Ultralytics YOLO Sık Sorulan Sorular (FAQ)#

Ultralytics, YOLO (Yalnızca Bir Kez Bak) ailesine odaklanan, son teknoloji ürünü nesne algılama ve görüntü segmentasyonu modellerinde uzmanlaşmış bir bilgisayarlı görü AI şirketidir. Sunduğu çözümler şunlardır:

• YOLO26 (en yeni) ve YOLO11 (önceki nesil) için açık kaynaklı uygulamalar
• Çeşitli bilgisayarlı görü görevleri için geniş bir önceden eğitilmiş model yelpazesi
• YOLO modellerini projelere sorunsuz şekilde entegre etmek için kapsamlı bir Python paketi
• Modelleri eğitmek, test etmek ve dağıtmak için çok yönlü araçlar
• Kapsamlı belgeler ve destekleyici bir topluluk

Hayır. YOLO27, bu yılın ilerleyen dönemlerinde yapılması beklenen lansman öncesinde son Ar-Ge aşamasındadır ve belirlenmiş bir lansman tarihi yoktur. Belgelerde özelliklere, ön değerlendirme sonuçlarına ve model yayımlandıktan sonra kullanılabilecek örneklere yer verilir. Mevcut projelerin için YOLO26 kullanmaya devam et.

Ultralytics paketini pip kullanarak kolayca yükleyebilirsin:

pip install ultralytics

En yeni geliştirme sürümünü doğrudan GitHub deposundan yükle:

pip install git+https://github.com/ultralytics/ultralytics.git

Ayrıntılı yükleme talimatlarını hızlı başlangıç kılavuzunda bulabilirsin.

Minimum gereksinimler:

• Python 3.8+
• PyTorch 1.8+
• CUDA uyumlu GPU (GPU hızlandırması için)

Önerilen kurulum:

• Python 3.8+
• PyTorch 1.10+
• CUDA 11.2+ destekli NVIDIA GPU
• 8 GB+ RAM
• 50 GB+ boş disk alanı (veri kümesi depolama ve model eğitimi için)

Yaygın sorunların çözümü için YOLO Yaygın Sorunlar sayfasını ziyaret et.

Özel bir YOLO modelini eğitmek için:

1. Veri kümeni YOLO biçiminde hazırla (görüntüler ve bunlara karşılık gelen etiket TXT dosyaları).

2. Veri kümesi yapını ve sınıflarını açıklayan bir YAML dosyası oluştur (veri kümesi YAML örneğine bak).

3. Eğitimi başlatmak için aşağıdaki Python kodunu kullan:

   from ultralytics import YOLO
   
   # Bir model yükle
   model = YOLO("yolo26n.yaml")  # sıfırdan yeni bir model oluştur
   model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
   
   # Modeli eğit
   results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

Veri hazırlama ve gelişmiş eğitim seçenekleri dahil daha ayrıntılı bir kılavuz için kapsamlı eğitim kılavuzuna başvur.

Ultralytics, çeşitli görevler için geniş bir önceden eğitilmiş model yelpazesi sunar:

• Nesne Algılama: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
• Örnek Segmentasyonu: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
• Anlamsal Segmentasyon: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
• Derinlik Tahmini: YOLO26n-depth, YOLO26s-depth, YOLO26m-depth, YOLO26l-depth, YOLO26x-depth
• Sınıflandırma: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
• Poz Tahmini: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
• Yönelimli Algılama (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

Bu modeller boyut ve karmaşıklık bakımından farklılık gösterir ve hız ile doğruluk arasında çeşitli ödünleşimler sunar. Projene en uygun modeli bulmak için önceden eğitilmiş modellerin tümünü incele.

Eğitilmiş bir modelle çıkarım yapmak için:

from ultralytics import YOLO

# Bir model yükle
model = YOLO("path/to/your/model.pt")

# Çıkarım yap
results = model("path/to/image.jpg")

# Sonuçları işle
for r in results:
    print(r.boxes)  # bbox tahminlerini yazdır
    print(r.masks)  # maske tahminlerini yazdır
    print(r.probs)  # sınıf olasılıklarını yazdır

Toplu işleme ve video çıkarımı dahil gelişmiş çıkarım seçenekleri için ayrıntılı tahmin kılavuzuna göz at.

Kesinlikle! Ultralytics modelleri çeşitli platformlarda esnek biçimde dağıtılacak şekilde tasarlanmıştır:

• Uç cihazlar: TensorRT, ONNX veya OpenVINO kullanarak NVIDIA Jetson ya da Raspberry Pi gibi cihazlarda çıkarımı optimize et.
• Mobil: Modelleri LiteRT veya CoreML biçimine dönüştürerek Android ya da iOS cihazlarda dağıt.
• Bulut: Ölçeklenebilir bulut dağıtımları için TensorFlow Serving veya TorchServe gibi çerçevelerden yararlan.
• Web: ONNX Runtime Web kullanarak tarayıcı içinde çıkarım uygulayın.

Ultralytics, dağıtım için modelleri çeşitli biçimlere dönüştürmeye yönelik dışa aktarma işlevleri sunar. Kullanım senaryon için en uygun çözümü bulmak üzere geniş dağıtım seçenekleri yelpazesini keşfet.

