Ultralytics YOLO Sıkça Sorulan Sorular (SSS)
Bu SSS bölümü, kullanıcıların Ultralytics YOLO depolarıyla çalışırken karşılaşabileceği yaygın soruları ve sorunları ele almaktadır.
SSS
Ultralytics nedir ve neler sunar?
Ultralytics, YOLO (You Only Look Once) ailesine odaklanan, son teknoloji nesne algılama ve görüntü segmentasyonu modellerinde uzmanlaşmış bir bilgisayar görüşü yapay zeka şirketidir. Sundukları şunları içerir:
- YOLO26 (en son) ve YOLO11 (önceki nesil) açık kaynak uygulamaları
- Çeşitli bilgisayar görüşü görevleri için geniş bir yelpazede önceden eğitilmiş modeller
- YOLO modellerinin projelere sorunsuz entegrasyonu için kapsamlı bir python paketi
- Modelleri eğitmek, test etmek ve dağıtmak için çok yönlü araçlar
- Kapsamlı dokümantasyon ve destekleyici bir topluluk
Ultralytics paketini nasıl kurarım?
Ultralytics paketini kurmak pip kullanılarak kolaydır:
pip install ultralytics
En son geliştirme sürümü için doğrudan GitHub deposundan yükleyin:
pip install git+https://github.com/ultralytics/ultralytics.git
Ayrıntılı kurulum talimatları hızlı başlangıç kılavuzunda bulunabilir.
Ultralytics 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+ ile NVIDIA GPU
- 8GB+ RAM
- 50GB+ boş disk alanı (veri kümesi depolama ve model eğitimi için)
Sık karşılaşılan sorunları gidermek için YOLO Sık Karşılaşılan Sorunlar sayfasını ziyaret edin.
Kendi veri setimde özel bir YOLO modelini nasıl eğitebilirim?
Özel bir YOLO modeli eğitmek için:
- Veri kümenizi YOLO formatında hazırlayın (görüntüler ve ilgili etiket txt dosyaları).
- Veri kümesi yapınızı ve sınıflarınızı açıklayan bir YAML dosyası oluşturun.
Eğitime başlamak için aşağıdaki python kodunu kullanın:
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 kapsamlı bir kılavuz için, kapsamlı eğitim kılavuzuna bakın.
Ultralytics'te hangi önceden eğitilmiş modeller mevcuttur?
Ultralytics, çeşitli görevler için çok çeşitli önceden eğitilmiş modeller sunar:
- Nesne Algılama: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
- Örnek Segmentasyonu: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
- Sınıflandırma: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
- Poz Tahmini: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
- Yönlendirilmiş Algılama (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb
Bu modeller boyut ve karmaşıklık açısından farklılık gösterir ve hız ve doğruluk arasında farklı ödünleşimler sunar. Projenize en uygun olanı bulmak için önceden eğitilmiş modellerin tüm yelpazesini keşfedin.
Eğitilmiş bir Ultralytics modeli kullanarak çıkarımı 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 atın.
Ultralytics 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 çıkarımı TensorRT, ONNX veya OpenVINO kullanarak optimize edin.
- Mobil: Modelleri TFLite veya Core ML'e dönüştürerek Android veya iOS cihazlarına dağıtın.
- Bulut: Ölçeklenebilir bulut dağıtımları için TensorFlow Serving veya PyTorch Serve gibi çerçevelerden yararlanın.
- Web: ONNX.js veya TensorFlow.js kullanarak tarayıcı içi çıkarım uygulayın.
Ultralytics, modelleri dağıtım için çeşitli formatlara dönüştürmek için dışa aktarma fonksiyonları sağlar. Kullanım durumunuza en uygun çözümü bulmak için geniş dağıtım seçeneklerini keşfedin.
YOLO11 ile YOLO26 arasındaki fark nedir?
