Link to this sectionUltralytics YOLO26 Kullanarak Örnek Segmentasyonu ve Takibi 🚀#

Link to this sectionÖrnek Segmentasyonu Nedir?#

Örnek segmentasyonu, bir görüntüdeki bireysel nesneleri piksel düzeyinde tanımlamayı ve ana hatlarını çizmeyi içeren bir bilgisayarlı görü görevidir. Pikselleri yalnızca kategoriye göre sınıflandıran anlamsal segmentasyonun aksine, örnek segmentasyonu her nesne örneğini benzersiz şekilde etiketler ve hassas bir şekilde çizer; bu da tıbbi görüntüleme, otonom sürüş ve endüstriyel otomasyon gibi ayrıntılı uzamsal anlayış gerektiren uygulamalar için onu kritik hale getirir.

Ultralytics YOLO26, YOLO modellerinin bilinen hız ve verimliliğini korurken hassas nesne sınırı algılama sağlayan güçlü örnek segmentasyonu yetenekleri sunar.

Ultralytics paketinde mevcut olan iki tür örnek segmentasyonu takibi vardır:

• Sınıf Nesneleri ile Örnek Segmentasyonu: Her sınıf nesnesine net bir görsel ayrım için benzersiz bir renk atanır.

• Nesne İzleri ile Örnek Segmentasyonu: Her iz, video kareleri boyunca kolay tanımlama ve takibi kolaylaştıran belirgin bir renkle temsil edilir.

Link to this sectionÖrnekler#

Örnek Bölütleme	Örnek Segmentasyonu + Nesne Takibi
Ultralytics Örnek Segmentasyonu 😍	Nesne Takibi ile Ultralytics Örnek Segmentasyonu 🔥

# 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]"

Link to this sectionInstanceSegmentation Argümanları#

İşte InstanceSegmentation argümanlarını içeren bir tablo:

You can also take advantage of track arguments within the InstanceSegmentation solution:

Üstelik, aşağıdaki görselleştirme argümanları da mevcuttur:

Link to this sectionÖrnek Segmentasyonu Uygulamaları#

YOLO26 ile örnek segmentasyonunun çeşitli endüstrilerde birçok gerçek dünya uygulaması vardır:

Link to this sectionAtık Yönetimi ve Geri Dönüşüm#

YOLO26, farklı malzeme türlerini tanımlamak ve sınıflandırmak için atık yönetimi tesislerinde kullanılabilir. Model, plastik atıkları, kartonu, metali ve diğer geri dönüştürülebilir malzemeleri yüksek hassasiyetle segmentlere ayırabilir ve böylece otomatik sınıflandırma sistemlerinin atıkları daha verimli işlemesini sağlar. Bu, küresel olarak üretilen 7 milyar ton plastik atığın sadece yaklaşık %10'unun geri dönüştürüldüğü göz önüne alındığında özellikle değerlidir.

Link to this sectionOtonom Araçlar#

Sürücüsüz arabalarda, örnek segmentasyonu yayaları, araçları, trafik işaretlerini ve diğer yol unsurlarını piksel düzeyinde tanımlamaya ve izlemeye yardımcı olur. Çevrenin bu hassas şekilde anlaşılması, navigasyon ve güvenlik kararları için kritiktir. YOLO26'nın gerçek zamanlı performansı, onu bu zaman açısından kritik uygulamalar için ideal hale getirir.

Link to this sectionTıbbi Görüntüleme#

Örnek segmentasyonu, tıbbi taramalarda tümörleri, organları veya hücresel yapıları tanımlayabilir ve ana hatlarını çizebilir. YOLO26'nın nesne sınırlarını hassas bir şekilde çizme yeteneği, onu tıbbi teşhis ve tedavi planlaması için değerli kılar.

Link to this sectionŞantiye İzleme#

Şantiyelerde, örnek segmentasyonu ağır makineleri, işçileri ve malzemeleri takip edebilir. Bu, ekipman konumlarını izleyerek ve işçilerin tehlikeli alanlara girdiği anları tespit ederek güvenliği sağlamaya yardımcı olurken, aynı zamanda iş akışını ve kaynak tahsisini optimize eder.

Link to this sectionNot#

Soruların için, Ultralytics Sorun Bölümü veya aşağıda belirtilen tartışma bölümünde sorularını paylaşmaktan çekinme.

Link to this sectionSSS#

Link to this sectionUltralytics YOLO26 kullanarak nasıl örnek segmentasyonu yapabilirim?#

Ultralytics YOLO26 kullanarak örnek segmentasyonu yapmak için, YOLO modelini YOLO26'nın segmentasyon sürümü ile başlat ve video karelerini bu modelden geçir. İşte 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 writer
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))

# Init InstanceSegmentation
isegment = solutions.InstanceSegmentation(
    show=True,  # display the output
    model="yolo26n-seg.pt",  # model="yolo26n-seg.pt" for object segmentation using YOLO26.
)

# Process video
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 daha fazla bilgiyi Ultralytics YOLO26 kılavuzunda bulabilirsin.

Link to this sectionUltralytics YOLO26'da örnek segmentasyonu ile nesne takibi arasındaki fark nedir?#

Örnek segmentasyonu, bir görüntüdeki bireysel nesneleri tanımlar ve ana hatlarını çizer, her nesneye benzersiz bir etiket ve maske verir. Nesne takibi, bunu video kareleri boyunca nesnelere tutarlı kimlikler atayarak genişletir ve aynı nesnelerin zaman içinde sürekli izlenmesini kolaylaştırır. YOLO26'nın uygulamasında olduğu gibi birleştirildiğinde, kesin sınır bilgilerini korurken videolardaki nesne hareketini ve davranışını analiz etmek için güçlü yeteneklere sahip olursun.

Link to this sectionNeden Mask R-CNN veya Faster R-CNN gibi diğer modeller yerine örnek segmentasyonu ve takibi için Ultralytics YOLO26 kullanmalıyım?#

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 (tek aşamalı algılama) işler, bu da onu yüksek hassasiyeti korurken önemli ölçüde daha hızlı hale getirir. Ayrıca, kullanıcıların modelleri, veri setlerini ve eğitim hatlarını verimli bir şekilde yönetmelerine olanak tanıyan Ultralytics Platform ile sorunsuz entegrasyon sağlar. Hem hız hem de doğruluk gerektiren uygulamalar için YOLO26 en uygun dengeyi sağlar.

Link to this sectionUltralytics tarafından sağlanan, örnek segmentasyonu ve takibi için YOLO26 modellerini eğitmeye uygun herhangi bir veri seti var mı?#

Evet, Ultralytics, COCO-Seg, COCO8-Seg (hızlı test için daha küçük bir alt küme), Package-Seg ve Crack-Seg dahil olmak üzere YOLO26 modellerini örnek segmentasyonu için eğitmeye uygun çeşitli veri setleri sunar. Bu veri setleri, örnek segmentasyonu görevleri için gereken piksel düzeyinde açıklamalarla birlikte gelir. Daha özel uygulamalar için, Ultralytics formatını izleyen özel veri setleri de oluşturabilirsin. Tam veri seti bilgileri ve kullanım talimatları Ultralytics Veri Setleri belgelerinde bulunabilir.