Link to this sectionRoboflow#

Roboflow, veri etiketleme ve YOLO dahil olmak üzere çeşitli formatlarda veri kümesi dışa aktarma işlemleri için araçlar sunar. Bu kılavuz; Ultralytics YOLO modelleri için veri etiketlemeyi, dışa aktarmayı ve dağıtmayı kapsar.

Bu kılavuz, Roboflow kullanarak özel bir Ultralytics YOLO26 modelini eğitmek için verileri nasıl bulacağını, etiketleyeceğini ve düzenleyeceğini gösterir.

• Eğitim için Veri Topla
• Veri Etiketle
• Veri Kümesi Yönetimi
• Veri Dışa Aktar
• Modelleri Dağıt
• Modelleri Değerlendir
• SSS

Link to this sectionÖzel bir YOLO26 Modelini Eğitmek için Veri Topla#

Roboflow, Ultralytics YOLO modelleri için veri toplamaya yardımcı olacak iki ana hizmet sunar: Universe ve Collect. Veri toplama stratejileri hakkında daha genel bilgiler için Veri Toplama ve Açıklama Kılavuzumuza bak.

Link to this sectionRoboflow Universe#

Roboflow Universe, görsel veri kümeleri için çevrim içi bir depodur. Ultralytics modelleriyle kullanmak üzere veri kümelerini YOLO formatında dışa aktarabilirsin.

Link to this sectionRoboflow Collect#

Görüntüleri kendin toplamayı tercih edersen, Roboflow Collect uç cihazlarda web kamerası aracılığıyla otomatik görüntü toplamayı sağlayan açık kaynaklı bir projedir. Görsel modelin için yalnızca gerekli görüntüleri yakalamaya yardımcı olacak şekilde, toplanacak verileri belirlemek için metin veya görüntü istemlerini kullanabilirsin.

Link to this sectionYOLO26 Formatı için Veri Yükle, Dönüştür ve Etiketle#

Roboflow Annotate; nesne algılama, sınıflandırma ve segmentasyon dahil olmak üzere çeşitli bilgisayarlı görü görevleri için görüntüleri etiketlemeye yarayan çevrim içi bir araçtır.

Bir Ultralytics YOLO modeli için verileri etiketlemek amacıyla Roboflow'da bir proje oluştur, görüntülerini yükle ve açıklamaya (etiketlemeye) başla.

Link to this sectionEtiketleme Araçları#

• Sınırlayıcı Kutu Etiketleme: B tuşuna bas veya kutu simgesine tıkla. Sınırlayıcı kutuyu oluşturmak için tıkla ve sürükle. Bir açılır pencere, etiketleme için bir sınıf seçmeni isteyecektir.
• Poligon Etiketleme: Örnek segmentasyonu için kullanılır. P tuşuna bas veya poligon simgesine tıkla. Poligonu çizmek için nesnenin etrafındaki noktalara tıkla.

Link to this sectionEtiket Asistanı (SAM Entegrasyonu)#

Roboflow, etiketlemeyi hızlandırmak amacıyla Segment Anything Model (SAM) tabanlı bir etiket asistanını entegre eder.

Etiket asistanını kullanmak için kenar çubuğundaki imleç simgesine tıkla. SAM, projen için etkinleştirilecektir.

Bir nesnenin üzerine gel, SAM bir etiket önerisinde bulunabilir. Etiketlemeyi kabul etmek için tıkla. Önerilen alanın içine veya dışına tıklayarak etiketlemenin kesinliğini iyileştirebilirsin.

Link to this sectionEtiketleme (Tagging)#

Kenar çubuğundaki Etiketler (Tags) panelini kullanarak görüntülere etiket ekleyebilirsin. Etiketler; konum, kamera kaynağı vb. gibi öznitelikleri temsil edebilir. Bu etiketler, belirli görüntüleri aramanı ve belirli etiketleri içeren görüntüleri barındıran veri kümesi sürümleri oluşturmanı sağlar.

Link to this sectionEtiket Asistanı (Model Tabanlı)#

Roboflow'da barındırılan modeller, etiketlemeyi önermek için Etiket Asistanı ile kullanılabilir. YOLO modeli ağırlıklarını Roboflow'a yükle (aşağıdaki talimatlara bak), ardından kenar çubuğundaki sihirli değnek simgesi aracılığıyla Etiket Asistanını etkinleştir.

Link to this sectionYOLO26 için Veri Kümesi Yönetimi#

Roboflow, bilgisayarlı görü veri kümelerini anlamak ve yönetmek için çeşitli araçlar sunar.

Link to this sectionVeri Kümesi Arama#

Görüntüleri metin açıklamalarına veya belirli etiketlere/tags göre bulmak için veri kümesi aramasını kullan. Bu özelliğe kenar çubuğundaki "Dataset" kısmına tıklayarak eriş.