Temel ayrımlar şunları içerir:
- Uçtan Uca NMS'siz Çıkarım: YOLO26, doğal olarak uçtan uca olup, maksimum olmayan bastırma (NMS) olmadan doğrudan tahminler üreterek gecikmeyi azaltır ve dağıtımı basitleştirir.
- DFL Kaldırma: YOLO26, Distribution Focal Loss modülünü kaldırarak dışa aktarımı basitleştirir ve kenar (edge) ve düşük güçlü cihazlarla uyumluluğu artırır.
- MuSGD İyileştirici: Daha kararlı eğitim ve daha hızlı yakınsama için SGD ve Muon (Moonshot AI'nin Kimi K2'sinden esinlenilmiştir) hibriti.
- CPU Performansı: YOLO26, %43'e kadar daha hızlı CPU çıkarımı sunarak GPU'suz cihazlar için idealdir.
- Göreve Özel Optimizasyonlar: Semantik kayıp ve çok ölçekli protolarla geliştirilmiş segmentasyon, hassas poz tahmini için RLE ve açı kaybıyla iyileştirilmiş OBB kod çözme.
- Görevler: Her iki model de birleşik bir çerçevede nesne algılama, örnek segmentasyon, sınıflandırma, poz tahmini ve yönlü nesne algılamayı (OBB) destekler.
Özelliklerin ve performans metriklerinin derinlemesine karşılaştırması için YOLO26 dokümantasyon sayfasını ziyaret edin.
Ultralytics açık kaynak projesine nasıl katkıda bulunabilirim?
Ultralytics'e katkıda bulunmak, projeyi geliştirmek ve becerilerinizi genişletmek için harika bir yoldur. İşte nasıl dahil olabileceğiniz:
- GitHub'da Ultralytics deposunu çatallayın.
- Özelliğiniz veya hata düzeltmeniz için yeni bir dal oluşturun.
- Değişikliklerinizi yapın ve tüm testlerin geçtiğinden emin olun.
- Değişikliklerinizin açık bir açıklamasıyla bir çekme isteği gönderin.
- Kod inceleme sürecine katılın.
Hataları bildirerek, özellikler önererek veya belgeleri iyileştirerek de katkıda bulunabilirsiniz. Ayrıntılı yönergeler ve en iyi uygulamalar için katkıda bulunma kılavuzuna bakın.
Ultralytics paketini Python'a nasıl kurarım?
Ultralytics paketini Python'a kurmak basittir. Terminalinizde veya komut isteminizde aşağıdaki komutu çalıştırarak pip'i kullanın:
pip install ultralytics
En son geliştirme sürümü için doğrudan GitHub deposundan yükleyin:
pip install git+https://github.com/ultralytics/ultralytics.git
Ortama özgü kurulum talimatları ve sorun giderme ipuçları için kapsamlı hızlı başlangıç kılavuzuna başvurun.
Ultralytics YOLO'nun ana özellikleri nelerdir?
Ultralytics YOLO, gelişmiş bilgisayar görüşü görevleri için zengin bir özellik setine sahiptir:
- Gerçek Zamanlı Algılama: Gerçek zamanlı senaryolarda nesneleri verimli bir şekilde algılayın ve sınıflandırın.
- Çoklu Görev Yetenekleri: Birleşik bir çerçeve ile nesne algılama, örnek segmentasyonu, sınıflandırma ve poz tahmini gerçekleştirin.
- Önceden Eğitilmiş Modeller: Farklı kullanım durumları için hız ve doğruluk arasında denge sağlayan çeşitli önceden eğitilmiş modellere erişin.
- Özel Eğitim: Esnek eğitim hattı ile özel veri kümelerinde modelleri kolayca ince ayar yapın.
- Geniş Dağıtım Seçenekleri: Modelleri farklı platformlarda dağıtmak için TensorRT, ONNX ve CoreML gibi çeşitli formatlara aktarın.
