Ultralytics YOLO26 ile Örnek Segmentasyonu ve İzleme#
Örnek Segmentasyonu Nedir?#
Örnek segmentasyonu, görüntüdeki tek tek nesneleri piksel düzeyinde tanımlamayı ve ana hatlarını belirlemeyi içeren bir bilgisayarlı görü görevidir. Pikselleri yalnızca kategorilere göre sınıflandıran anlamsal segmentasyondan farklı olarak örnek segmentasyonu, her nesne örneğini benzersiz biçimde etiketler ve sınırlarını kesin olarak belirler. Bu özellik, tıbbi görüntüleme, otonom sürüş ve endüstriyel otomasyon gibi ayrıntılı mekânsal anlayış gerektiren uygulamalar için kritik önem taşır.
Ultralytics YOLO26, YOLO modellerinin bilinen hız ve verimliliğini korurken nesne sınırlarını hassas biçimde algılamayı sağlayan güçlü örnek segmentasyonu özellikleri sunar.
Ultralytics paketinde iki tür örnek segmentasyonu izleme yöntemi kullanılabilir:
-
Sınıf Nesneleriyle Örnek Segmentasyonu: Görsel ayrımı belirginleştirmek için her sınıf nesnesine benzersiz bir renk atanır.
-
Nesne İzleriyle Örnek Segmentasyonu: Her iz farklı bir renkle gösterilir; böylece nesneleri video kareleri boyunca kolayca tanımlayıp izleyebilirsin.
İzle: Ultralytics YOLO26 ile Nesne Takibi Kullanarak Örnek Segmentasyonu
Örnekler#
| Örnek Segmentasyonu | Örnek Segmentasyonu + Nesne İzleme |
|---|---|
 |  |
| Ultralytics Örnek Segmentasyonu 😍 | Ultralytics ile Nesne İzlemeli Örnek Segmentasyonu 🔥 |
YOLO26 ile Segmentasyon ve İzleme#
InstanceSegmentation çözümü, her karede bir YOLO26 segmentasyon modeli çalıştırır, her nesne için maskeler çizer ve bir video boyunca tek tek nesneleri takip edebilmen için her örneği ayrı renklendirir. Bir -seg modeli yükle, ardından Python API'si veya CLI ile kaynak üzerinde çalıştır.
# Instance segmentation using Ultralytics YOLO26
yolo solutions isegment show=True
# Pass a source video
yolo solutions isegment source="path/to/video.mp4"
# Monitor the specific classes
yolo solutions isegment classes="[0, 5]"InstanceSegmentation Bağımsız Değişkenleri#
Aşağıda InstanceSegmentation bağımsız değişkenlerini içeren bir tablo bulabilirsin:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Ultralytics YOLO model dosyasının yolu. |
line_width | int | 2 | Çözümün çizdiği kutular, anahtar noktalar ve sayılar için çizgi kalınlığı. |
verbose | bool | True | Çözümün her kare için girdi şekli, sınıf sayıları ve işleme hızına ilişkin günlüğünü etkinleştirir. İzleme çağrısının kendisi her zaman sessizdir. |
InstanceSegmentation çözümünde track bağımsız değişkenlerinden de yararlanabilirsin:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Kullanılacak izleme algoritmasını belirtir. Yerleşik seçenekler: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Algılamalar için güven eşiğini belirler; düşük değerler daha fazla nesnenin izlenmesine olanak tanır ancak yanlış pozitifleri de içerebilir. |
iou | float | 0.7 | Çakışan algılamaları filtrelemek için Kesişim-Birleşim Oranı (IoU) eşiğini belirler. |
classes | list | None | Sonuçları sınıf dizinine göre filtreler. Örneğin, classes=[0, 2, 3] yalnızca belirtilen sınıfları izler. |
device | str | None | Çıkarım için kullanılacak cihazı belirtir (ör. cpu, cuda:0 veya 0). Kullanıcıların model yürütme için CPU, belirli bir GPU veya başka hesaplama cihazları arasında seçim yapmasına olanak tanır. |
imgsz | int or tuple | 640 | Hedef çıkarım görüntü boyutu: kare görüntüler için bir tam sayı veya bir (height, width) çifti. Boyutlar model adım değerine göre ayarlanır. |
max_det | int | 300 | Yoğun sahnelerde bir çözümün işleyeceği nesne sayısını sınırlamak için izleme öncesinde kare başına tutulan en yüksek algılama sayısı. |
quantize | int or str | None | Çıkarım hassasiyeti: PyTorch ve TorchScript modellerinde 16 (FP16) veya 32/ayarlanmamış (FP32); diğer biçimlerde hesaplama, yapıtın ve çalışma zamanının seçtiği hassasiyetle yapılır. Kullanımdan kaldırılan half bayrağının yerine geçer. |
Ayrıca aşağıdaki görselleştirme bağımsız değişkenleri kullanılabilir:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | True ise açıklama eklenmiş görüntüleri veya videoları bir pencerede gösterir. Geliştirme veya test sırasında anında görsel geri bildirim almak için kullanışlıdır. |
show_conf | bool | True | Her algılamanın güven puanını etiketinin yanında gösterir. Modelin her algılamaya ne kadar güvendiğini görmeni sağlar. |
show_labels | bool | True | Görsel çıktıda her algılama için etiketleri gösterir. Algılanan nesnelerin hemen anlaşılmasını sağlar. |
show_boxes | bool | True | Algılanan nesnelerin çevresine sınırlayıcı kutular çizer. Görüntülerde veya video karelerinde nesneleri görsel olarak tanımlamak ve konumlarını belirlemek için gereklidir. |
Örnek Segmentasyonu Uygulamaları#
YOLO26 ile örnek segmentasyonu, çeşitli sektörlerde çok sayıda gerçek dünya uygulamasına sahiptir:
Atık Yönetimi ve Geri Dönüşüm#
YOLO26, farklı malzeme türlerini tanımlamak ve ayırmak için atık yönetim tesislerinde kullanılabilir. Model; plastik atıkları, kartonu, metali ve geri dönüştürülebilir diğer malzemeleri yüksek hassasiyetle segmente ederek otomatik ayrıştırma sistemlerinin atıkları daha verimli işlemesini sağlar. Dünya genelinde üretilen 7 milyar ton plastik atığın yalnızca yaklaşık %10'unun geri dönüştürüldüğü düşünüldüğünde bu özellikle değerlidir.
