Ultralytics YOLO11 Modlar

Giriş

Ultralytics YOLO11 sadece başka bir nesne algılama modeli değildir; veri alımı ve model eğitiminden doğrulama, dağıtım ve gerçek dünya takibine kadar makine öğrenimi modellerinin tüm yaşam döngüsünü kapsayacak şekilde tasarlanmış çok yönlü bir çerçevedir. Her mod belirli bir amaca hizmet eder ve size farklı görevler ve kullanım durumları için gereken esnekliği ve verimliliği sunmak üzere tasarlanmıştır.

İzle: Ultralytics Modlar Öğreticisi: Eğit, Doğrula, Tahmin Et, Dışa Aktar ve Kıyasla.

Bir Bakışta Modlar

Ultralytics YOLO11 adresinin desteklediği farklı modları anlamak, modellerinizden en iyi şekilde yararlanmak için kritik öneme sahiptir:

• Eğitim modu: Özel veya önceden yüklenmiş veri kümeleri üzerinde modelinize ince ayar yapın.
• Val modu: Model performansını doğrulamak için eğitim sonrası bir kontrol noktası.
• Tahmin modu: Modelinizin gerçek dünya verileri üzerindeki tahmin gücünü ortaya çıkarın.
• Dışa aktar ma modu: Modelinizi çeşitli formatlarda dağıtıma hazır hale getirin.
• İzleme modu: Nesne algılama modelinizi gerçek zamanlı izleme uygulamalarına genişletin.
• Benchmark modu: Farklı dağıtım ortamlarında modelinizin hızını ve doğruluğunu analiz edin.

Bu kapsamlı kılavuz, her bir moda ilişkin genel bir bakış ve pratik bilgiler sunarak YOLO11'un tüm potansiyelinden yararlanmanıza yardımcı olmayı amaçlamaktadır.

Tren

Train modu, özel bir veri kümesi üzerinde bir YOLO11 modelini eğitmek için kullanılır. Bu modda model, belirtilen veri kümesi ve hiperparametreler kullanılarak eğitilir. Eğitim süreci, bir görüntüdeki nesnelerin sınıflarını ve konumlarını doğru bir şekilde tahmin edebilmesi için modelin parametrelerinin optimize edilmesini içerir.

Tren Örnekleri

Val

Val modu, eğitildikten sonra bir YOLO11 modelini doğrulamak için kullanılır. Bu modda model, doğruluğunu ve genelleme performansını ölçmek için bir doğrulama kümesi üzerinde değerlendirilir. Bu mod, performansını artırmak için modelin hiperparametrelerini ayarlamak için kullanılabilir.

Val Örnekleri

Tahmin Et

Tahmin modu, yeni görüntüler veya videolar üzerinde eğitilmiş bir YOLO11 modeli kullanarak tahminler yapmak için kullanılır. Bu modda, model bir kontrol noktası dosyasından yüklenir ve kullanıcı çıkarım yapmak için görüntü veya video sağlayabilir. Model, giriş görüntüleri veya videolarındaki nesnelerin sınıflarını ve konumlarını tahmin eder.

Örnekleri Tahmin Et

İhracat

Dışa aktarma modu, bir YOLO11 modelini dağıtım için kullanılabilecek bir formata aktarmak için kullanılır. Bu modda model, diğer yazılım uygulamaları veya donanım cihazları tarafından kullanılabilecek bir biçime dönüştürülür. Bu mod, modeli üretim ortamlarına dağıtırken kullanışlıdır.

İhracat Örnekleri

Parça

İzleme modu, bir YOLO11 modeli kullanarak nesneleri gerçek zamanlı olarak izlemek için kullanılır. Bu modda, model bir kontrol noktası dosyasından yüklenir ve kullanıcı gerçek zamanlı nesne takibi gerçekleştirmek için canlı bir video akışı sağlayabilir. Bu mod, gözetleme sistemleri veya sürücüsüz arabalar gibi uygulamalar için kullanışlıdır.

