Ultralytics YOLO Sıkça Sorulan Sorular (FAQ)#

Ultralytics, YOLO (Yalnızca Bir Kez Bak) ailesine odaklanan, son teknoloji nesne algılama ve görüntü segmentasyonu modellerinde uzmanlaşmış bir bilgisayarlı görü yapay zekâ şirketidir. Sunduğu hizmetler 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 zamanlarında yapılması planlanan lansman için nihai Ar-Ge aşamasından geçiyor ve henüz kesinleşmiş bir lansman tarihi bulunmuyor. Dokümantasyon; çıkış sonrası kullanım için özelliklerini, ön kıyaslamalarını ve örneklerini önizler. Mevcut projelerin için YOLO26 kullanmaya devam et.

Ultralytics paketini pip kullanarak yüklemek oldukça kolaydır:

pip install ultralytics

En güncel geliştirme sürümü için doğrudan GitHub deposundan yükleyin:

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 hızlandırma 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 sorunları gidermek için YOLO Yaygın Sorunlar sayfasını ziyaret et.

Özel bir YOLO modeli 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 bakabilirsin).

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 seçeneklerini içeren daha kapsamlı bir kılavuz için ayrıntılı eğitim kılavuzuna başvur.

Ultralytics, çeşitli görevler için çok farklı önceden eğitilmiş modeller 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 açısından farklılık gösterir; hız ve doğruluk arasında farklı ödünleşimler sunar. Projen için en uygun modeli bulmak üzere önceden eğitilmiş modellerin tamamını keşfet.

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 da dâhil olmak üzere gelişmiş çıkarım seçenekleri için ayrıntılı tahmin kılavuzuna göz at.

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

• Uç cihazlar: TensorRT, ONNX veya OpenVINO kullanarak NVIDIA Jetson veya Raspberry Pi gibi cihazlarda çıkarımı optimize et.
• Mobil: Modelleri LiteRT veya Core ML'e dönüştürerek Android ya da iOS cihazlarda dağıt.
• Bulut: Ölçeklenebilir bulut dağıtımları için TensorFlow Serving veya TorchServe gibi çatılardan yararlan.
• Web: ONNX Runtime Web kullanarak tarayıcı içi çıkarım uygula.

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

Temel farklar şunlardır:

• Uçtan Uca NMS İçermeyen Çıkarım: YOLO26, nms=False ile NMS içermeyen çıkarım sunar. Varsayılan bire çok yolu, doğruluk için NMS kullanır.
• DFL'nin Kaldırılması: YOLO26, Dağılımsal Odak Kayıp modülünü kaldırarak dışa aktarmayı basitleştirir ve uç cihazlarla düşük güç tüketimli cihazlarla uyumluluğu artırır.
• MuSGD Optimize Edicisi: Daha kararlı eğitim ve daha hızlı yakınsama için SGD ile Muon'un (Moonshot AI'ın Kimi K2'sinden esinlenmiştir) 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 destekler. YOLO26 ayrıca yoğun piksel düzeyinde tahmin için anlamsal segmentasyon ve piksel başına derinlik için tek gözlü derinlik tahminini destekler. Her iki model de birleşik bir çerçevede sınıflandırma, poz tahmini ve yönelimli nesne algılamayı (OBB) destekler.

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

Ultralytics'e katkıda bulunmak, projeyi geliştirmek ve becerilerini ilerletmek için harika bir yoldur. Katılmak 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 başarıyla geçtiğinden emin ol.
4. Değişikliklerinin açık bir açıklamasını içeren bir pull request gönder.
5. Kod inceleme sürecine katıl.

Hataları bildirerek, özellikler önererek veya belgeleri geliştirerek de katkıda bulunabilirsin. Ayrıntılı yönergeler ve en iyi uygulamalar için katkıda bulunma kılavuzuna başvur.

Ultralytics YOLO, gelişmiş bilgisayarlı görü görevleri için zengin bir özellik seti 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, tek gözlü derinlik tahmini, sınıflandırma, poz tahmini ve yönelimli nesne algılama (OBB) gerçekleştir.
• Önceden Eğitilmiş Modeller: Farklı kullanım durumları için hız ve doğruluk arasında denge kuran çeşitli önceden eğitilmiş modellere eriş.
• Özel Eğitim: Esnek eğitim işlem hattını kullanarak modelleri özel veri kümelerinde kolayca ince ayarla.
• Geniş Dağıtım Seçenekleri: Modelleri farklı platformlarda dağıtmak için TensorRT, ONNX ve CoreML gibi çeşitli biçimlere aktar.
• Kapsamlı Belgeler: Bilgisayarlı görü iş akışların için kapsamlı belgelerden ve destekleyici bir topluluktan yararlan.

YOLO modelinin performansını çeşitli tekniklerle artırabilirsin:

1. Hiperparametre Ayarlama: Model performansını optimize etmek için Hiperparametre Ayarlama Kılavuzunu kullanarak farklı hiperparametreleri dene.
2. Veri Artırma: Eğitim veri kümeni zenginleştirmek ve modelin genelleme yeteneğini artırmak için çevirme, ölçekleme, döndürme ve renk ayarı gibi teknikleri uygula.
3. Transfer Öğrenimi: Eğitim kılavuzunu kullanarak önceden eğitilmiş modellerden yararlan ve bunları 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. Karşılaştırmalı Değerlendirme: Çıkarım hızını ve doğruluğunu sistematik olarak ölçmek ve geliştirmek için Karşılaştırma Modundan yararlan.

Ultralytics, araçlarını kullanmaya başlamana ve bu araçlarda uzmanlaşmana yardımcı olacak çok sayıda kaynak sunar:

• 📚 Resmî belgeler: Kapsamlı kılavuzlar, API referansları ve en iyi uygulamalar.
• 💻 GitHub deposu: Kaynak kodu, örnek betikler ve topluluk katkıları.
• ✍️ Ultralytics blogu: Derinlemesine makaleler, kullanım örnekleri 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 görevler için kod örnekleri, gerçek dünya kullanım örnekleri ve adım adım kılavuzlar sunar.

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