Tarafından Desteklenen Modeller Ultralytics

Ultralytics'model belgelerine hoş geldiniz! Her biri nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve çoklu nesne takibi gibi belirli görevlere göre uyarlanmış çok çeşitli modeller için destek sunuyoruz. Model mimarinize Ultralytics adresine katkıda bulunmakla ilgileniyorsanız, Katkıda Bulunma Kılavuzumuza göz atın.

Öne Çıkan Modeller

İşte desteklenen temel modellerden bazıları:

1. YOLOv3: Orijinali Joseph Redmon'a ait olan YOLO model ailesinin üçüncü iterasyonu, etkili gerçek zamanlı nesne algılama yetenekleriyle bilinir.
2. YOLOv4: Alexey Bochkovskiy tarafından 2020'de yayınlanan YOLOv3'ün darknet-yerel güncellemesi.
3. YOLOv5: YOLO mimarisinin Ultralytics tarafından geliştirilmiş bir sürümüdür ve önceki sürümlere kıyasla daha iyi performans ve hız dengeleri sunar.
4. YOLOv6: Meituan tarafından 2022 yılında piyasaya sürüldü ve şirketin otonom teslimat robotlarının çoğunda kullanılıyor.
5. YOLOv7: YOLOv4'ün yazarları tarafından 2022'de yayınlanan güncellenmiş YOLO modelleri.
6. YOLOv8 YENİ 🚀: YOLO ailesinin örnek segmentasyonu, poz/anahtar nokta tahmini ve sınıflandırma gibi gelişmiş özelliklere sahip en son sürümü.
7. YOLOv9: üzerinde eğitilmiş deneysel bir model Ultralytics YOLOv5 Programlanabilir Gradyan Bilgisini (PGI) uygulayan kod tabanı.
8. YOLOv10: Tsinghua Üniversitesi tarafından, NMS içermeyen eğitim ve verimlilik-doğruluk odaklı mimariye sahip, son teknoloji performans ve gecikme süresi sunar.
9. Segment Anything Modeli (SAM): Meta'nın Segment Anything Modeli (SAM).
10. Mobil Segment Her Şey Modeli (MobileSAM): MobileSAM mobil uygulamalar için, Kyung Hee Üniversitesi tarafından.
11. Hızlı Segment Her Şey Modeli (FastSAM): FastSAM Görüntü ve Video Analiz Grubu, Otomasyon Enstitüsü, Çin Bilimler Akademisi.
12. YOLO-NAS: YOLO Sinirsel Mimari Arama (NAS) Modelleri.
13. Gerçek Zamanlı Algılama Transformatörleri (RT-DETR): Baidu'nun PaddlePaddle Realtime Detection Transformer (RT-DETR) modelleri.
14. YOLO-Dünya: Tencent AI Lab'den gerçek zamanlı Açık Kelime Dağarcığı Nesne Algılama modelleri.

İzle: Ultralytics YOLO modellerini sadece birkaç satır kodla çalıştırın.

Başlarken: Kullanım Örnekleri

Bu örnek basit YOLO eğitim ve çıkarım örnekleri sağlar. Bu ve diğer modlar hakkında tam dokümantasyon için Predict, Train, Val ve Export docs sayfalarına bakın.

Aşağıdaki örneğin nesne algılama için YOLOv8 Detect modelleri için olduğunu unutmayın. Desteklenen ek görevler için Segment, Classify ve Pose dokümanlarına bakın.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

Katkıda Bulunan Yeni Modeller

Modelinizle Ultralytics adresine katkıda bulunmak ister misiniz? Harika! Model portföyümüzü genişletmeye her zaman açığız.

1. Depoyu Çatallayın: Ultralytics GitHub deposunu çatallayarak başlayın.

2. Çatalınızı Klonlayın: Çatalınızı yerel makinenize klonlayın ve üzerinde çalışmak için yeni bir dal oluşturun.

3. Modelinizi Uygulayın: Katkıda Bulunma Kılavuzumuzda verilen kodlama standartlarını ve yönergelerini izleyerek modelinizi ekleyin.

4. İyice Test Edin: Modelinizi hem tek başına hem de boru hattının bir parçası olarak titizlikle test ettiğinizden emin olun.

5. Çekme İsteği Oluşturun: Modelinizden memnun kaldığınızda, incelenmek üzere ana depoya bir çekme isteği oluşturun.

6. Kod İnceleme ve Birleştirme: İncelemeden sonra, modeliniz kriterlerimizi karşılıyorsa, ana depoda birleştirilecektir.

Ayrıntılı adımlar için Katkıda Bulunma Kılavuzumuza bakın.

SSS

Nesne tespiti için Ultralytics YOLOv8 kullanmanın temel avantajları nelerdir?

Ultralytics YOLOv8 gerçek zamanlı nesne algılama, örnek segmentasyonu, poz tahmini ve sınıflandırma gibi gelişmiş özellikler sunar. Optimize edilmiş mimarisi, doğruluktan ödün vermeden yüksek hızlı performans sağlayarak çeşitli uygulamalar için idealdir. YOLOv8 ayrıca YOLOv8 dokümantasyon sayfasında ayrıntılı olarak açıklandığı üzere popüler veri kümeleri ve modellerle yerleşik uyumluluk içerir.

Bir YOLOv8 modelini özel veriler üzerinde nasıl eğitebilirim?

Özel veriler üzerinde bir YOLOv8 modelinin eğitimi Ultralytics kütüphaneleri kullanılarak kolayca gerçekleştirilebilir. İşte hızlı bir örnek:

from ultralytics import YOLO

# Load a YOLOv8n model
model = YOLO("yolov8n.pt")

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolov8n.pt data='custom_data.yaml' epochs=100 imgsz=640

Daha ayrıntılı talimatlar için Train belgeleri sayfasını ziyaret edin.

Ultralytics tarafından hangi YOLO sürümleri desteklenmektedir?

Ultralytics NAS, SAM ve RT-DETR gibi modellerle birlikte YOLOv3'ten YOLOv10'a kadar kapsamlı bir YOLO (You Only Look Once) sürümü yelpazesini destekler. Her sürüm algılama, segmentasyon ve sınıflandırma gibi çeşitli görevler için optimize edilmiştir. Her bir model hakkında ayrıntılı bilgi için Ultralytics tarafından Desteklenen Modeller belgesine bakın.

Makine öğrenimi projeleri için neden Ultralytics HUB kullanmalıyım?

Ultralytics HUB, YOLO modellerini eğitmek, dağıtmak ve yönetmek için kodsuz, uçtan uca bir platform sağlar. Karmaşık iş akışlarını basitleştirerek kullanıcıların model performansına ve uygulamaya odaklanmasını sağlar. HUB ayrıca bulut eğitim yetenekleri, kapsamlı veri seti yönetimi ve kullanıcı dostu arayüzler sunar. Daha fazla bilgi için Ultralytics HUB dokümantasyon sayfasını ziyaret edin.

YOLOv8 ne tür görevleri yerine getirebilir ve diğer YOLO sürümleriyle karşılaştırıldığında nasıldır?

YOLOv8 nesne algılama, örnek segmentasyonu, sınıflandırma ve poz tahmini gibi görevleri yerine getirebilen çok yönlü bir modeldir. YOLOv3 ve YOLOv4 gibi önceki sürümlerle karşılaştırıldığında, YOLOv8 optimize edilmiş mimarisi sayesinde hız ve doğrulukta önemli gelişmeler sunmaktadır. Daha derin bir karşılaştırma için YOLOv8 belgelerine ve belirli görevler hakkında daha fazla ayrıntı için Görev sayfalarına bakın.

Yorumlar