─░├žeri─če ge├ž

Taraf─▒ndan Desteklenen Modeller Ultralytics

Ultralytics'model belgelerine ho┼č geldiniz! Her biri nesne alg─▒lama, ├Ârnek segmentasyonu, g├Âr├╝nt├╝ s─▒n─▒fland─▒rma, poz tahmini ve ├žoklu nesne takibi gibi belirli g├Ârevlere g├Âre uyarlanm─▒┼č ├žok ├že┼čitli modeller i├žin destek sunuyoruz. Model mimarinize Ultralytics adresine katk─▒da bulunmakla ilgileniyorsan─▒z, Katk─▒da Bulunma K─▒lavuzumuza g├Âz at─▒n.

─░┼čte desteklenen temel modellerden baz─▒lar─▒:

  1. YOLOv3: Orijinali Joseph Redmon'a ait olan YOLO model ailesinin ├╝├ž├╝nc├╝ iterasyonu, etkili ger├žek zamanl─▒ nesne alg─▒lama yetenekleriyle bilinir.
  2. YOLOv4: Alexey Bochkovskiy taraf─▒ndan 2020'de yay─▒nlanan YOLOv3'├╝n darknet-yerel g├╝ncellemesi.
  3. YOLOv5: YOLO mimarisinin Ultralytics taraf─▒ndan geli┼čtirilmi┼č bir s├╝r├╝m├╝d├╝r ve ├Ânceki s├╝r├╝mlere k─▒yasla daha iyi performans ve h─▒z dengeleri sunar.
  4. YOLOv6: Meituan taraf─▒ndan 2022 y─▒l─▒nda piyasaya s├╝r├╝ld├╝ ve ┼čirketin otonom teslimat robotlar─▒n─▒n ├žo─čunda kullan─▒l─▒yor.
  5. YOLOv7: YOLOv4'├╝n yazarlar─▒ taraf─▒ndan 2022'de yay─▒nlanan g├╝ncellenmi┼č YOLO modelleri.
  6. YOLOv8 YEN─░ ­čÜÇ: YOLO ailesinin ├Ârnek segmentasyonu, poz/anahtar nokta tahmini ve s─▒n─▒fland─▒rma gibi geli┼čmi┼č ├Âzelliklere sahip en son s├╝r├╝m├╝.
  7. YOLOv9: ├╝zerinde e─čitilmi┼č deneysel bir model Ultralytics YOLOv5 Programlanabilir Gradyan Bilgisini (PGI) uygulayan kod taban─▒.
  8. YOLOv10: Tsinghua ├ťniversitesi taraf─▒ndan, NMS i├žermeyen e─čitim ve verimlilik-do─čruluk odakl─▒ mimariye sahip, son teknoloji performans ve gecikme s├╝resi sunar.
  9. Segment Anything Modeli (SAM): Meta'n─▒n Segment Anything Modeli (SAM).
  10. Mobil Segment Her ┼×ey Modeli (MobileSAM): MobileSAM mobil uygulamalar i├žin, Kyung Hee ├ťniversitesi taraf─▒ndan.
  11. H─▒zl─▒ Segment Her ┼×ey Modeli (FastSAM): FastSAM G├Âr├╝nt├╝ ve Video Analiz Grubu, Otomasyon Enstit├╝s├╝, ├çin Bilimler Akademisi.
  12. YOLO-NAS: YOLO Sinirsel Mimari Arama (NAS) Modelleri.
  13. Ger├žek Zamanl─▒ Alg─▒lama Transformat├Ârleri (RT-DETR): Baidu'nun PaddlePaddle Realtime Detection Transformer (RT-DETR) modelleri.
  14. YOLO-D├╝nya: Tencent AI Lab'den ger├žek zamanl─▒ A├ž─▒k Kelime Da─čarc─▒─č─▒ Nesne Alg─▒lama modelleri.



─░zle: Ultralytics YOLO modellerini sadece birka├ž sat─▒r kodla ├žal─▒┼čt─▒r─▒n.

Ba┼člarken: Kullan─▒m ├ľrnekleri

Bu ├Ârnek basit YOLO e─čitim ve ├ž─▒kar─▒m ├Ârnekleri sa─člar. Bu ve di─čer modlar hakk─▒nda tam dok├╝mantasyon i├žin Predict, Train, Val ve Export docs sayfalar─▒na bak─▒n.

A┼ča─č─▒daki ├Ârne─čin nesne alg─▒lama i├žin YOLOv8 Detect modelleri i├žin oldu─čunu unutmay─▒n. Desteklenen ek g├Ârevler i├žin Segment, Classify ve Pose dok├╝manlar─▒na bak─▒n.

├ľrnek

PyTorch ├Ân e─čitimli *.pt modellerin yan─▒ s─▒ra yap─▒land─▒rma *.yaml dosyalar ┼ču dosyalara aktar─▒labilir YOLO(), SAM(), NAS() ve RTDETR() Python adresinde bir model ├Ârne─či olu┼čturmak i├žin s─▒n─▒flar:

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")

CLI komutlar─▒ modelleri do─črudan ├žal─▒┼čt─▒rmak i├žin kullan─▒labilir:

# 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

Katk─▒da Bulunan Yeni Modeller

Modelinizle Ultralytics adresine katk─▒da bulunmak ister misiniz? Harika! Model portf├Ây├╝m├╝z├╝ geni┼čletmeye her zaman a├ž─▒─č─▒z.

  1. Depoyu ├çatallay─▒n: Ultralytics GitHub deposunu ├žatallayarak ba┼člay─▒n.

  2. ├çatal─▒n─▒z─▒ Klonlay─▒n: ├çatal─▒n─▒z─▒ yerel makinenize klonlay─▒n ve ├╝zerinde ├žal─▒┼čmak i├žin yeni bir dal olu┼čturun.

  3. Modelinizi Uygulay─▒n: Katk─▒da Bulunma K─▒lavuzumuzda verilen kodlama standartlar─▒n─▒ ve y├Ânergelerini izleyerek modelinizi ekleyin.

  4. ─░yice Test Edin: Modelinizi hem tek ba┼č─▒na hem de boru hatt─▒n─▒n bir par├žas─▒ olarak titizlikle test etti─činizden emin olun.

  5. ├çekme ─░ste─či Olu┼čturun: Modelinizden memnun kald─▒─č─▒n─▒zda, incelenmek ├╝zere ana depoya bir ├žekme iste─či olu┼čturun.

  6. Kod ─░nceleme ve Birle┼čtirme: ─░ncelemeden sonra, modeliniz kriterlerimizi kar┼č─▒l─▒yorsa, ana depoda birle┼čtirilecektir.

Ayr─▒nt─▒l─▒ ad─▒mlar i├žin Katk─▒da Bulunma K─▒lavuzumuza bak─▒n.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (11), Laughing-q (1)

Yorumlar