- Kapsamlı Dokümantasyon: Bilgisayar görüşü iş akışlarınız için kapsamlı dokümantasyondan ve destekleyici bir topluluktan faydalanın.
YOLO modelimin performansını nasıl artırabilirim?
YOLO modelinizin performansını artırmak çeşitli tekniklerle elde edilebilir:
- Hiperparametre Ayarlama: Model performansını optimize etmek için Hiperparametre Ayarlama Kılavuzu'nu kullanarak farklı hiperparametrelerle deneyler yapın.
- Veri Artırma: Eğitim veri kümenizi geliştirmek ve model genellemesini iyileştirmek için çevirme, ölçekleme, döndürme ve renk ayarlamaları gibi teknikleri uygulayın.
- Transfer Öğrenimi: Önceden eğitilmiş modellerden yararlanın ve Eğitim kılavuzunu kullanarak bunları kendi özel veri setiniz üzerinde ince ayar yapın.
- Verimli Formatlara Aktar: Dışa aktarma kılavuzunu kullanarak daha hızlı çıkarım için modelinizi TensorRT veya ONNX gibi optimize edilmiş formatlara dönüştürün.
- Kıyaslama: Çıkarım hızını ve doğruluğunu sistematik olarak ölçmek ve iyileştirmek için Kıyaslama Modu'nu kullanın.
Ultralytics YOLO modellerini mobil ve uç cihazlarda dağıtabilir miyim?
Evet, Ultralytics YOLO modelleri, mobil ve uç cihazlar dahil olmak üzere çok yönlü dağıtım için tasarlanmıştır:
- Mobil: Modelleri Android veya iOS uygulamalarına sorunsuz entegrasyon için TFLite veya CoreML'e dönüştürün. Platforma özel talimatlar için TFLite Entegrasyon Kılavuzu'na ve CoreML Entegrasyon Kılavuzu'na bakın.
- Uç Cihazlar: NVIDIA Jetson veya diğer uç donanımları gibi cihazlarda çıkarımı TensorRT veya ONNX kullanarak optimize edin. Edge TPU Entegrasyon Kılavuzu uç dağıtım için ayrıntılı adımlar sunar.
Çeşitli platformlardaki dağıtım stratejilerine kapsamlı bir genel bakış için dağıtım seçenekleri kılavuzuna başvurun.
Eğitilmiş bir Ultralytics YOLO modeli kullanarak çıkarımı nasıl gerçekleştirebilirim?
Eğitilmiş bir Ultralytics YOLO modeliyle çıkarım yapmak basittir:
Modeli Yükleme:
from ultralytics import YOLO model = YOLO("path/to/your/model.pt")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 bakın.
Ultralytics'i kullanmak için örnekleri ve eğitimleri nerede bulabilirim?
Ultralytics, başlamanıza ve araçlarında uzmanlaşmanıza yardımcı olacak zengin kaynaklar sunar:
- 📚 Resmi dokümantasyon: Kapsamlı kılavuzlar, API referansları ve en iyi uygulamalar.
- 💻 GitHub deposu: Kaynak kodu, örnek komut dosyaları ve topluluk katkıları.
- ✍️ Ultralytics blogu: Derinlemesine makaleler, kullanım örnekleri ve teknik bilgiler.
- 💬 Topluluk forumları: Diğer kullanıcılarla bağlantı kurun, soru sorun ve deneyimlerinizi paylaşın.
- 🎥 YouTube kanalı: Çeşitli Ultralytics konularında video eğitimleri, demolar ve web seminerleri.
Bu kaynaklar, Ultralytics modellerini kullanarak çeşitli görevler için kod örnekleri, gerçek dünya kullanım örnekleri ve adım adım kılavuzlar sağlar.
Daha fazla yardıma ihtiyacınız olursa, Ultralytics belgelerine başvurun veya GitHub Issues ya da resmi tartışma forumu aracılığıyla toplulukla iletişime geçin.