Başlıca farklar şunlardır:

• Uçtan Uca, NMS Gerektirmeyen Çıkarım: YOLO26, nms=False ile NMS gerektirmeyen çıkarım sunar. Varsayılan one-to-many yolu doğruluk için NMS kullanır.
• DFL'nin Kaldırılması: YOLO26, Distribution Focal Loss modülünü kaldırarak dışa aktarma işlemini basitleştirir ve uç cihazlarla düşük güçlü cihazlarla uyumluluğu artırır.
• MuSGD Optimizasyonu: Daha kararlı eğitim ve daha hızlı yakınsama için SGD ile Muon'un (Moonshot AI'ın Kimi K2'sinden esinlenen) hibrit birleşimi.
• CPU Performansı: YOLO26n, CPU ONNX çıkarımında (Intel Xeon CPU @ 2.00 GHz) YOLO11n'den %43'e kadar daha hızlı çalışır; bu da onu GPU'su olmayan cihazlar için ideal kılar.
• Göreve Özel Optimizasyonlar: Anlamsal kayıp ve çok ölçekli protolarla geliştirilmiş segmentasyon, hassas poz tahmini için RLE ve açı kaybıyla iyileştirilmiş OBB kod çözme.
• Görevler: Her iki model de nesne algılamayı ve örnek segmentasyonunu desteklerken YOLO26, yoğun piksel düzeyinde tahmin için anlamsal segmentasyonu ve piksel başına derinlik için monoküler derinlik tahminini de ekler. Her iki model de birleşik bir çerçevede sınıflandırma, poz tahmini ve yönlendirilmiş nesne algılamayı (OBB) destekler.

Özellikler ve performans ölçümlerinin ayrıntılı bir karşılaştırması için YOLO26 dokümantasyon sayfasını ziyaret et.

Ultralytics'e katkıda bulunmak, projeyi geliştirmek ve becerilerini ilerletmek için harika bir yoldur. Katkıda bulunmak için şunları yapabilirsin:

1. GitHub'da Ultralytics deposunu çatalla.
2. Özelliğin veya hata düzeltmen için yeni bir dal oluştur.
3. Değişikliklerini yap ve tüm testlerin başarılı olduğundan emin ol.
4. Değişikliklerini açıkça açıklayan bir çekme isteği gönder.
5. Kod inceleme sürecine katıl.

Hataları bildirerek, özellik önererek veya dokümantasyonu iyileştirerek de katkıda bulunabilirsin. Ayrıntılı yönergeler ve en iyi uygulamalar için katkıda bulunma kılavuzuna başvur.

Ultralytics YOLO, gelişmiş bilgisayarlı görü görevleri için zengin bir özellik kümesi sunar:

• Gerçek Zamanlı Algılama: Gerçek zamanlı senaryolarda nesneleri verimli bir şekilde algıla ve sınıflandır.
• Çoklu Görev Yetenekleri: Birleşik bir çerçeveyle nesne algılama, örnek segmentasyonu, anlamsal segmentasyon, monoküler derinlik tahmini, sınıflandırma, poz tahmini ve yönlendirilmiş nesne algılama (OBB) gerçekleştir.
• Önceden Eğitilmiş Modeller: Farklı kullanım senaryoları için hız ve doğruluk arasında denge kuran çeşitli önceden eğitilmiş modellere eriş.
• Özel Eğitim: Esnek eğitim hattını kullanarak modelleri özel veri kümelerinde kolayca ince ayarla.
• Geniş Dağıtım Seçenekleri: Farklı platformlarda dağıtım için modelleri TensorRT, ONNX ve CoreML gibi çeşitli biçimlere aktar.
• Kapsamlı Dokümantasyon: Bilgisayarlı görü iş akışların için kapsamlı dokümantasyondan ve destekleyici topluluktan yararlan.

YOLO modelinin performansını çeşitli tekniklerle artırabilirsin:

1. Hiperparametre Ayarı: Model performansını optimize etmek için Hiperparametre Ayarı Kılavuzu ile farklı hiperparametreleri dene.
2. Veri Artırma: Eğitim veri kümeni zenginleştirmek ve modelin genelleme yeteneğini artırmak için çevirme, ölçekleme, döndürme ve renk ayarlama gibi teknikleri uygula.
3. Aktarım Öğrenimi: Önceden eğitilmiş modellerden yararlan ve Eğitim kılavuzunu kullanarak modelleri kendi veri kümen üzerinde ince ayarla.
4. Verimli Biçimlere Aktarma: Dışa Aktarma kılavuzunu kullanarak daha hızlı çıkarım için modelini TensorRT veya ONNX gibi optimize edilmiş biçimlere dönüştür.
5. Kıyaslama: Çıkarım hızını ve doğruluğunu sistematik olarak ölçmek ve iyileştirmek için Kıyaslama Modu'nu kullan.

Ultralytics, işe başlamana ve araçlarında uzmanlaşmana yardımcı olacak çok sayıda kaynak sunar:

• 📚 Resmî dokümantasyon: Kapsamlı kılavuzlar, API referansları ve en iyi uygulamalar.
• 💻 GitHub deposu: Kaynak kodu, örnek betikler ve topluluk katkıları.
• ✍️ Ultralytics blogu: Ayrıntılı makaleler, kullanım senaryoları ve teknik içgörüler.
• 💬 Topluluk forumları: Diğer kullanıcılarla bağlantı kur, sorular sor ve deneyimlerini paylaş.
• 🎥 YouTube kanalı: Çeşitli Ultralytics konularında video eğitimleri, demolar ve web seminerleri.

Bu kaynaklar, Ultralytics modellerini kullanarak çeşitli görevleri yerine getirmene yardımcı olacak kod örnekleri, gerçek dünya kullanım senaryoları ve adım adım kılavuzlar sunar.

Daha fazla yardıma ihtiyacın varsa Ultralytics dokümantasyonuna başvur veya GitHub Issues ya da resmî tartışma forumu üzerinden topluluğa ulaş.