Link to this sectionSağlık Kontrolü (Health Check)#

Eğitimden önce, veri kümen hakkında içgörü kazanmak ve olası iyileştirmeleri belirlemek için Roboflow Sağlık Kontrolü'nü kullan. "Health Check" kenar çubuğu bağlantısı aracılığıyla eriş. Görüntü boyutları, sınıf dengesi, etiketleme ısı haritaları ve daha fazlası hakkında istatistikler sağlar.

Sağlık Kontrolü, sınıf dengesi özelliğinde tanımlanan sınıf dengesizliklerini gidermek gibi performansı artıracak değişiklikler önerebilir. Veri kümesi sağlığını anlamak, etkili model eğitimi için çok önemlidir.

Link to this sectionModel Sağlamlığı için Verileri Ön İşle ve Çoğalt#

Verilerini dışa aktarmak için, veri kümenin belirli bir andaki anlık görüntüsü olan bir veri kümesi sürümü oluşturman gerekir. Kenar çubuğunda "Versions"a ve ardından "Create New Version"a tıkla. Burada, model sağlamlığını potansiyel olarak artırmak için ön işleme adımları uygulayabilir ve veri çoğaltmaları ekleyebilirsin.

Seçilen her çoğaltma için, parlaklık gibi parametrelerini ince ayar yapmana olanak tanıyan bir açılır pencere belirir. Uygun çoğaltma, model eğitimi ipuçları kılavuzumuzda tartışılan önemli bir kavram olan model genellemesini önemli ölçüde iyileştirebilir.

Link to this sectionModel Eğitimi için 40+ Formatta Veri Dışa Aktar#

Veri kümesi sürümün oluşturulduğunda, onu model eğitimi için uygun çeşitli formatlarda dışa aktarabilirsin. Sürüm sayfasındaki "Export Dataset" düğmesine tıkla.

Ultralytics eğitim süreçleriyle uyumluluk için "YOLO26" formatını seç. Artık özel YOLO26 modelini eğitmeye hazırsın. Dışa aktarılan veri kümenle eğitime başlamaya dair ayrıntılı talimatlar için Ultralytics Eğitim modu belgelerine bak.

Link to this sectionTest ve Dağıtım için Özel YOLO26 Model Ağırlıklarını Yükle#

Roboflow, dağıtılmış modeller için ölçeklenebilir bir API ve NVIDIA Jetson, Luxonis OAK, Raspberry Pi ve GPU tabanlı sistemler gibi cihazlarla uyumlu SDK'lar sunar. Kılavuzlarımızdaki çeşitli model dağıtım seçeneklerini keşfet.

Basit bir Python betiği kullanarak YOLO26 modellerini ağırlıklarını Roboflow'a yükleyerek dağıtabilirsin.

Yeni bir Python dosyası oluştur ve şu kodu ekle:

import roboflow  # install with 'pip install roboflow'

# Log in to Roboflow (requires API key)
roboflow.login()

# Initialize Roboflow client
rf = roboflow.Roboflow()

# Define your workspace and project details
WORKSPACE_ID = "your-workspace-id"  # Replace with your actual Workspace ID
PROJECT_ID = "your-project-id"  # Replace with your actual Project ID
VERSION = 1  # Replace with your desired dataset version number
MODEL_PATH = "path/to/your/runs/detect/train/"  # Replace with the path to your YOLO26 training results directory

# Get project and version
project = rf.workspace(WORKSPACE_ID).project(PROJECT_ID)
dataset = project.version(VERSION)

# Upload model weights for deployment
# Ensure MODEL_PATH points to the directory containing 'best.pt'
dataset.deploy(
    model_type="yolov8",
    model_path=MODEL_PATH,
)  # Note: Use "yolov8" as model_type for YOLO26 compatibility in Roboflow deployment

print(f"Model from {MODEL_PATH} uploaded to Roboflow project {PROJECT_ID}, version {VERSION}.")
print("Deployment may take up to 30 minutes.")

Bu kodda your-workspace-id, your-project-id, VERSION numarası ve MODEL_PATH kısımlarını Roboflow hesabına, projene ve yerel eğitim sonuçları dizinine özel değerlerle değiştir. MODEL_PATH kısmının eğitilmiş best.pt ağırlık dosyanı içeren dizini doğru bir şekilde işaretlediğinden emin ol.

Yukarıdaki kodu çalıştırdığında, (genellikle bir API anahtarı aracılığıyla) kimlik doğrulaması yapman istenecektir. Ardından modelin yüklenecek ve projen için bir API uç noktası oluşturulacaktır. Bu işlemin tamamlanması 30 dakikayı bulabilir.