Otonom Araçlar#
Otonom araçlarda örnek segmentasyonu; yayaları, araçları, trafik işaretlerini ve yolun diğer unsurlarını piksel düzeyinde tanımlayıp izlemeye yardımcı olur. Çevrenin bu hassas biçimde anlaşılması, seyrüsefer ve güvenlik kararları açısından kritik önemdedir. YOLO26'nın gerçek zamanlı performansı, onu zamanlamanın kritik olduğu bu uygulamalar için ideal kılar.
Tıbbi Görüntüleme#
Örnek segmentasyonu, tıbbi taramalardaki tümörleri, organları veya hücresel yapıları tanımlayıp sınırlarını belirleyebilir. YOLO26'nın nesne sınırlarını hassas biçimde belirleme yeteneği, onu tıbbi tanılama ve tedavi planlaması için değerli kılar.
Şantiye İzleme#
Şantiyelerde örnek segmentasyonu ağır iş makinelerini, çalışanları ve malzemeleri izleyebilir. Ekipman konumlarını izleyip çalışanların tehlikeli bölgelere girdiğini algılayarak güvenliğin sağlanmasına, aynı zamanda iş akışının ve kaynak tahsisinin iyileştirilmesine yardımcı olur.
Sık Sorulan Sorular#
Ultralytics YOLO26 ile örnek segmentasyonu yapmak için YOLO26'nın segmentasyon sürümünü kullanarak YOLO modelini başlat ve video karelerini modelden geçir. Basitleştirilmiş bir kod örneği:
import cv2 from ultralytics import solutions cap = cv2.VideoCapture("path/to/video.mp4") assert cap.isOpened(), "Error reading video file" # Video yazıcısı w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS)) video_writer = cv2.VideoWriter("instance-segmentation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h)) # ÖrnekSegmentasyonuBaşlat isegment = solutions.InstanceSegmentation( show=True, # çıktıyı görüntüle model="yolo26n-seg.pt", # YOLO26 ile nesne segmentasyonu için model="yolo26n-seg.pt". ) # Videoyu işle while cap.isOpened(): success, im0 = cap.read() if not success: print("Video frame is empty or processing is complete.") break results = isegment(im0) video_writer.write(results.plot_im) cap.release() video_writer.release() cv2.destroyAllWindows()Örnek segmentasyonu hakkında Ultralytics YOLO26 kılavuzunda daha fazla bilgi edin.
Örnek segmentasyonu, bir görüntüdeki tek tek nesneleri tanımlar ve sınırlarını belirler; her nesneye benzersiz bir etiket ve maske verir. Nesne izleme ise video kareleri boyunca nesnelere tutarlı kimlikler atayarak bunu genişletir ve aynı nesnelerin zaman içindeki kesintisiz takibini sağlar. YOLO26'nın uygulamasında olduğu gibi bu iki yöntemi birleştirdiğinde, hassas sınır bilgilerini korurken videolardaki nesne hareketlerini ve davranışlarını analiz etmek için güçlü özellikler elde edersin.
Ultralytics YOLO26, Mask R-CNN veya Faster R-CNN gibi diğer modellere kıyasla gerçek zamanlı performans, üstün doğruluk ve kullanım kolaylığı sunar. YOLO26, görüntüleri tek geçişte işler (tek aşamalı algılama); böylece yüksek hassasiyeti korurken çok daha hızlı çalışır. Ayrıca Ultralytics Platform ile sorunsuz entegrasyon sunarak kullanıcıların modelleri, veri kümelerini ve eğitim işlem hatlarını verimli biçimde yönetmesini sağlar. Hem hız hem doğruluk gerektiren uygulamalarda YOLO26 ideal bir denge sunar.
Evet, Ultralytics örnek segmentasyonu için YOLO26 modellerini eğitmeye uygun çeşitli veri kümeleri sunar. Bunlar arasında COCO-Seg, COCO8-Seg (hızlı test için daha küçük bir alt küme), Package-Seg ve Crack-Seg bulunur. Bu veri kümeleri, örnek segmentasyonu görevleri için gereken piksel düzeyinde açıklamalarla birlikte gelir. Daha özel uygulamalar için Ultralytics biçimini izleyerek özel veri kümeleri de oluşturabilirsin. Veri kümeleriyle ilgili tüm bilgilere ve kullanım talimatlarına Ultralytics Veri Kümeleri belgelerinden ulaşabilirsin.