Ultralytics YOLOv8'i keşfet#

Genel Bakış#

Ultralytics, YOLOv8'i 10 Ocak 2023'te yayımlayarak doğruluk ve hız açısından son teknoloji performans sundu. Önceki YOLO sürümlerinin gelişmelerini temel alan YOLOv8, geniş bir uygulama yelpazesindeki çeşitli nesne algılama görevleri için ideal bir seçenek olmasını sağlayan yeni özellikler ve optimizasyonlar sunar.

YOLOv8'in Temel Özellikleri#

• Gelişmiş Omurga ve Boyun Mimarileri: YOLOv8, en yeni omurga ve boyun mimarilerini kullanarak özellik çıkarımı ve nesne algılama performansını artırır.
• Çapasız Ayrık Ultralytics Kafası: YOLOv8, çapasız ayrık bir Ultralytics kafası kullanır; bu da çapa tabanlı yaklaşımlara kıyasla daha iyi doğruluk ve daha verimli bir algılama süreci sağlar.
• Optimize Edilmiş Doğruluk-Hız Dengesi: YOLOv8, doğruluk ve hız arasında ideal dengeyi korumaya odaklanarak farklı uygulama alanlarındaki gerçek zamanlı nesne algılama görevleri için uygundur.
• Çeşitli Önceden Eğitilmiş Modeller: YOLOv8, çeşitli görev ve performans gereksinimlerine yönelik önceden eğitilmiş bir model yelpazesi sunarak kullanımına özel doğru modeli bulmayı kolaylaştırır.

Desteklenen Görevler ve Modlar#

YOLOv8 serisi, her biri bilgisayarlı görü alanındaki belirli görevlerde uzmanlaşmış çeşitli modeller sunar. Bu modeller, nesne algılamadan örnek segmentasyonu, sınıflandırma, poz/anahtar nokta algılama ve yönelimli nesne algılama gibi daha karmaşık görevlere kadar çeşitli gereksinimleri karşılamak üzere tasarlanmıştır.

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

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

Performans Metrikleri#

YOLOv8 Kullanım Örnekleri#

Bu örnekte YOLOv8 modelini eğitmek ve çıkarım yapmak için basit örnekler sunulmuştur. Bu ve diğer modlarla ilgili tüm belgeler için Tahmin, Eğitim, Doğrulama ve Dışa Aktarma belge sayfalarına göz at.

Aşağıdaki örneğin nesne algılama için YOLOv8 Algılama modellerini kapsadığını unutma. Desteklenen diğer görevler için Segmentasyon, Sınıflandırma, Poz ve OBB belgelerine göz at.

from ultralytics import YOLO

# COCO ile önceden eğitilmiş bir YOLOv8n modelini yükle
model = YOLO("yolov8n.pt")

# Model bilgilerini görüntüle (isteğe bağlı)
model.info()

# Modeli COCO8 örnek veri kümesinde 100 dönem boyunca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 'bus.jpg' görüntüsünde YOLOv8n modeliyle çıkarım yap
results = model("path/to/bus.jpg")

Atıflar ve Teşekkürler#

YOLOv8 modelini veya bu depodaki başka bir yazılımı çalışmanda kullanırsan lütfen aşağıdaki biçimi kullanarak kaynak göster:

@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 henüz belirlenmediğini ve kullanılabilir olduğunda atıfa ekleneceğini unutma. YOLOv8 modelleri AGPL-3.0 ve Kurumsal lisansları altında sunulur.

Sık Sorulan Sorular#