Link to this sectionUltralytics YOLOv8'i Keşfet#

Link to this sectionGenel Bakış#

YOLOv8, 10 Ocak 2023'te Ultralytics tarafından yayınlandı ve doğruluk ile hız açısından en son teknoloji performansı sunuyor. Önceki YOLO sürümlerinin başarılarının üzerine inşa edilen YOLOv8, çok çeşitli uygulamalardaki nesne algılama görevleri için ideal bir seçenek haline getiren yeni özellikler ve optimizasyonlar getirdi.

Link to this sectionYOLOv8'in Temel Özellikleri#

• Gelişmiş Omurga ve Boyun Mimarileri: YOLOv8, iyileştirilmiş öznitelik çıkarımı ve nesne algılama performansı sağlayan en son teknoloji omurga ve boyun mimarilerini kullanır.
• Çapasız Ayrık Ultralytics Head: YOLOv8, çapa tabanlı yaklaşımlara kıyasla daha iyi doğruluk ve daha verimli bir algılama sürecine katkıda bulunan çapasız ayrık bir Ultralytics head yapısını benimser.
• Optimize Edilmiş Doğruluk-Hız Dengesi: Doğruluk ve hız arasında en iyi dengeyi korumaya odaklanan YOLOv8, çeşitli uygulama alanlarındaki gerçek zamanlı nesne algılama görevleri için uygundur.
• Çeşitli Önceden Eğitilmiş Modeller: YOLOv8, çeşitli görevlere ve performans gereksinimlerine yanıt verebilecek bir dizi önceden eğitilmiş model sunarak, özel kullanım durumun için doğru modeli bulmanı kolaylaştırır.

Link to this sectionDesteklenen Görevler ve Modlar#

YOLOv8 serisi, bilgisayarlı görü alanındaki belirli görevler için uzmanlaşmış, çeşitli modellerden oluşan bir yelpaze sunar. Bu modeller, nesne algılamadan örnek bölümleme, poz/anahtar nokta algılama, yönelimli nesne algılama ve sınıflandırma gibi daha karmaşık görevlere kadar çeşitli gereksinimleri karşılamak üzere tasarlanmıştır.

YOLOv8 serisinin her bir varyantı, yüksek performans ve doğruluk sağlayacak şekilde kendi görevi için optimize edilmiştir. Ayrıca bu modeller; Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma dahil olmak üzere çeşitli operasyonel modlarla uyumludur, bu da onların dağıtım ve geliştirmenin farklı aşamalarında kullanılmasını kolaylaştırır.

Bu tablo, YOLOv8 model varyantlarına genel bir bakış sunarak belirli görevlerdeki uygulanabilirliklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli operasyonel modlarla uyumluluklarını vurgular. YOLOv8 serisinin çok yönlülüğünü ve dayanıklılığını sergileyerek, onları bilgisayarlı görü alanındaki çeşitli uygulamalar için uygun hale getirir.

Link to this sectionPerformans Metrikleri#

Link to this sectionYOLOv8 Kullanım Örnekleri#

Bu örnek, basit YOLOv8 eğitim ve çıkarım örnekleri sunar. Bunlar ve diğer modlar hakkında tam dokümantasyon için Predict, Train, Val ve Export doküman sayfalarına bak.

Aşağıdaki örneğin nesne tespiti için YOLOv8 Detect modellerine yönelik olduğunu unutma. Desteklenen diğer görevler için Segment, Classify, OBB dokümanlarına ve Pose dokümanlarına 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")

Link to this sectionAlıntılar ve Teşekkür#

Eğer YOLOv8 modelini veya bu depodaki başka bir yazılımı çalışmalarında kullanırsan, lütfen aşağıdaki formatı kullanarak atıfta bulun:

@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}
}

Lütfen DOI'nin henüz onay sürecinde olduğunu ve uygun olduğunda atıfa ekleneceğini unutma. YOLOv8 modelleri, AGPL-3.0 ve Enterprise lisansları altında sağlanmaktadır.

Link to this sectionSSS#

Link to this sectionYOLOv8 nedir ve önceki YOLO sürümlerinden farkı nedir?#

YOLOv8, gelişmiş özelliklerle gerçek zamanlı nesne tespiti performansını iyileştirmek için tasarlanmıştır. Önceki sürümlerden farklı olarak, YOLOv8 anchor-free split Ultralytics head, en son teknoloji backbone ve boyun mimarilerini içerir ve optimize edilmiş doğruluk-hız dengesi sunarak onu çeşitli uygulamalar için ideal hale getirir. Daha fazla detay için Genel Bakış ve Temel Özellikler bölümlerine göz at.

Link to this sectionYOLOv8'i farklı bilgisayarlı görü görevleri için nasıl kullanabilirim?#

YOLOv8; nesne tespiti, örnek segmentasyonu, poz/anahtar nokta tespiti, yönelimli nesne tespiti ve sınıflandırma dahil olmak üzere çok çeşitli bilgisayarlı görü görevlerini destekler. Her model varyantı kendi özel görevi için optimize edilmiştir ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli çalışma modlarıyla uyumludur. Daha fazla bilgi için Desteklenen Görevler ve Modlar bölümüne başvur.

Link to this sectionYOLOv8 modelleri için performans metrikleri nelerdir?#

YOLOv8 modelleri, çeşitli karşılaştırmalı değerlendirme veri setlerinde en son teknoloji performansa ulaşır. Örneğin, YOLOv8n modeli COCO veri setinde 37.3 mAP (mean Average Precision) ve A100 TensorRT üzerinde 0.99 ms hızına ulaşır. Her bir model varyantının farklı görevler ve veri setleri genelindeki ayrıntılı performans metrikleri Performans Metrikleri bölümünde bulunabilir.

Link to this sectionYOLOv8 modelini nasıl eğitirim?#

YOLOv8 modelini eğitmek Python veya CLI kullanılarak yapılabilir. Aşağıda, COCO ön eğitimli bir YOLOv8 modelini COCO8 veri setinde 100 dönem (epoch) boyunca eğitmek için örnekler verilmiştir:

from ultralytics import YOLO

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

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

Daha fazla detay için Eğitim dokümantasyonunu ziyaret et.

Link to this sectionYOLOv8 modellerini performans açısından kıyaslayabilir miyim?#

Evet, YOLOv8 modelleri çeşitli dışa aktarma formatlarında hız ve doğruluk açısından kıyaslanabilir. Kıyaslama için PyTorch, ONNX, TensorRT ve daha fazlasını kullanabilirsin. Aşağıda Python ve CLI kullanarak kıyaslama için örnek komutlar verilmiştir:

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, device=0)

Daha fazla bilgi için Performans Metrikleri bölümüne göz at.