Ultralytics YOLO26 ile Örnek Bölütleme ve Takip#
Örnek Segmentasyonu Nedir?#
Örnek segmentasyonu, bir görüntüdeki bağımsız nesneleri piksel düzeyinde tanımlamayı ve ana hatlarını çıkarmayı içeren bir bilgisayarlı görü görevidir. Yalnızca pikselleri kategorilerine göre sınıflandıran semantik segmentasyonun aksine örnek segmentasyonu, her nesne örneğini benzersiz biçimde etiketler ve kesin olarak sınırlandırır; bu da tıbbi görüntüleme, otonom sürüş ve endüstriyel otomasyon gibi ayrıntılı uzamsal anlayış gerektiren uygulamalar için onu kritik hâle getirir.
Ultralytics YOLO26, YOLO modellerinin bilinen hızını ve verimliliğini korurken hassas nesne sınırı algılamayı mümkün kılan güçlü örnek segmentasyonu yetenekleri sunar.
Ultralytics paketinde kullanılabilen iki tür örnek segmentasyonu takibi vardır:
-
Sınıf Nesneleriyle Örnek Segmentasyonu: Görsel ayrımı netleştirmek için her sınıf nesnesine benzersiz bir renk atanır.
-
Nesne İzleriyle Örnek Segmentasyonu: Video kareleri boyunca kolay tanımlama ve takip sağlamak için her iz farklı bir renkle gösterilir.
Watch: Instance Segmentation with Object Tracking using Ultralytics YOLO26
Örnekler#
| Örnek Segmentasyonu | Örnek Segmentasyonu + Nesne Takibi |
|---|---|
 |  |
| Ultralytics Örnek Segmentasyonu 😍 | Nesne Takibiyle Ultralytics Örnek Segmentasyonu 🔥 |
YOLO26 ile Segmentasyon ve Takip#
InstanceSegmentation çözümü her karede bir YOLO26 segmentasyon modeli çalıştırır, nesne başına maskeler çizer ve bir video boyunca bağımsız nesneleri takip edebilmen için her örneği ayrı bir renkle gösterir. Bir -seg modeli yükle, ardından Python API veya CLI ile kaynağın 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#
InstanceSegmentation bağımsız değişkenlerini içeren tablo aşağıda verilmiştir:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Bir Ultralytics YOLO model dosyasının yolu. |
line_width | int | 2 | Çözümün çizdiği kutular, kilit noktaları ve sayılar için çizgi kalınlığı. |
verbose | bool | True | Çözümün kare başına giriş şeklini, sınıf sayılarını ve işlem hızını kaydetmesini etkinleştirir. Takip çağrısı her zaman sessizdir. |
InstanceSegmentation çözümünde track argümanlarından da yararlanabilirsin:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Kullanılacak takip 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; daha düşük değerler daha fazla nesnenin takip edilmesine olanak tanır ancak yanlış pozitifler içerebilir. |
iou | float | 0.7 | Örtüşen algılamaları filtrelemek için Birleşim Üzerindeki Kesişim (IoU) eşiğini belirler. |
classes | list | None | Sonuçları sınıf dizinine göre filtreler. Örneğin, classes=[0, 2, 3] yalnızca belirtilen sınıfları takip eder. |
device | str | None | Çıkarım için cihazı belirtir (ör. cpu, cuda:0 veya 0). Kullanıcıların model çalıştırma işlemi için CPU, belirli bir GPU veya diğer hesaplama cihazları arasında seçim yapmasına olanak tanır. |
imgsz | int or tuple | 640 | Hedef çıkarım görüntü boyutu: kare için bir tamsayı veya bir (height, width) çifti. Şekiller model adımına göre ayarlanır. |
max_det | int | 300 | İzlemeden önce kare başına tutulan maksimum algılama sayısı; yoğun sahnelerde bir çözümün işlediği nesneleri sınırlar. |
quantize | int or str | None | Çıkarım hassasiyeti: PyTorch ve TorchScript modelleri için 16 (FP16) veya 32/ayarlanmamış (FP32); diğer formatlar, yapılarının ve çalışma zamanının seçtiği hassasiyette hesaplama yapar. Kullanımdan kaldırılan half bayrağının yerini alır. |
Ayrıca aşağıdaki görselleştirme bağımsız değişkenleri kullanılabilir:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | True olduğunda açıklamalı görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim almak için kullanışlıdır. |
