilde belirleyeceğini incele. İyi tanımlanmış bir problem ifadesinin önemini ve bunun projen için nasıl bir yol haritası oluşturduğunu öğren.
• Docker Hızlı Başlangıç: Ultralytics YOLO modellerini Docker ile kurmaya ve kullanmaya yönelik eksiksiz rehber. Docker'ı nasıl kuracağını, GPU desteğini nasıl yöneteceğini ve tutarlı geliştirme ve dağıtım için YOLO modellerini yalıtılmış kapsayıcılarda nasıl çalıştıracağını öğren.
• Raspberry Pi üzerinde Edge TPU: Google Edge TPU, Raspberry Pi üzerindeki 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 Aktar: Herhangi bir torch.nn.Module (timm, torchvision, özel) öğesini ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch ve TensorFlow SavedModel'e dönüştürmek için bağımsız Ultralytics dışa aktarma yardımcı programlarını kullan.
• Özel Verilerde YOLO İnce Ayarı: Önceden eğitilmiş ağırlıklarla özel veri kümeleri üzerinde YOLO26'ya ince ayar yapmaya yönelik eksiksiz rehber; transfer öğrenmeyi, katman dondurmayı, optimize edici seçimini, iki aşamalı eğitimi ve sorun gidermeyi kapsar.
• Hiperparametre Ayarı: Tuner sınıfını ve genetik evrim algoritmalarını kullanarak hiperparametreleri ince ayar yaparak YOLO modellerini nasıl optimize edeceğini keşfet.
• Model Değerlendirme ve İnce Ayar Hakkında İçgörüler: Bilgisayarlı görü modellerini değerlendirmek ve ince ayar yapmak için stratejiler ve en iyi uygulamalar hakkında içgörüler kazan. Optimal sonuçlara ulaşmak için modelleri iyileştirmenin yinelemeli süreci hakkında bilgi edin.
• Segmentasyon Nesnelerini Yalıtma: Ultralytics Segmentation 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 Modelinin Bakımı: Doğruluğu garanti etmek, anomalileri tespit etmek ve veri kaymasını (data drift) azaltmak için bilgisayarlı görü modellerini izlemenin, bakımını yapmanın ve belgelemenin temel uygulamalarını anla.
• Model Dağıtım Seçenekleri: Dağıtım stratejini belirlemek için her birinin artılarını ve eksilerini içeren ONNX, OpenVINO ve TensorRT gibi YOLO model dağıtım formatlarına genel bakış.
• Model YAML Yapılandırma Rehberi: Ultralytics model mimarisi tanımlarına 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 (padding) ve normalleştirme işlemlerini çalıştırarak CPU ön işleme darboğazlarını ortadan kaldır.
• NVIDIA DGX Spark: YOLO modellerini NVIDIA DGX Spark cihazlarında dağıtmak için hızlı başlangıç rehberi.
• NVIDIA Jetson: YOLO modellerini NVIDIA Jetson cihazlarında dağıtmak için hızlı başlangıç rehberi.
• OpenVINO Gecikme vs İş Hacmi Modları: Maksimum YOLO çıkarım performansı için gecikme ve iş hacmi optimizasyon tekniklerini öğren.
• Etiketli Verileri Ön İşleme: Normalleştirme, veri kümesi artırma (augmentation), bölme ve keşifsel veri analizi (EDA) dahil olmak üzere YOLO26 kullanarak bilgisayarlı görü projelerinde görüntü verilerini ön işlemeyi ve artırmayı öğren.
• Raspberry Pi: En güncel Raspberry Pi donanımında YOLO modellerini çalıştırmak için hızlı başlangıç öğreticisi.
• ROS Hızlı Başlangıç: 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 rehber.
• Bir Bilgisayarlı Görü Projesinin Adımları: Hedefleri belirleme, modelleri seçme, verileri hazırlama ve sonuçları değerlendirme dahil olmak üzere bir bilgisayarlı görü projesindeki temel adımları öğren.
• Model Eğitimi için İpuçları: Bilgisayarlı görü modelini eğitmeni kolaylaştırmak için yığın boyutlarını optimize etme, karma hassasiyet kullanma, önceden eğitilmiş ağırlıkları uygulama ve daha fazlası hakkında ipuçlarını keşfet.
• Triton Inference Server Entegrasyonu: Ölçeklenebilir ve verimli derin öğrenme çıkarım dağıtımları için Ultralytics YOLO26'nın NVIDIA'nın Triton Inference Server'ı ile entegrasyonuna dal.
• Docker ile Vertex AI Dağıtımı: YOLO modellerini Docker ile kapsayıcılaştırmak ve Google Cloud Vertex AI üzerinde dağıtmak için kolaylaştırılmış rehber; oluşturma, gönderme, otomatik ölçeklendirme ve izlemeyi kapsar.
• Çıkarım Görüntülerini Terminalde Görüntüle: Uzak Tünel veya SSH oturumları kullanırken çıkarım sonuçlarını görüntülemek için VSCode'un entegre terminalini kullan.
• YOLO26 Eğitim Tarifi: COCO üzerindeki resmi YOLO26 temel denetim noktalarını eğitmek için kullanılan hiperparametrelerin, artırma (augmentation) hatlarının ve optimize edici ayarlarının tam belgelenmesi; pratik ince ayar rehberliği ile birlikte.
• YOLO Ortak Sorunlar ⭐ ÖNERİLEN: Ultralytics YOLO modelleriyle çalışırken en sık karşılaşılan sorunlar için pratik çözümler ve sorun giderme ipuçları.
• YOLO Veri Artırma: Temel dönüşümlerden model dayanıklılığını ve performansını artırmaya yönelik ileri düzey stratejilere kadar YOLO'daki veri artırma tekniklerinin tamamında ustalaş.
• YOLO Performans Metrikleri ⭐ TEMEL: YOLO modellerinin performansını değerlendirmek için kullanılan mAP, IoU ve F1 skoru gibi temel metrikleri anla. Pratik örnekler ve algılama doğruluğunu ve hızını nasıl artıracağına dair ipuçları içerir.
• YOLO İş Parçacığı Güvenli Çıkarım: YOLO modelleri ile iş parçacığı güvenli (thread-safe) bir şekilde çıkarım yapmak için yönergeler. Yarış durumlarını (race conditions) önlemek ve tutarlı tahminler sağlamak için iş parçacığı güvenliğinin önemini ve en iyi uygulamaları öğren.

