Ultralytics YOLO27:
Get Started

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 kurulu YOLO, gerçek zamanlı nesne algılama görevlerindeki olağanüstü hızı ve doğruluğuyla öne çıkar.

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



İzle: Ultralytics YOLO26 Kılavuzlarına Genel Bakış

Kılavuzlar#

Kılavuzlar, proje aşamasına göre gruplandırılmıştır — ortam kurulumundan ve veri hazırlığından eğitime, değerlendirmeye, dağıtıma, çıkarım optimizasyonuna ve uç donanıma kadar — böylece üzerinde çalıştığın adıma doğrudan geçebilirsin.

Başla ve planla#

  • Conda Hızlı Başlangıç: Ultralytics için bir Conda ortamı kurmaya yönelik adım adım kılavuz. Ultralytics paketini Conda ile verimli şekilde nasıl yükleyip kullanmaya başlayacağını öğren.
  • Docker Hızlı Başlangıç: Ultralytics YOLO modellerini Docker ile kurmaya ve kullanmaya yönelik kapsamlı kılavuz. Docker'ı nasıl yükleyeceğini, GPU desteğini nasıl yöneteceğini ve tutarlı geliştirme ve dağıtım için YOLO modellerini yalıtılmış kapsayıcılarda nasıl çalıştıracağını öğren.
  • AzureML Hızlı Başlangıç: Ultralytics YOLO modellerini Microsoft'un Azure Makine Öğrenimi platformunda kullanmaya başla. Nesne algılama projelerini bulutta nasıl eğiteceğini, dağıtacağını ve ölçeklendireceğini öğren.
  • Modal Hızlı Başlangıç: Ultralytics YOLO26'yı Modal'ın sunucusuz bulut platformunda çalıştır; kimlik doğrulama, GPU çıkarımı ve kalıcı depolama kullanan eğitim işlerini ele al — yönetmen gereken bir altyapı yok.
  • Bir Bilgisayarlı Görü Projesinin Hedeflerini Belirleme: Bilgisayarlı görü projen için net ve ölçülebilir hedefleri etkili bir şekilde nasıl belirleyeceğini adım adım incele. İyi tanımlanmış bir problem ifadesinin önemini ve projen için nasıl bir yol haritası oluşturduğunu öğren.
  • Bir Bilgisayarlı Görü Projesinin Aşamaları: Hedef belirleme, model seçimi, veri hazırlama ve sonuçları değerlendirme dahil, bilgisayarlı görü projesinin temel aşamalarını öğren.
  • YOLO Mimarisi Açıklaması: YOLO mimarisinin YOLOv3'ten YOLO26'ya omurga, boyun ve algılama başlığı boyunca nasıl evrildiğini izle; C2f, C3k2, C2PSA attention, anchorsız ve NMS'siz tasarımı kapsar.

Verilerini hazırla#

  • Veri Toplama ve Etiketleme: Bilgisayarlı görü modellerin için yüksek kaliteli girdiler oluşturacak verileri toplamaya ve etiketlemeye yönelik araçları, teknikleri ve en iyi uygulamaları keşfet.
  • Etiketlenmiş Verileri Ön İşleme: Görüntü boyutlandırma, normalleştirme, veri kümesini bölme, veri artırma ve keşifsel veri analizi (EDA) dahil, 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 tekniklerini öğren.
  • COCO'dan YOLO'ya Dönüştürme: Eğitim için COCO JSON ek açıklamalarını YOLO biçimine dönüştürmeye yönelik kapsamlı kılavuz. Sınıf kimliği eşlemesi ve yaygın dönüştürme sorunları dahil, algılama, segmentasyon ve kilit noktaları kapsar.
  • COCO JSON ile Eğitim: Özel bir veri kümesi sınıfı ve eğitici kullanarak, COCO JSON ek açıklamaları üzerinde YOLO biçimine dönüştürme yapmadan doğrudan YOLO'yu eğit.