show_conf | bool | True | Her algılamanın güven skorunu etiketin yanında görüntüler. Modelin her algılamaya ilişkin kesinliği hakkında fikir verir. |
show_labels | bool | True | Görsel çıktıda her algılama için etiketleri görüntüler. Algılanan nesnelerin hemen anlaşılmasını sağlar. |
show_boxes | bool | True | Algılanan nesnelerin çevresine sınırlayıcı kutular çizer. Görüntülerde veya video karelerinde nesneleri görsel olarak tanımlamak ve konumlandırmak için gereklidir. |
Örnek Segmentasyonu Uygulamaları#
YOLO26 ile örnek segmentasyonunun çeşitli sektörlerde çok sayıda gerçek dünya uygulaması vardır:
Atık Yönetimi ve Geri Dönüşüm#
YOLO26, farklı malzeme türlerini tanımlamak ve ayırmak için atık yönetimi tesislerinde kullanılabilir. Model, plastik atıkları, kartonu, metali ve diğer geri dönüştürülebilir malzemeleri yüksek hassasiyetle segmentlere ayırarak otomatik ayırma sistemlerinin atıkları daha verimli işlemesini sağlar. Küresel olarak 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 diğer yol unsurlarını piksel düzeyinde tanımlamaya ve takip etmeye yardımcı olur. Çevrenin bu hassas biçimde anlaşılması, navigasyon ve güvenlik kararları için kritik öneme sahiptir. YOLO26'nın gerçek zamanlı performansı, onu zaman hassasiyetinin önemli olduğu bu uygulamalar için ideal hâle getirir.
Tıbbi Görüntüleme#
Örnek segmentasyonu, tıbbi taramalardaki tümörleri, organları veya hücresel yapıları tanımlayıp ana hatlarını çıkarabilir. YOLO26'nın nesne sınırlarını hassas biçimde belirleme yeteneği, onu tıbbi tanı ve tedavi planlaması için değerli kılar.
Şantiye İzleme#
Şantiyelerde örnek segmentasyonu ağır makineleri, çalışanları ve malzemeleri takip edebilir. Bu, ekipman konumlarını izleyip çalışanların tehlikeli alanlara ne zaman girdiğini algılayarak güvenliği sağlamaya yardımcı olurken iş akışını ve kaynak tahsisini de optimize eder.
SSS#
Ultralytics YOLO26 kullanarak örnek segmentasyonu gerçekleştirmek için YOLO modelini YOLO26'nın bir segmentasyon sürümüyle başlat ve video karelerini bu model üzerinden işle. Basitleştirilmiş bir kod örneği aşağıdadır:
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.
Örnek segmentasyonu, bir görüntüdeki bağımsız nesneleri tanımlar ve ana hatlarını çıkararak her nesneye benzersiz bir etiket ve maske verir. Nesne takibi ise video kareleri boyunca nesnelere tutarlı kimlikler atayarak bunu genişletir ve aynı nesnelerin zaman içinde sürekli takip edilmesini sağlar. YOLO26'nın uygulamasında olduğu gibi bu ikisi birleştirildiğinde, hassas sınır bilgilerini korurken videolardaki nesne hareketlerini ve davranışlarını analiz etmek için güçlü yetenekler 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); bu sayede yüksek hassasiyeti korurken önemli ölçüde daha hızlıdır. Ayrıca Ultralytics Platform ile sorunsuz entegrasyon sağlayarak modelleri, veri kümelerini ve eğitim işlem hatlarını verimli biçimde yönetmene olanak tanır. Hem hız hem de doğruluk gerektiren uygulamalar için YOLO26 en uygun dengeyi sunar.
Evet, Ultralytics örnek segmentasyonu için YOLO26 modellerini eğitmeye uygun COCO-Seg, COCO8-Seg (hızlı test için daha küçük bir alt küme), Package-Seg ve Crack-Seg dahil olmak üzere çeşitli veri kümeleri sunar. Bu veri kümeleri, örnek segmentasyonu görevleri için gereken piksel düzeyinde açıklamalarla birlikte gelir. Daha özel uygulamalar için Ultralytics formatını izleyerek özel veri kümeleri de oluşturabilirsin. Veri kümeleriyle ilgili tüm bilgiler ve kullanım talimatları Ultralytics Veri Kümeleri belgelerinde bulunabilir.