Ultralytics YOLO Sıkça Sorulan Sorular (SSS)#

Ultralytics, en son teknoloji nesne tespiti ve image segmentation modellerinde uzmanlaşmış, özellikle YOLO (You Only Look Once) ailesine odaklanan bir computer vision yapay zeka şirketidir. Sundukları hizmetler şunlardır:

• YOLO26 (önceki nesil) ve YOLO11 (önceki nesil) açık kaynaklı uygulamaları
• Çeşitli computer vision görevleri için genş bir pretrained models yelpazesi
• YOLO modellerini projelerinize sorunsuz bir şekilde entegre etmek için kapsamlı bir Python package
• Modelleri eğirmek, test etmek ve dağıtmak için çok yönlü tools
• Extensive documentation ve desteksiz bir topluluk

Ultralytics paketini kurmak pip kullanarak oldukça basittir:

pip install ultralytics

En güncel geliştirme sürümü için doğrudan GitHub deposundan yükle:

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

Ayrıntılı kurulum talimatlarını quickstart guide içinde bulabilirsin.

Minimum gereksinimler:

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

Önerilen kurulum:

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

Yaygın sorunları gidermek için YOLO Common Issues sayfasını ziyaret et.

Özel bir YOLO modeli eğitmek için:

1. Veri kümenişini YOLO format formatında (görseller ve ilgili etiket txt dosyaları) hazırla.

2. Veri kümesi yapını ve sınıflarını tanımlayan bir YAML dosyası oluştur (bkz. dataset YAML example).

3. Eğitimi başlatmak için aşağıdaki Python kodunu kullan:

   from ultralytics import YOLO
   
   # Load a model
   model = YOLO("yolo26n.yaml")  # build a new model from scratch
   model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
   
   # Train the model
   results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

Veri hazırlama ve gelişmiş eğitim seçenekleri dahil olmak üzere daha ayrıntılı bir kılavuz için kapsamlı training guide sayfasına başvur.

Ultralytics, çeşitli görevler için çok çeşitli önceden eğitilmiş modeller sunar:

• Nesne Algılama: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
• Instance Segmentation: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
• Semantic Segmentation: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
• Depth Estimation: 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 göre değişiklik gösterir ve hız ile accuracy arasında farklı takaslar sunar. Projene en uygun olanı bulmak için pretrained models yelpazesinin tamamını incele.

Eğitilmiş bir modelle çıkarım gerçekleştirmek için:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Toplu işleme ve video çkarımı dahil olmak üzere gelişmiş çkarım seçenekleri için ayrıntılı prediction guide kılavuzuna göz at.

Kesinlikle! Ultralytics modelleri, çeşitli platformlarda çok yönlü dağıtım için tasarlanmıştır:

• Uç cihazlar: NVIDIA Jetson veya Intel Neural Compute Stick gibi cihazlarda TensorRT, ONNX veya OpenVINO kullanarak çıkarımı optimize et.
• Mobil: Modelleri LiteRT veya Core ML formatına dönüştürerek Android veya iOS cihazlarda dağıt.
• Bulut: Ölþeklenebilir bulut dağıtımları için TensorFlow Serving veya PyTorch Serve gibi çerçevelerden yararlan.
• Web: LiteRT.js veya ONNX.js kullanarak tarayıcı içi çıkarım uygula.

Ultralytics, dağıtım için modelleri çeşitli formatlara dönüşturmek için dönüşüm fonksiyonları sağlar. Kullanım senaryona en uygun çözümü bulmak için geniş deployment options yelpazesini incele.

Temel farklar şunlardır:

• End-to-End NMS-Free Inference: YOLO26 doğrudan uçtan uca olup, non-maximum suppression (NMS) kullanmadan doğrudan tahminler üretir, bu da gecikmeyi azaltır ve dağıtımı basitleştirir.
• DFL Kaldırma: YOLO26, Distribution Focal Loss modülünü kaldırarak dışa aktarımı basitleştirir ve uç cihazlar ile düşük güçlü cihazlarla uyumluluğu artırır.
• MuSGD Optimize Edici: Daha kararlı eğitim ve daha hızlı yakınsama için SGD ve Muon'un (Moonshot AI'ın Kimi K2 modelinden esinlenilmiştir) bir hibritidir.
• CPU Performansı: YOLO26, %43'e kadar daha hızlı CPU çıkarımı sağlayarak GPU'su olmayan cihazlar için idealdir.
• Göreve Özel Optimizasyonlar: Anlamsal kayıp ve çok ölçekli protolarla geliştirilmiş bölümleme, hassas poz tahmini için RLE ve açı kaybı ile iyileştirilmiş OBB kod çözme.
• Görevler: Her iki model de object detection ve örnek bölütlemeyi desteklerken, YOLO26 ayrıca yoğun piksel düzeyinde tahmin için semantic segmentation ve piksel başına derinlik için monocular depth estimation özelliklerini ekler. Her iki model de birleşik bir çatı altında sınıflandırma, poz tahmini ve yönlendirilmiş nesne tespiti (OBB) işlemlerini destekler.

Özelliklerin ve performans metriklerinin ayrıntılı bir karşılaştırması için YOLO26 documentation page sayfasını ziyaret et.