Eğit ve ince ayar yap#

  • Model Eğitimi İçin İpuçları: Bilgisayarlı görü modelini eğitmeyi kolaylaştırmak için toplu iş boyutlarını optimize etme, karma duyarlılığı kullanma, önceden eğitilmiş ağırlıkları uygulama ve daha fazlasına ilişkin ipuçlarını keşfet.
  • Özel Verilerle YOLO'ya İnce Ayar Yapma: Önceden eğitilmiş ağırlıklarla özel veri kümelerinde YOLO26'ya ince ayar yapmaya yönelik kapsamlı kılavuz; aktarım öğrenmesini, katmanları dondurmayı, optimizer seçimini, iki aşamalı eğitimi ve sorun gidermeyi kapsar.
  • YOLO26 Eğitim Tarifi: COCO üzerinde resmî YOLO26 temel kontrol noktalarını eğitmek için kullanılan hiperparametrelerin, artırma işlem hatlarının ve optimizer ayarlarının eksiksiz belgeleri; pratik ince ayar önerileri de içerir.
  • 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 daha büyük bir öğretmen modelden daha küçük bir öğrenci modele bilgi aktarımıyla model performansını nasıl artıracağını öğren.
  • K-Katlı Çapraz Doğrulama: K-Katlı çapraz doğrulama tekniğiyle model genellemesini nasıl artıracağını öğren.
  • Eğiticiyi Özelleştirme: Özel metrikleri günlüğe kaydetmek, sınıf ağırlıklı kayıp eklemek, model kaydetmeyi özelleştirmek, omurgayı dondurmak/dondurmayı kaldırmak ve katman başına öğrenme oranları ayarlamak için YOLO eğiticisinin alt sınıfını oluşturmayı öğren.
  • Model YAML Yapılandırma Kılavuzu: Ultralytics model mimarisi tanımlarına kapsamlı bir bakış. YAML biçimini keşfet, modül çözümleme sistemini anla ve özel modülleri sorunsuz biçimde entegre etmeyi 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 artıracağına ilişkin pratik örnekler ve ipuçları içerir.
  • Model Değerlendirme ve İnce Ayar Üzerine İçgörüler: Bilgisayarlı görü modellerini mAP ve IoU gibi metriklerle değerlendir, ardından algılama doğruluğunu artırmak için metriklerin ortaya koyduğu bulgular doğrultusunda harekete geç.
  • Model Testi: Bilgisayarlı görü modellerini daha önce görülmemiş verilerle nasıl test edeceğini, YOLO26 modellerini nasıl doğrulayacağını ve dağıtımdan önce aşırı öğrenmeyi, yetersiz öğrenmeyi ve veri sızıntısını nasıl saptayacağını öğren.
  • Yaygın YOLO Sorunları ⭐ ÖNERİLEN: Ultralytics YOLO modelleriyle çalışırken en sık karşılaşılan sorunlara yönelik pratik çözümler ve sorun giderme ipuçları.
  • Bilgisayarlı Görü Modelini Sürdürme: Doğruluğu korumak, anormallikleri fark etmek ve veri kaymasını azaltmak için bilgisayarlı görü modellerini izleme, sürdürme ve belgeleme konusundaki temel uygulamaları öğren.

Dağıt ve sun#

  • Model Dağıtım Seçenekleri: ONNX, OpenVINO ve TensorRT gibi YOLO model dağıtım biçimlerine genel bakış ve dağıtım stratejini belirlemene yardımcı olacak her birinin artıları ve eksileri.
  • Model Dağıtımı İçin En İyi Uygulamalar: Bilgisayarlı görü projelerinde modelleri verimli şekilde dağıtmaya yönelik ipuçlarını ve en iyi uygulamaları adım adım incele; optimizasyona, sorun gidermeye ve güvenliğe odaklan.
  • YOLO Dışı Modelleri Dışa Aktarma: Herhangi bir torch.nn.Module (timm, torchvision, özel) modelini TorchScript, ONNX, OpenVINO, CoreML, Core AI, TensorFlow SavedModel, PaddlePaddle, MNN, NCNN ve ExecuTorch biçimlerine dönüştürmek için Ultralytics bağımsız dışa aktarma yardımcı programlarını kullan.
  • Uçtan Uca Algılama: NMS veya NMS'siz çıkarımı seç, çıktı biçimlerini ve dışa aktarma 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 ile İş Parçacığı Güvenli Çıkarım: YOLO modelleriyle iş parçacığı güvenli biçimde çıkarım gerçekleştirme yönergeleri. İş parçacığı güvenliğinin önemini, yarış koşullarını önlemeye ve tutarlı tahminler sağlamaya yönelik en iyi uygulamaları öğren.
  • ROS Hızlı Başlangıç: Nokta Bulutu ve Derinlik görüntüleri dahil, robotik uygulamalarında gerçek zamanlı nesne algılama için YOLO'yu Robot İşletim Sistemi (ROS) ile entegre etmeyi öğren.
  • Docker ile Vertex AI Dağıtımı: YOLO modellerini Docker ile kapsayıcılaştırıp Google Cloud Vertex AI üzerinde dağıtmaya yönelik basitleştirilmiş kılavuz — derleme, gönderme, otomatik ölçeklendirme ve izlemeyi kapsar.

