Ultralytics YOLO Sıkça Sorulan Sorular (SSS)
Bu SSS bölümü, kullanıcıların aşağıdakilerle çalışırken karşılaşabilecekleri yaygın soruları ve sorunları ele almaktadır Ultralytics YOLO depolar.
SSS
Ultralytics nedir ve ne sunar?
Ultralytics YOLO (You Only Look Once) ailesine odaklanan, son teknoloji nesne algılama ve görüntü segmentasyon modellerinde uzmanlaşmış bir bilgisayarla görme yapay zeka şirketidir. Sundukları teklifler şunları içerir:
- Açık kaynak uygulamaları YOLOv5 ve YOLOv8
- Çeşitli bilgisayarla görme görevleri için çok çeşitli 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 kurabilirim?
Ultralytics paketini pip kullanarak yüklemek kolaydır:
En son geliştirme sürümü için doğrudan GitHub deposundan yükleyin:
Ayrıntılı kurulum talimatları hızlı başlangıç kılavuzunda bulunabilir.
Ultralytics modellerini çalıştırmak için sistem gereksinimleri nelerdir?
Minimum gereksinimler:
- Python 3.7+
- PyTorch 1.7+
- CUDA-uyumlu GPU ( GPU hızlandırma için)
Önerilen kurulum:
- Python 3.8+
- PyTorch 1.10+
- NVIDIA GPU CUDA 11.2+ ile
- 8 GB+ RAM
- 50 GB+ boş disk alanı (veri kümesi depolama ve model eğitimi için)
Yaygın sorunları gidermek için YOLO Yay gın Sorunlar sayfasını ziyaret edin.
Kendi veri kümem üzerinde özel bir YOLOv8 modelini nasıl eğitebilirim?
Bir özel eğitmek için YOLOv8 model:
- Veri kümenizi şurada hazırlayın: YOLO biçim (resimler ve ilgili etiket txt dosyaları).
- Veri kümesi yapınızı ve sınıflarınızı açıklayan bir YAML dosyası oluşturun.
- Aşağıdakileri kullanın Python Eğitime başlamak için kod:
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.yaml") # build a new model from scratch
model = YOLO("yolov8n.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 ayrıntılı bir kılavuz için kapsamlı eğitim kılavuzuna bakın.
Ultralytics adresinde hangi ön eğitimli modeller mevcuttur?
Ultralytics çeşitli görevler için çok çeşitli önceden eğitilmiş YOLOv8 modelleri sunar:
- Nesne Algılama: YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x
- Örnek Segmentasyonu: YOLOv8n-Sönmez YOLOv8s-Sönmez YOLOv8m-Sönmez YOLOv8l-Sönmez YOLOv8x-Sönmez
- Sınıflandırma: YOLOv8n-Cls YOLOv8s-Cls YOLOv8m-Cls YOLOv8l-Cls YOLOv8x-Cls
Bu modeller boyut ve karmaşıklık açısından farklılık göstererek hız ve doğruluk arasında farklı dengeler sunar. Projenize en uygun modeli bulmak için önceden eğitilmiş modellerin tamamını keşfedin.
Eğitilmiş bir Ultralytics modeli kullanarak nasıl çıkarım yapabilirim?
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 cihazlara veya üretim ortamlarına 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 edin.
- Mobil cihazlar: Modelleri TFLite veya Core ML'ye dönüştürerek Android veya iOS cihazlarında 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 işlevleri sağlar. Kullanım durumunuza en uygun çözümü bulmak için çok çeşitli dağıtım seçeneklerini keşfedin.
YOLOv5 ve YOLOv8 arasındaki fark nedir?
Temel ayrımlar şunlardır:
- Mimari: YOLOv8 gelişmiş performans için geliştirilmiş bir omurga ve kafa tasarımına sahiptir.
- Performans: YOLOv8 genellikle YOLOv5 ile karşılaştırıldığında üstün doğruluk ve hız sunar.
- Görevler: YOLOv8 nesne algılama, örnek segmentasyonu ve sınıflandırmayı birleşik bir çerçevede yerel olarak destekler.
- Kod tabanı: YOLOv8 daha modüler ve genişletilebilir bir mimari ile uygulanarak daha kolay özelleştirme ve genişletme sağlar.
- Eğitim: YOLOv8 , gelişmiş sonuçlar için çoklu veri seti eğitimi ve hiperparametre evrimi gibi gelişmiş eğitim tekniklerini içerir.
Özelliklerin ve performans ölçümlerinin derinlemesine karşılaştırması için YOLOv5 vs YOLOv8 karşılaştırma sayfasını ziyaret edin.
Ultralytics açık kaynak projesine nasıl katkıda bulunabilirim?
Ultralytics 'a katkıda bulunmak, projeyi geliştirmek ve becerilerinizi genişletmek için harika bir yoldur. İşte nasıl dahil olabileceğiniz:
- Çatal Ultralytics GitHub'daki depo.
- Özelliğiniz veya hata düzeltmeniz için yeni bir dal oluşturun.
- Değişikliklerinizi yapın ve tüm testlerin geçtiğinden emin olun.
- Değişikliklerinizin net bir açıklamasını içeren bir çekme isteği gönderin.
- Kod inceleme sürecine katılın.
