Ultralytics YOLOv8'i Keşfet#

Genel Bakış#

YOLOv8, Ultralytics tarafından 10 Ocak 2023 tarihinde piyasaya sürülmüş olup doğruluk ve hız açısından son teknoloji performans sunar. Önceki YOLO sürümlerinin geliştirmelerini temel alan YOLOv8, geniş bir uygulama yelpazesinde çeşitli nesne tespiti görevleri için ideal bir seçim olmasını sağlayan yeni özellikler ve optimizasyonlar getirmiştir.

YOLOv8'in Temel Özellikleri#

• Gelişmiş Ana Gövde ve Boyun Mimarileri: YOLOv8, gelişmiş özellik çıkarımı ve nesne tespiti performansı sağlayan son teknoloji ana gövde 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.

Desteklenen Görevler ve Modlar#

YOLOv8 serisi, her biri bilgisayarlı görüdeki belirli görevler için özelleştirilmiş çok çeşitli modeller sunar. Bu modeller, nesne tespitinden örnek bölütleme, sınıflandırma, poz/anahtar nokta tespiti ve yönlendirilmiş nesne tespiti gibi daha karmaşık görevlere kadar çeşitli gereksinimleri karşılamak üzere tasarlanmıştır.

YOLOv8 serisinin her bir varyantı, ilgili görev için optimize edilmiş olup yüksek performans ve doğruluk sağlar. Ayrıca bu modeller, Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma dahil olmak üzere çeşitli operasyonel modlarla uyumludur ve farklı geliştirme ve dağıtım aşamalarında kullanımlarını kolaylaştırır.

Bu tablo, YOLOv8 model varyantlarına genel bir bakış sunarak bunların belirli görevlerdeki uygulanabilirliklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli operasyonel modlarla uyumluluklarını vurgular. YOLOv8 serisinin çok yönlülüğünü ve dayanıklılığını gözler önüne sererek bilgisayarlı görü alanındaki çeşitli uygulamalar için uygun olmalarını sağlar.

Performans Metrikleri#

YOLOv8 Kullanım Örnekleri#

Bu örnek, basit YOLOv8 eğitim ve çıkarım örnekleri sunar. Bunlar ve diğer modlar hakkında tam dokümantasyon için Tahmin Et, Eğit, Değerlendir ve Dışa Aktar dokümantasyon sayfalarına göz at.

Aşağıdaki örneğin, nesne tespiti için YOLOv8 Algılama modellerine ait olduğunu unutma. Desteklenen ek görevler için Bölütle, Sınıflandır, Poz ve OBB belgelerini incele.

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")

Alıntılar 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}
}

DOI'nin henüz onay aşamasında olduğunu ve hazır olduğunda alıntıya ekleneceğini lütfen unutma. YOLOv8 modelleri AGPL-3.0 ve Enterprise lisansları altında sağlanmaktadır.

SSS#

YOLOv8 nedir ve önceki YOLO sürümlerinden farkı nedir?#

YOLOv8, gelişmiş özelliklerle gerçek zamanlı nesne tespiti performansını artırmak için tasarlanmıştır. Önceki sürümlerden farklı olarak YOLOv8, çapasız bölünen Ultralytics başlığı, son teknoloji ana gövde ve boyun mimarilerini içerir ve optimize edilmiş doğruluk-hız ödünleşimi sunarak çeşitli uygulamalar için ideal hale gelir. Daha fazla ayrıntı için Genel Bakış ve Temel Özellikler bölümlerini incele.

YOLOv8'i farklı bilgisayarlı görü görevleri için nasıl kullanabilirim?#

YOLOv8; nesne tespiti, örnek bölütleme, poz/anahtar nokta tespiti, yönlendirilmiş 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 operasyonel modlarla uyumludur. Daha fazla bilgi için Desteklenen Görevler ve Modlar bölümüne göz at.

YOLOv8 modelleri için performans metrikleri nelerdir?#

YOLOv8 modelleri, çeşitli kıyaslama veri setlerinde son teknoloji performans elde eder. Örneğin, YOLOv8n modeli COCO veri setinde 37.3 mAP (ortalama Ortalama Kesinlik) ve A100 TensorRT üzerinde 0.99 ms hız elde eder. Farklı görevler ve veri setleri için her model varyantına ait ayrıntılı performans ölçümlerini Performans Ölçümleri bölümünde bulabilirsin.

YOLOv8 modelini nasıl eğitirim?#

Bir YOLOv8 modelini eğitmek Python veya CLI kullanılarak yapılabilir. Aşağıda, COCO ön eğitilimli bir YOLOv8 modelini COCO8 veri setinde 100 dönem 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 ayrıntı için Eğitim belgelerini ziyaret et.

YOLOv8 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)

Ek bilgi için Performans Ölçümleri bölümüne göz at.