Çıkarımı optimize et#

  • SAHI Döşemeli Çıkarım: Yüksek çözünürlüklü görüntülerde nesne algılama için SAHI'nin YOLO26 ile dilimlenmiş çıkarım özelliklerinden yararlanmaya yönelik kapsamlı kılavuz.
  • OpenVINO Gecikme ve Verim Modları: En yüksek YOLO çıkarım performansı için gecikme ve verim optimizasyonu tekniklerini öğren.
  • NVIDIA DALI GPU Ön İşleme: NVIDIA DALI kullanarak YOLO letterbox yeniden boyutlandırma, dolgu ve normalleştirme işlemlerini GPU'da çalıştırarak CPU ön işleme darboğazlarını ortadan kaldır; Triton Inference Server entegrasyonunu da kapsar.
  • Segmentasyon Nesnelerini Ayırma: Ultralytics Segmentasyon'u kullanarak görüntülerden nesneleri çıkarmayı ve/veya ayırmayı adım adım açıklayan tarif.
  • 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'de 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'de DL Streamer: DL Streamer ve OpenVINO™ kullanarak YOLO26 modellerini Intel Core Ultra Series 3 cihazlarında dağıtmaya yönelik hızlı başlangıç kılavuzu.

Kılavuzlarımıza katkıda bulun#

Topluluktan katkıları memnuniyetle karşılıyoruz! Ultralytics YOLO'nun kılavuzlarımızda henüz ele alınmayan belirli bir alanında uzmanlaştıysan, deneyimini paylaşmanı öneririz. Kılavuz yazmak, topluluğa katkıda bulunmanın ve belgelerimizi daha kapsamlı ve kullanıcı dostu hâle getirmemize yardımcı olmanın harika bir yoludur.

Başlamak için Pull Request (PR) açma yönergeleri için lütfen Katkıda Bulunma Kılavuzumuzu oku. Yeni bir kılavuz eklerken, proje aşamasına uyan yukarıdaki kategoriye yerleştir ve koleksiyon büyüdükçe kolayca göz atılabilir kalması için tek bir sayfa türüyle sınırla — adım adım bir eğitim, belirli bir göreve odaklanan bir nasıl yapılır kılavuzu veya bir başvuru kaynağı. Katkılarını bekliyoruz.

Sık Sorulan Sorular#

  • Ultralytics YOLO ile özel bir nesne algılama modeli eğitmek kolaydır. Veri kümeni doğru biçimde hazırlayıp Ultralytics paketini yükleyerek başla. Eğitimi başlatmak için aşağıdaki kodu kullan:

    Örnek
    from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir YOLO modeli yükle
model.train(data="path/to/dataset.yaml", epochs=50)  # Özel veri kümesinde eğit

    Ayrıntılı veri kümesi biçimlendirme bilgileri ve ek seçenekler için Model Eğitimi İçin İpuçları kılavuzumuza bak.

  • YOLO modelinin performansını değerlendirmek, etkinliğini anlamak açısından çok önemlidir. Temel metrikler arasında Ortalama Ortalama Kesinlik (mAP), Kesişim-Birleşim (IoU) ve F1 skoru yer alır. Bu metrikler, nesne algılama görevlerinin doğruluğunu ve kesinliğini değerlendirmeye yardımcı olur. Bu metrikler ve modelini nasıl geliştireceğin hakkında daha fazla bilgi için YOLO Performans Metrikleri kılavuzumuza göz atabilirsin.

  • Ultralytics Platform, YOLO modellerini yönetmeyi, eğitmeyi ve dağıtmayı kolaylaştıran kodsuz bir platformdur. Sorunsuz entegrasyon, gerçek zamanlı izleme ve bulutta eğitim desteği sayesinde hem yeni başlayanlar hem de profesyoneller için idealdir. Özellikleri ve iş akışını nasıl kolaylaştırabileceği hakkında daha fazla bilgi edinmek için Ultralytics Platform hızlı başlangıç kılavuzumuza göz at.

  • YOLO modeli 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. Çözümlerin kapsamlı listesi için Yaygın YOLO Sorunları kılavuzumuza bak.

  • YOLO modellerini NVIDIA Jetson ve Raspberry Pi gibi uç cihazlara dağıtmak için modeli TensorRT veya LiteRT gibi uyumlu bir biçime dönüştürmen gerekir. Uç donanımda gerçek zamanlı nesne algılamaya başlamak için NVIDIA Jetson ve Raspberry Pi dağıtım kılavuzlarımızı adım adım izle. Bu kılavuzlarda yükleme, yapılandırma ve performans optimizasyonu adımları anlatılır.

Katkıda Bulunanlar
GLglenn-jocher24RAraimbekovm16RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3AMambitious-octopus2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

Yorumlar