Ayrıca hataları bildirerek, özellikler önererek veya belgeleri geliştirerek de katkıda bulunabilirsiniz. Ayrıntılı yönergeler ve en iyi uygulamalar için katkıda bulunma kılavuzuna bakın.
Ultralytics paketini Python adresine nasıl yükleyebilirim?
Ultralytics paketini Python adresine yüklemek basittir. Terminalinizde veya komut isteminde aşağıdaki komutu çalıştırarak pip kullanın:
En yeni geliştirme sürümü için doğrudan GitHub deposundan yükleyin:
Ortama özgü kurulum talimatları ve sorun giderme ipuçları için kapsamlı hızlı başlangıç kılavuzuna bakın.
Ultralytics YOLO 'un temel özellikleri nelerdir?
Ultralytics YOLO gelişmiş nesne algılama ve görüntü segmentasyonu için zengin bir özellik setine sahiptir:
- Gerçek Zamanlı Algılama: Gerçek zamanlı senaryolarda nesneleri verimli bir şekilde tespit edin ve sınıflandırın.
- Önceden Eğitilmiş Modeller: Farklı kullanım durumları için hız ve doğruluğu dengeleyen çeşitli önceden eğitilmiş modellere erişin.
- Özel Eğitim: Esnek eğitim hattı ile özel veri kümeleri üzerinde modellere kolayca ince ayar yapın.
- Geniş Dağıtım Seçenekleri: Modelleri farklı platformlara dağıtmak için TensorRT, ONNX ve CoreML gibi çeşitli formatlara aktarın.
- Kapsamlı Dokümantasyon: Bilgisayarla görme yolculuğunuzda size rehberlik edecek kapsamlı dokümantasyondan ve destekleyici bir topluluktan yararlanın.
Farklı YOLO sürümlerinin yeteneklerine ve mimarilerine derinlemesine bakmak için YOLO modelleri sayfasını keşfedin.
YOLO modelimin performansını nasıl artırabilirim?
YOLO modelinizin performansının artırılması çeşitli tekniklerle sağlanabilir:
- Hiperparametre Ayarlama: Model performansını optimize etmek için Hiperparametre Ayarlama Kılavuzu 'nu kullanarak farklı hiperparametrelerle denemeler yapın.
- Veri Büyütme: Eğitim veri setinizi geliştirmek ve model genellemesini iyileştirmek için çevirme, ölçekleme, döndürme ve renk ayarlamaları gibi teknikler uygulayın.
- Transfer Öğrenimi: Önceden eğitilmiş modellerden yararlanın ve Train YOLOv8 kılavuzunu kullanarak özel veri kümeniz üzerinde ince ayar yapın.
- Verimli Formatlara Aktarın: Dışa Aktarma kılavuzunu kullanarak daha hızlı çıkarım yapmak için modelinizi TensorRT veya ONNX gibi optimize edilmiş formatlara dönüştürün.
- Kıyaslama: Çıkarım hızını ve doğruluğunu sistematik olarak ölçmek ve iyileştirmek için Kıyaslama Modunu kullanın.
Mobil ve uç cihazlarda Ultralytics YOLO modellerini dağıtabilir miyim?
Evet, Ultralytics YOLO modelleri mobil ve uç cihazlar da dahil olmak üzere çok yönlü dağıtım için tasarlanmıştır:
- Mobil: Android veya iOS uygulamalarına sorunsuz entegrasyon için modelleri TFLite veya CoreML 'a dönüştürün. Platforma özgü talimatlar için TFLite Entegrasyon Kılavuzu ve CoreML Entegrasyon Kılavuzu 'na bakın.
- Uç Cihazlar: TensorRT veya ONNX kullanarak NVIDIA Jetson gibi cihazlarda veya diğer uç donanımlarda çıkarımı optimize edin. Edge TPU Entegrasyon Kılavuzu, uç dağıtımı için ayrıntılı adımlar sağlar.
Çeşitli platformlardaki dağıtım stratejilerine kapsamlı bir genel bakış için dağıtım seçenekleri kılavuzuna bakın.
Eğitilmiş bir Ultralytics YOLO modelini kullanarak nasıl çıkarım yapabilirim?
Eğitilmiş bir Ultralytics YOLO modeli ile çıkarım yapmak kolaydır:
- Modeli yükleyin:
- Çıkarım 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 adresini kullanmak için örnekleri ve öğreticileri nerede bulabilirim?
Ultralytics başlamanıza ve araçlarında ustalaşmanıza yardımcı olacak çok sayıda kaynak sağlar:
- 📚 Resmi belgeler: Kapsamlı kılavuzlar, API referansları ve en iyi uygulamalar.
- 💻 GitHub deposu: Kaynak kodu, örnek komut dosyaları ve topluluk katkıları.
- ✍️ Ultralytics blog: Derinlemesine makaleler, kullanım örnekleri ve teknik bilgiler.
- 💬 Topluluk forumları: Diğer kullanıcılarla bağlantı kurun, sorular 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 durumları ve adım adım kılavuzlar sağlar.
Daha fazla yardıma ihtiyacınız olursa, Ultralytics belgelerine başvurmaktan veya GitHub Sorunları ya da resmi tartışma forumu aracılığıyla topluluğa ulaşmaktan çekinmeyin.