Rehberlerimize Katkıda Bulun

Topluluktan gelen katkıları memnuniyetle karşılıyoruz! Ultralytics YOLO'nun rehberlerimizde henüz ele alınmamış belirli bir yönünde ustalaştıysan, uzmanlığını paylaşmanı teşvik ediyoruz. Rehber yazmak, topluluğa geri vermenin ve belgelerimizi daha kapsamlı ve kullanıcı dostu hale getirmemize yardımcı olmanın harika bir yoludur.

Başlamak için lütfen nasıl Pull Request (PR) açılacağına dair yönergeler için Katkıda Bulunma Rehberimizi oku. Katkılarını bekliyoruz.

SSS

Ultralytics YOLO kullanarak özel bir nesne algılama modelini nasıl eğitebilirim?

Ultralytics YOLO ile özel bir nesne algılama modeli eğitmek çok basittir. Veri kümeni doğru formatta hazırlayarak ve Ultralytics paketini kurarak başla. Eğitimi başlatmak için aşağıdaki 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 formatlama ve ek seçenekler için Model Eğitimi için İpuçları rehberimize bak.

YOLO modelimi değerlendirmek için hangi performans metriklerini kullanmalıyım?

YOLO modelinin performansını değerlendirmek, etkinliğini anlamak için çok önemlidir. Temel metrikler arasında Mean Average Precision (mAP), Intersection over Union (IoU) ve F1 skoru bulunur. Bu metrikler, nesne algılama görevlerinin doğruluğunu ve hassasiyetini değerlendirmeye yardımcı olur. Bu metrikler hakkında daha fazla bilgiyi ve modelini nasıl geliştireceğini YOLO Performans Metrikleri rehberimizde bulabilirsin.

Bilgisayarlı görü projelerim için neden Ultralytics Platform kullanmalıyım?

Ultralytics Platform, YOLO modellerini yönetmeyi, eğitmeyi ve dağıtmayı basitleştiren kod gerektirmeyen bir platformdur. Sorunsuz entegrasyonu, gerçek zamanlı takibi ve bulut eğitimini destekler, bu da onu hem yeni başlayanlar hem de profesyoneller için ideal kılar. Özellikleri ve iş akışını nasıl kolaylaştırabileceği hakkında daha fazlasını Ultralytics Platform hızlı başlangıç rehberimizle keşfet.

YOLO model eğitimi sırasında karşılaşılan yaygın sorunlar nelerdir ve bunları nasıl çözebilirim?

YOLO model eğitimi sırasındaki yaygın sorunlar arasında veri formatlama hataları, model mimarisi uyuşmazlıkları ve yetersiz eğitim verisi bulunur. Bunları gidermek için veri kümenin doğru formatta olduğundan emin ol, uyumlu model sürümlerini kontrol et ve eğitim verilerini artır (augment). Kapsamlı bir çözüm listesi için YOLO Ortak Sorunlar rehberimize bak.

YOLO 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 rehberlerimizi izle. Bu rehberler kurulum, yapılandırma ve performans optimizasyonu boyunca sana rehberlik edecektir.