Ultralytics'e katkıda bulunmak, projeyi geliştirmenin ve becerilerini genişletmenin harika bir yoludur. İşte nasıl dahil olabileceğin:

1. GitHub'daki Ultralytics deposunu çatalla (fork).
2. Özelliğin veya hata düzeltmen için yeni bir dal (branch) oluştur.
3. Değişikliklerini yap ve tüm testlerin geçtiğinden emin ol.
4. Değişikliklerinin net bir açıklamasıyla bir pull request gönder.
5. Kod inceleme sürecine katıl.

Hataları bildirerek, özellikler önererek veya belgelendirmeyi iyileştirerek de katkıda bulunabilirsin. Ayrıntılı kurallar ve en iyi uygulamalar için contributing guide kılavuzuna başvur.

Python'da Ultralytics paketini kurmak basittir. Terminalinde veya komut isteminde aşağıdaki komutu çalıştırarak pip kullan:

pip install ultralytics

En güncel geliştirme sürümü için doğrudan GitHub deposundan yükle:

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

Ortama özgü kurulum talimatları ve sorun giderme ipuçları için kapsamlı quickstart guide kılavuzuna göz at.

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

• Gerçek Zamanlı Algılama: Nesneleri gerçek zamanlı senaryolarda verimli bir şekilde algıla ve sınıflandır.
• Çoklu Görev Yetenekleri: Birleştirilmiş bir çerçeveyle nesne tespiti, örnek bölümleme, semantic segmentation, monocular depth estimation, sınflandırma, poz tahmini ve yönlendirilmiş nesne tespiti (OBB) gerçekleştir.
• Önceden Eğitilmiş Modeller: Farklı kullanım senaryoları için hız ve doğruluğu dengeleyen eğimli pretrained models çeşitlerine eriş.
• Özel Eğitim: Esnek training pipeline yardımıyla modelleri özel veri kümeleri üzerinde kolayca ince ayar yap.
• Geniş Deployment Options: Modelleri farklı platformlarda dağıtmak üzere TensorRT, ONNX ve CoreML gibi çeşitli formatlara dönüştür.
• Kapsamlı Belgelendirme: Computer vision iş akışların için kapsamlı documentation ve destekleyici bir topluluktan faydalan.

YOLO modelinin performansını artırmak birkaç teknikle mümkündür:

1. Hyperparameter Tuning: Model performansını optimize etmek için Hyperparameter Tuning Guide kullanarak farklı hiperparametreleri dene.
2. Data Augmentation: Eğitim veri kümenişini geliştirmek ve model genellemesini artırmak için döndürme, ölçekleme ve renk ayarlamaları gibi teknikler uygula.
3. Transfer Learning: Önceden eğitilmiş modellerden yararlan ve Train guide kullanarak onları belirli veri kümenine göre ince ayarla.
4. Verimli Formatlara Dönüştür: Export guide kullanarak daha hızlı çkarım için modelini TensorRT veya ONNX gibi optimize edilmiş formatlara dönüştür.
5. Kıyaslama: Çkarım hızını ve doğruluğunu sistematik olarak ölçmek ve iyileştirmek için Benchmark Mode kullan.

Evet, Ultralytics YOLO modelleri mobil ve uç cihazlar dahil olmak üzere çok yönlü dağıtım için tasarlanmıştır:

• Mobil: Android veya iOS uygulamalarına sorunsuz entegrasyon için modelleri LiteRT veya CoreML formatına dönüştür. Platforma özgü talimatlar için LiteRT Integration Guide ve CoreML Integration Guide belgelerine başvur.
• Uç Cihazlar: TensorRT veya ONNX kullanarak NVIDIA Jetson veya diğer uç donanımlar gibi cihazlarda çkarımı optimize et. Edge TPU Integration Guide, uç dağıtımı için ayrıntılı adımlar sağlar.

Farklı platformlardaki dağıtım stratejilerinin kapsamlı bir genel bakışı için deployment options guide kılavuzuna başvur.

Eğitilmiş bir Ultralytics YOLO modeli ile çıkarım yapmak basittir:

1. Modeli Yükle:

   from ultralytics import YOLO
   
   model = YOLO("path/to/your/model.pt")

2. Çıkarımı Çalıştır:

   results = model("path/to/image.jpg")
   
   for r in results:
       print(r.boxes)  # print bounding box predictions
       print(r.masks)  # print mask predictions
       print(r.probs)  # print class probabilities

Toplu işleme, video çkarımı ve özel ön işleme dahil olmak üzere gelişmiş çkarım teknikleri için ayrıntılı prediction guide kılavuzuna başvur.

Ultralytics, başlamana ve araçlarında uzmanlaşmana yardımcı olacak zengin kaynaklar sunar:

• 📚 Official documentation: Kapsamlı kılavuzlar, API referansları ve en iyi uygulamalar.
• 💻 GitHub repository: Kaynak kod, örnek betikler ve topluluk katkıları.
• ✍️ Ultralytics blog: Derinlemesine makaleler, kullanım senaryoları ve teknik içgörüler.
• 💬 Community forums: Diğer kullanıcılarla bağlantı kur, sorular sor ve deneyimlerini paylaş.
• 🎥 YouTube channel: Çeşitli Ultralytics konularında video eğitimleri, demolar ve webinarlar.

Bu kaynaklar, Ultralytics modellerini kullanarak gerçekleştireceğin çeşitli görevler için kod örnekleri, gerçek dünya kullanım senaryoları ve adım adım kılavuzlar sunar.

Daha fazla yardıma ihtiyacın olursa Ultralytics belgelerine başvur veya GitHub Issues ya da resmi discussion forum aracılığıyla toplulukla iletişime geç.