Modelini test etmek ve desteklenen SDK'lar için dağıtım talimatlarını bulmak için Roboflow kenar çubuğundaki "Deploy" sekmesine git. Bu sayfanın üst kısmında, web kameranı kullanarak veya görüntü ya da video yükleyerek modelini test etmene olanak tanıyan bir widget görünecektir.

Yüklediğin model, yeni görüntüler üzerinde eğitimine dayalı etiketlemeler önererek bir etiketleme asistanı olarak da kullanılabilir.

Link to this sectionYOLO26 Modelleri Nasıl Değerlendirilir#

Roboflow, model performansını değerlendirmek için özellikler sunar. Performans ölçümlerini anlamak, model yinelemesi için çok önemlidir.

Bir model yükledikten sonra, Roboflow panosundaki model sayfan aracılığıyla model değerlendirme aracına eriş. "View Detailed Evaluation"a tıkla.

Bu araç, model performansını gösteren bir karışıklık matrisi ve CLIP yerleştirmelerini kullanan etkileşimli bir vektör analizi grafiği görüntüler. Bu özellikler, model iyileştirme alanlarını belirlemeye yardımcı olur.

Karışıklık matrisi açılır penceresi:

Değerleri görmek için hücrelerin üzerine gel ve model tahminleri ile gerçek veri değerlerine sahip ilgili görüntüleri görmek için hücrelere tıkla.

CLIP yerleştirmelerine dayalı görüntü benzerliğini görselleştiren bir dağılım grafiği için "Vector Analysis"e tıkla. Birbirine yakın görüntüler anlamsal olarak benzerdir. Noktalar, beyazdan (iyi performans) kırmızıya (kötü performans) kadar renklendirilmiş görüntüleri temsil eder.

Vektör Analizi şunlara yardımcı olur:

• Görüntü kümelerini tanımla.
• Modelin kötü performans gösterdiği kümeleri belirle.
• Kötü performansa neden olan görüntüler arasındaki ortak noktaları anla.

Link to this sectionÖğrenme Kaynakları#

• Özel Veri Kümesinde YOLO Eğitimi (Colab): Verilerinle eğitim yapmak için etkileşimli Google Colab not defteri.
• Ultralytics YOLO Belgeleri: YOLO modellerini eğitme, dışa aktarma ve dağıtma.
• Ultralytics Blogu: Bilgisayarlı görü ve model eğitimi üzerine makaleler.
• Ultralytics YouTube: Model eğitimi ve dağıtımı üzerine video kılavuzlar.

Link to this sectionSSS#

Link to this sectionRoboflow kullanarak YOLO26 modelleri için verileri nasıl etiketlerim?#

Roboflow Annotate kullan. Bir proje oluştur, görüntüleri yükle ve etiketleme araçlarını (B sınırlayıcı kutular için, P poligonlar için) veya daha hızlı etiketleme için SAM tabanlı etiket asistanını kullan. Ayrıntılı adımlar Veri Yükle, Dönüştür ve Etiketle bölümünde mevcuttur.

Link to this sectionRoboflow, YOLO26 eğitim verilerini toplamak için hangi hizmetleri sunar?#

Roboflow provides Universe (access to numerous datasets) and Collect (automated image gathering via webcam). These can help acquire the necessary training data for your YOLO26 model, complementing strategies outlined in our Data Collection Guide.

Link to this sectionYOLO26 veri kümemi Roboflow kullanarak nasıl yönetebilir ve analiz edebilirim?#

Roboflow'un veri kümesi arama, etiketleme ve Sağlık Kontrolü özelliklerinden faydalan. Arama özelliği metin veya etiketlere göre görüntüleri bulurken, Sağlık Kontrolü eğitimden önce iyileştirmelere rehberlik etmek için veri kümesi kalitesini (sınıf dengesi, görüntü boyutları vb.) analiz eder. Ayrıntılar için Veri Kümesi Yönetimi bölümüne bak.

Link to this sectionYOLO26 veri kümemi Roboflow'dan nasıl dışa aktarırım?#

Roboflow'da bir veri kümesi sürümü oluştur, istediğin ön işlemleri ve çoğaltmaları uygula, ardından "Export Dataset"e tıkla ve YOLO26 formatını seç. Süreç, Veri Dışa Aktar bölümünde belirtilmiştir. Bu, verilerini Ultralytics eğitim süreçleriyle kullanıma hazırlar.

Link to this sectionYOLO26 modellerini Roboflow ile nasıl entegre edebilir ve dağıtabilirim?#

Eğitilmiş YOLO26 ağırlıklarını sağlanan Python betiğini kullanarak Roboflow'a yükle. Bu, dağıtılabilir bir API uç noktası oluşturur. Betik ve talimatlar için Özel Ağırlıkları Yükle bölümüne bak. Belgelerimizdeki diğer dağıtım seçeneklerini keşfet.