Ultralytics YOLOv8'i keşfet#

Genel Bakış#

YOLOv8, 10 Ocak 2023'te Ultralytics tarafından yayımlandı ve doğruluk ile hız açısından son teknoloji performans sundu. Önceki YOLO sürümlerindeki gelişmeler üzerine inşa edilen YOLOv8, geniş bir uygulama yelpazesindeki çeşitli nesne algılama görevleri için ideal bir seçenek olmasını sağlayan yeni özellikler ve optimizasyonlar sundu.

YOLOv8'in Temel Özellikleri#

• Gelişmiş Omurga ve Boyun Mimarileri: YOLOv8, son teknoloji omurga ve boyun mimarilerinden yararlanarak özellik çıkarma ve nesne algılama performansını iyileştirir.
• Çapasız Ayrık Ultralytics Başlığı: YOLOv8, çapa tabanlı yaklaşımlara kıyasla daha iyi doğruluk ve daha verimli bir algılama süreci sağlayan çapasız, ayrık bir Ultralytics başlığı kullanır.
• Optimize Edilmiş Doğruluk-Hız Dengesi: Doğruluk ve hız arasında ideal dengeyi korumaya odaklanan YOLOv8, çeşitli uygulama alanlarındaki gerçek zamanlı nesne algılama görevleri için uygundur.
• Çeşitli Önceden Eğitilmiş Modeller: YOLOv8, çeşitli görev ve performans gereksinimlerine hitap eden bir dizi önceden eğitilmiş model sunarak özel kullanım alanın için doğru modeli bulmanı kolaylaştırır.

Desteklenen Görevler ve Modlar#

YOLOv8 serisi, bilgisayarlı görüdeki belirli görevlere özel, çeşitli modeller sunar. Bu modeller, nesne algılamadan örnek bölütleme, sınıflandırma, poz/anahtar noktası algılama ve yönelimli nesne algılama gibi daha karmaşık görevlere kadar çeşitli gereksinimleri karşılamak üzere tasarlanmıştır.

YOLOv8 serisinin her varyantı, kendi görevine göre optimize edilerek yüksek performans ve doğruluk sağlar. Ayrıca bu modeller, farklı dağıtım ve geliştirme aşamalarında kullanımlarını kolaylaştıran Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli çalışma modlarıyla uyumludur.

Bu tablo, YOLOv8 model varyantlarına genel bir bakış sunarak belirli görevlerdeki uygulanabilirliklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli çalışma modlarıyla uyumluluklarını vurgular. YOLOv8 serisinin çok yönlülüğünü ve sağlamlığını göstererek bu modelleri bilgisayarlı görü alanındaki çeşitli uygulamalar için uygun hâle getirir.

Performans Metrikleri#

YOLOv8 Kullanım Örnekleri#

Bu örnek, basit YOLOv8 eğitim ve çıkarım örnekleri sunar. Bunlar ve diğer modlar hakkında eksiksiz belgeler için Tahmin, Eğitim, Doğrulama ve Dışa Aktarma belgeleri sayfalarına bak.

Aşağıdaki örneğin nesne algılama için YOLOv8 Detect modellerine yönelik olduğunu unutma. Desteklenen diğer görevler için Segment, Classify, Pose ve OBB belgelerine bak.

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")

Atıflar ve Teşekkürler#

YOLOv8 modelini veya bu depodaki başka bir yazılımı çalışmanda kullanırsan lütfen aşağıdaki biçimi kullanarak atıf yap:

@software{yolov8_ultralytics,
  author = {Glenn Jocher and Ayush Chaurasia and Jing Qiu},
  title = {Ultralytics YOLOv8},
  version = {8.0.0},
  year = {2023},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0002-7603-6750, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

DOI'nin beklemede olduğunu ve kullanılabilir olduğunda atfa ekleneceğini lütfen unutma. YOLOv8 modelleri AGPL-3.0 ve Enterprise lisansları kapsamında sunulur.

SSS#