Meet YOLO26: next-gen vision AI.

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

Bu SSS bölümü, kullanıcıların Ultralytics YOLO depolarıyla çalışırken karşılaşabilecekleri 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 kurarım?#

Ultralytics paketini kurmak pip kullanarak oldukça basittir:

pip install ultralytics

En güncel geliştirme sürümü için doğrudan GitHub deposundan kurabilirsin:

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

Detaylı 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 hızlandırması için)

Önerilen kurulum:

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

Yaygın sorunları gidermek için YOLO Yaygın Sorunlar sayfasını ziyaret et.

Link to this sectionKendi veri setim üzerinde nasıl özel bir YOLO modeli eğitebilirim?#

Özel bir YOLO modeli eğitmek için:

  1. Veri setini YOLO formatında (görseller ve karşılık gelen etiket txt dosyaları) hazırla.

  2. Veri seti yapını ve sınıflarını tanımlayan bir YAML dosyası oluştur (bkz: veri seti 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 hazırlığı ve gelişmiş eğitim seçenekleri dahil daha derinlemesine bir kılavuz için kapsamlı eğitim kılavuzuna başvur.

Link to this sectionUltralytics'te hangi önceden eğitilmiş modeller mevcuttur?#

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
  • 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 göstererek hız ve doğruluk arasında farklı dengeler sunar. Projen için en uygun olanı bulmak adına tüm önceden eğitilmiş modelleri keşfet.

Link to this sectionEğitilmiş bir Ultralytics modeli ile nasıl çıkarım yaparım?#

Eğitilmiş bir modelle çıkarım yapmak 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 gelişmiş çıkarım seçenekleri için detaylı 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: TensorRT, ONNX veya OpenVINO kullanarak NVIDIA Jetson veya Intel Neural Compute Stick gibi cihazlarda 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 formatlara dönüştürmek amacıyla dışa aktarma fonksiyonları sağlar. Kullanım durumun için en iyi çözümü bulmak adına geniş dağıtım seçenekleri yelpazesini keşfet.

Link to this sectionYOLO11 ile YOLO26 arasındaki fark nedir?#

Temel farklar şunlardır:

  • Uçtan Uca NMS'siz Çıkarım: YOLO26, yerel olarak uçtan uca çalışır ve tahminleri doğrudan, örtüşmeyenleri bastırma (NMS) olmadan üreterek gecikmeyi azaltır ve dağıtımı basitleştirir.
  • DFL Kaldırma: YOLO26, Distribution Focal Loss modülünü kaldırarak dışa aktarmayı 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'sinden esinlenilmiştir) bir hibritidir.
  • CPU Performansı: YOLO26, GPU'suz cihazlar için ideal hale getirerek %43'e kadar daha hızlı CPU çıkarımı sağlar.
  • 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 ayrıca yoğun piksel seviyesinde tahmin için anlamsal segmentasyonu ekler. Her iki model de sınıflandırmayı, poz tahminini ve yönelimli nesne algılamayı (OBB) birleşik bir çerçevede destekler.

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

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

Ultralytics'e katkıda bulunmak, projeyi iyileştirmenin ve becerilerini geliştirmenin harika bir yoludur. Nasıl dahil olabileceğin aşağıdadır:

  1. GitHub'da Ultralytics deposunu forklay.
  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 çekme isteği (pull request) gönder.
  5. Kod inceleme sürecine katıl.

Ayrıca hata bildirerek, özellik önererek veya dokümantasyonu geliştirerek de katkıda bulunabilirsin. Detaylı 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 şu komutu çalıştırarak pip kullan:

pip install ultralytics

En güncel geliştirme sürümü için doğrudan GitHub deposundan kur:

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

Ortama özel kurulum talimatları ve sorun giderme ipuçları için kapsamlı hızlı başlangıç kılavuzuna başvur.

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: Birleşik bir çerçeve ile nesne algılama, örnek segmentasyonu, anlamsal segmentasyon, sınıflandırma, poz tahmini ve yönelimli nesne algılama (OBB) gerçekleştir.
  • Önceden Eğitilmiş Modeller: Farklı kullanım durumları için hız ve doğruluk dengesi sağlayan çeşitli önceden eğitilmiş modellere eriş.
  • Özel Eğitim: Esnek eğitim hattı ile modelleri özel veri setlerinde kolayca ince ayar (fine-tune) yap.
  • Geniş Dağıtım Seçenekleri: Modelleri, farklı platformlarda dağıtım için TensorRT, ONNX ve CoreML gibi çeşitli formatlara dışa aktar.
  • Kapsamlı Dokümantasyon: Bilgisayarlı görü iş akışların için kapsamlı dokümantasyondan ve destekleyici bir topluluktan faydalan.

Link to this sectionYOLO modelimin performansını nasıl artırabilirim?#

YOLO modelinin performansını artırmak çeşitli tekniklerle başarılabilir:

  1. Hiperparametre Ayarı: Model performansını optimize etmek için Hiperparametre Ayarı Kılavuzunu kullanarak farklı hiperparametrelerle denemeler yap.
  2. Veri Artırma: Eğitim veri setini zenginleştirmek ve model genellemesini iyileştirmek için çevirme, ölçekleme, döndürme ve renk ayarlamaları gibi teknikleri uygula.
  3. Transfer Öğrenme: Eğitim kılavuzunu kullanarak önceden eğitilmiş modellerden yararlan ve bunları kendi özel veri setin üzerinde ince ayar yap.
  4. Verimli Formatlara Dışa Aktarma: Dışa Aktarma kılavuzunu kullanarak daha hızlı çıkarım için modelini TensorRT veya ONNX gibi optimize edilmiş formatlara dönüştür.
  5. Kıyaslama: 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 çok yönlü dağıtım için tasarlanmıştır:

Çeşitli platformlarda dağıtım stratejilerinin kapsamlı bir özeti için dağıtım seçenekleri kılavuzuna başvur.

Link to this sectionEğitilmiş bir Ultralytics YOLO modeli ile nasıl çıkarım yapabilirim?#

Eğitilmiş bir Ultralytics YOLO modeli ile çıkarım yapmak oldukça 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 gelişmiş çıkarım teknikleri için detaylı tahmin kılavuzuna başvur.

Link to this sectionUltralytics'i kullanmak için örnekleri ve eğitimleri nerede bulabilirim?#

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

  • 📚 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 bilgiler.
  • 💬 Topluluk forumları: Diğer kullanıcılarla bağlantı kur, sorular sor ve deneyimlerini paylaş.
  • 🎥 YouTube kanalı: Çeşitli Ultralytics konularında video eğitimleri, demolar ve webinarlar.

Bu kaynaklar, Ultralytics modellerini kullanarak 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-jocher13LALaughing-q2RAraimbekovm1SEsergiuwaxmann1PDpderrenger1RIRizwanMunawar1

Yorumlar