Parça Örnekleri

Benchmark

Benchmark modu YOLO11 için çeşitli dışa aktarma formatlarının hız ve doğruluk profilini çıkarmak için kullanılır. Kıyaslamalar, dışa aktarılan formatın boyutu, hızı ve doğruluğu hakkında bilgi sağlar. mAP50-95 metrikleri (nesne algılama, segmentasyon ve poz için) veya accuracy_top5 metrikleri (sınıflandırma için) ve ONNX, OpenVINO, TensorRT ve diğerleri gibi çeşitli formatlarda görüntü başına milisaniye cinsinden çıkarım süresi. Bu bilgiler, kullanıcıların hız ve doğruluk gereksinimlerine göre kendi özel kullanım durumları için en uygun dışa aktarma biçimini seçmelerine yardımcı olabilir.

Benchmark Örnekleri

SSS

Özel bir nesne algılama modelini Ultralytics YOLO11 ile nasıl eğitebilirim?

Ultralytics YOLO11 ile özel bir nesne algılama modelini eğitmek için eğitme modu kullanılır. Görüntüleri ve ilgili açıklama dosyalarını içeren YOLO biçiminde biçimlendirilmiş bir veri kümesine ihtiyacınız vardır. Eğitim sürecini başlatmak için aşağıdaki komutu kullanın:

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

# Train a YOLO model from the command line
yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

Daha ayrıntılı talimatlar için Ultralytics Tren Kılavuzuna başvurabilirsiniz.

Ultralytics YOLO11 modelin performansını doğrulamak için hangi ölçütleri kullanıyor?

Ultralytics YOLO11 model performansını değerlendirmek için doğrulama sürecinde çeşitli ölçütler kullanır. Bunlar şunları içerir:

• mAP (Ortalama Ortalama Hassasiyet): Bu, nesne tespitinin doğruluğunu değerlendirir.
• IOU (Birlik üzerinden kesişim): Tahmin edilen ve temel gerçek sınırlama kutuları arasındaki örtüşmeyi ölçer.
• Kesinlik ve Geri Çağırma: Kesinlik, gerçek pozitif tespitlerin toplam tespit edilen pozitiflere oranını ölçerken, geri çağırma gerçek pozitif tespitlerin toplam gerçek pozitiflere oranını ölçer.

Doğrulamayı başlatmak için aşağıdaki komutu çalıştırabilirsiniz:

from ultralytics import YOLO

# Load a pre-trained or custom YOLO model
model = YOLO("yolo11n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

# Validate a YOLO model from the command line
yolo val data=path/to/validation.yaml

Daha fazla ayrıntı için Doğrulama Kılavuzuna bakın.

Dağıtım için YOLO11 modelimi nasıl dışa aktarabilirim?

Ultralytics YOLO11 eğitilmiş modelinizi ONNX, TensorRT, CoreML ve daha fazlası gibi çeşitli dağıtım biçimlerine dönüştürmek için dışa aktarma işlevi sunar. Modelinizi dışa aktarmak için aşağıdaki örneği kullanın:

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

# Export a YOLO model to ONNX format from the command line
yolo export model=yolo11n.pt format=onnx

Her bir dışa aktarma formatı için ayrıntılı adımlar Dışa Aktarma Kılavuzunda bulunabilir.

Ultralytics YOLO11 adresindeki kıyaslama modunun amacı nedir?

Ultralytics YOLO11 adresindeki Benchmark modu, hızı analiz etmek için kullanılır ve doğruluk ONNX, TensorRT, ve OpenVINO gibi çeşitli dışa aktarma formatları. Model boyutu gibi metrikler sağlar, mAP50-95 Nesne algılama ve farklı donanım kurulumları arasında çıkarım süresi için, dağıtım ihtiyaçlarınız için en uygun formatı seçmenize yardımcı olur.

from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

Daha fazla ayrıntı için Kıyaslama Kılavuzu'na bakın.

Ultralytics YOLO11 adresini kullanarak gerçek zamanlı nesne takibini nasıl gerçekleştirebilirim?

Gerçek zamanlı nesne izleme, Ultralytics YOLO11 adresindeki izleme modu kullanılarak gerçekleştirilebilir. Bu mod, video kareleri veya canlı yayınlar boyunca nesneleri izlemek için nesne algılama yeteneklerini genişletir. İzlemeyi etkinleştirmek için aşağıdaki örneği kullanın:

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

Ayrıntılı talimatlar için Track Guide'ı ziyaret edin.

📅1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar