Meet YOLO26: next-gen vision AI.

Link to this sectionUltralytics YOLO Sıkça Sorulan Sorular (SSS)#

Bu SSS bölümü, Ultralytics YOLO depoları ile çalışırken kullanıcıların karşılaşabileceği yaygın soruları ve sorunları ele almaktadır.

Link to this sectionSSS#

Link to this sectionUltralytics nedir ve neler sunar?#

Ultralytics is a computer vision AI company specializing in state-of-the-art object detection and image segmentation models, with a focus on the YOLO (You Only Look Once) family. Their offerings include:

Link to this sectionUltralytics paketini nasıl kurabilirim?#

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 hızlı başlangıç kılavuzunda bulabilirsin.

Link to this sectionUltralytics modellerini çalıştırmak için sistem gereksinimleri nelerdir?#

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 Yaygın Sorunlar sayfasını ziyaret et.

Link to this sectionKendi veri kümem üzerinde özel bir YOLO modelini nasıl eğitebilirim?#

Özel bir YOLO modeli eğitmek için:

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

  2. Veri kümesi yapını ve sınıflarını tanımlayan bir YAML dosyası oluştur (bkz: veri kümesi YAML örneği).

  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 de dahil olmak üzere daha derinlemesine bir kılavuz için kapsamlı eğitim kılavuzuna başvur.

Link to this sectionUltralytics içinde hangi önceden eğitilmiş modeller mevcuttur?#

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

  • Nesne Algılama: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
  • Örnek Bölümleme: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
  • Anlamsal Bölümleme: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
  • 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 açısından çeşitlilik gösterir ve hız ile doğruluk arasında farklı dengeler sunar. Projen için en uygun olanı bulmak üzere önceden eğitilmiş modellerin tamamını keşfet.

Link to this sectionEğitilmiş bir Ultralytics modeli kullanarak çıkarımı (inference) nasıl gerçekleştiririm?#

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 çıkarımı dahil olmak üzere gelişmiş çıkarım seçenekleri için ayrıntılı tahmin kılavuzuna göz at.

Link to this sectionUltralytics modelleri uç cihazlarda veya üretim ortamlarında dağıtılabilir mi?#

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 TFLite veya Core ML'e dönüştürerek Android veya iOS cihazlarda dağıt.
  • Bulut: Ölçeklenebilir bulut dağıtımları için TensorFlow Serving veya PyTorch Serve gibi çerçevelerden yararlan.
  • Web: ONNX.js veya TensorFlow.js kullanarak tarayıcı içi çıkarım uygula.

Ultralytics, modelleri dağıtım için çeşitli biçimlere dönüştürmen amacıyla dışa aktarma işlevleri sağlar. Kullanım durumun için en iyi çözümü bulmak üzere geniş dağıtım seçeneklerini keşfet.

Link to this sectionYOLO11 ile YOLO26 arasındaki fark nedir?#

Temel farklar şunlardır:

  • Uçtan Uca NMS-Free Çıkarım: YOLO26, yerel olarak uçtan uca çalışır ve non-maximum suppression (NMS) olmadan doğrudan tahminler üreterek 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 nesne algılamayı ve örnek bölümlemeyi desteklerken, YOLO26 ayrıca yoğun piksel seviyesinde tahmin için anlamsal bölümlemeyi ekler. Her iki model de sınıflandırma, poz tahmini ve yönelimli nesne algılamayı (OBB) birleşik bir çerçevede destekler.

Özelliklerin ve performans metriklerinin derinlemesine bir karşılaştırması için YOLO26 dokümantasyon sayfasını ziyaret et.

Link to this sectionUltralytics açık kaynak projesine nasıl katkıda bulunabilirim?#

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.

Ayrıca hata bildirerek, özellik önererek veya dokümantasyonu geliştirerek katkıda bulunabilirsin. Ayrıntılı yönergeler ve en iyi uygulamalar için katkıda bulunma kılavuzuna başvur.

Link to this sectionPython'da Ultralytics paketini nasıl kurarım?#

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 hızlı başlangıç kılavuzuna danış.

Link to this sectionUltralytics YOLO'nun temel özellikleri nelerdir?#

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: Nesne algılama, örnek bölümleme, anlamsal bölümleme, sınıflandırma, poz tahmini ve yönelimli nesne algılama (OBB) işlemlerini tek bir çerçevede gerçekleştir.
  • Önceden Eğitilmiş Modeller: Farklı kullanım durumları için hız ve doğruluk dengesi sunan çeşitli önceden eğitilmiş modellere eriş.
  • Özel Eğitim: Esnek eğitim hattı ile modelleri özel veri kümelerinde kolayca ince ayar yaparak eğit.
  • Geniş Dağıtım Seçenekleri: Modelleri farklı platformlarda dağıtım için TensorRT, ONNX ve CoreML gibi çeşitli biçimlere aktar.
  • Kapsamlı Dokümantasyon: Bilgisayarlı görü iş akışların için kapsamlı dokümantasyondan ve destekleyici bir topluluktan yararlan.

Link to this sectionYOLO modelimin performansını nasıl artırabilirim?#

YOLO modelinin performansını artırmak birkaç teknikle mümkündür:

  1. Hiperparametre Ayarlama: Model performansını optimize etmek için Hiperparametre Ayarlama Kılavuzunu kullanarak farklı hiperparametrelerle denemeler yap.
  2. Veri Artırma: Eğitim veri kümeni zenginleştirmek ve modelin genelleme yeteneğini geliştirmek için çevirme, ölçekleme, döndürme ve renk ayarları gibi teknikleri uygula.
  3. Transfer Öğrenme: Önceden eğitilmiş modellerden yararlan ve Eğitim kılavuzunu kullanarak bunları kendi özel veri kümen üzerinde ince ayarla.
  4. Verimli Formatlara Dışa Aktar: Dışa Aktarma kılavuzunu kullanarak daha hızlı çıkarım için modelini TensorRT veya ONNX gibi optimize edilmiş formatlara dönüştür.
  5. Kıyaslama (Benchmarking): Çıkarım hızını ve doğruluğunu sistematik olarak ölçmek ve iyileştirmek için Kıyaslama Modunu kullan.

Link to this sectionUltralytics YOLO modellerini mobil ve uç cihazlarda dağıtabilir miyim?#

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

Çeşitli platformlardaki dağıtım stratejilerine dair kapsamlı bir genel bakış için dağıtım seçenekleri kılavuzuna danış.

Link to this sectionEğitilmiş bir Ultralytics YOLO modeli kullanarak çıkarımı nasıl gerçekleştiririm?#

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 çıkarımı ve özel ön işleme dahil olmak üzere gelişmiş çıkarım teknikleri için ayrıntılı tahmin kılavuzuna başvur.

Link to this sectionUltralytics kullanımına dair örnekleri ve öğreticileri nerede bulabilirim?#

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

  • 📚 Resmi dokümantasyon: Kapsamlı kılavuzlar, API referansları ve en iyi uygulamalar.
  • 💻 GitHub deposu: Kaynak kod, örnek betikler ve topluluk katkıları.
  • ✍️ Ultralytics blogu: Derinlemesine makaleler, kullanım durumları ve teknik içgörüler.
  • 💬 Topluluk forumları: Diğer kullanıcılarla bağlantı kur, sorular sor ve deneyimlerini paylaş.
  • 🎥 YouTube kanalı: Çeşitli Ultralytics konularında video eğitimler, 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 dokümantasyonuna göz at veya GitHub Issues ya da resmi tartışma forumu aracılığıyla topluluğa ulaş.

Katkıda Bulunanlar
GLglenn-jocher14RAraimbekovm2LALaughing-q2SEsergiuwaxmann1PDpderrenger1RIRizwanMunawar1

Yorumlar