Link to this sectionUltralytics YOLO26 Modları#
Link to this sectionGiriş#
Ultralytics YOLO26 sadece başka bir nesne algılama modeli değil; makine öğrenimi modellerinin tüm yaşam döngüsünü kapsayacak şekilde tasarlanmış, veri alımından model eğitimine, doğrulamaya, dağıtıma ve gerçek zamanlı takibe kadar her şeyi içeren çok yönlü bir çerçevedir. Her mod belirli bir amaca hizmet eder ve farklı görevler ile kullanım durumları için gereken esnekliği ve verimliliği sunmak üzere tasarlanmıştır.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Link to this sectionModlara Genel Bakış#
Ultralytics YOLO26'nın desteklediği farklı modları anlamak, modellerinden en iyi şekilde yararlanman için çok önemlidir:
- Train modu: Modelini özel veya önceden yüklenmiş veri setleri üzerinde eğit.
- Val modu: Model performansını doğrulamak için eğitim sonrası bir kontrol noktası.
- Predict modu: Modelinin tahmin gücünü gerçek dünya verileri üzerinde ortaya çıkar.
- Export modu: Modelini dağıtıma çeşitli formatlarda hazır hale getir.
- Track modu: Nesne algılama modelini gerçek zamanlı takip uygulamalarına genişlet.
- Benchmark modu: Modelinin farklı dağıtım ortamlarındaki hızını ve doğruluğunu analiz et.
Bu kapsamlı rehber, her bir mod hakkında sana genel bir bakış ve pratik bilgiler sunmayı, böylece YOLO26'nın tüm potansiyelinden yararlanmana yardımcı olmayı amaçlar.
Link to this sectionTrain#
Train modu, bir YOLO26 modelini özel bir veri seti üzerinde eğitmek için kullanılır. Bu modda model, belirtilen veri seti ve hiperparametreler kullanılarak eğitilir. Eğitim süreci, modelin bir görüntüdeki nesnelerin sınıflarını ve konumlarını doğru bir şekilde tahmin edebilmesi için modelin parametrelerinin optimize edilmesini içerir. Eğitim, uygulaman için önemli olan belirli nesneleri tanıyabilen modeller oluşturmak için gereklidir.
Link to this sectionVal#
Val modu, eğitildikten sonra bir YOLO26 modelini doğrulamak için kullanılır. Bu modda model, doğruluğunu ve genelleme performansını ölçmek için bir doğrulama seti üzerinde değerlendirilir. Doğrulama, aşırı öğrenme gibi olası sorunları belirlemeye yardımcı olur ve model performansını ölçmek için ortalama Hassasiyet (mAP) gibi metrikler sağlar. Bu mod, hiperparametreleri ayarlamak ve genel model etkinliğini artırmak için çok önemlidir.
Link to this sectionPredict#
Predict modu, eğitilmiş bir YOLO26 modeli kullanarak yeni görüntüler veya videolar üzerinde tahmin yapmak için kullanılır. Bu modda model bir kontrol noktası dosyasından yüklenir ve kullanıcı çıkarım yapmak için görüntüler veya videolar sağlayabilir. Model, giriş medyasındaki nesneleri tanımlar ve konumlandırır, böylece onları gerçek dünya uygulamaları için hazır hale getirir. Predict modu, eğitilmiş modelini pratik sorunları çözmek için uygulamanın kapısıdır.
Link to this sectionExport#
Export modu, bir YOLO26 modelini farklı platformlarda ve cihazlarda dağıtıma uygun formatlara dönüştürmek için kullanılır. Bu mod, PyTorch modelini ONNX, TensorRT veya CoreML gibi optimize edilmiş formatlara dönüştürerek üretim ortamlarında dağıtımı sağlar. Dışa aktarma, modelini çeşitli yazılım uygulamaları veya donanım cihazlarıyla entegre etmek için gereklidir ve genellikle önemli performans iyileştirmeleri sağlar.
Link to this sectionTrack#
Track modu, YOLO26'nın nesne algılama yeteneklerini video kareleri veya canlı yayınlar boyunca nesneleri takip edecek şekilde genişletir. Bu mod, surveillance systems veya self-driving cars gibi kalıcı nesne tanımlama gerektiren uygulamalar için özellikle değerlidir. Track modu, nesneler geçici olarak görüş alanından kaybolduğunda bile kareler arasında nesne kimliğini korumak için BoT-SORT (varsayılan) ve ByteTrack gibi gelişmiş takip edicileri uygular.
Link to this sectionBenchmark#
Benchmark modu, YOLO26 için çeşitli dışa aktarma formatlarının hızını ve doğruluğunu profiller. Bu mod, model boyutu, doğruluk (algılama görevleri için mAP50-95 veya sınıflandırma için accuracy_top1) ve ONNX, OpenVINO ve TensorRT gibi farklı formatlar genelinde çıkarım süresi hakkında kapsamlı metrikler sağlar. Kıyaslama, dağıtım ortamındaki hız ve doğruluk gereksinimlerine göre en uygun dışa aktarma formatını seçmene yardımcı olur.
Link to this sectionSSS#
Link to this sectionUltralytics YOLO26 ile özel bir nesne algılama modelini nasıl eğitirim?#
Ultralytics YOLO26 ile özel bir nesne algılama modelini eğitmek, train modunu kullanmayı gerektirir. Görüntüleri ve karşılık gelen açıklama dosyalarını içeren, YOLO formatında biçimlendirilmiş bir veri setine ihtiyacın vardır. Eğitim sürecini başlatmak için şu komutu kullan:
from ultralytics import YOLO
# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")
# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)Daha ayrıntılı talimatlar için Ultralytics Eğitim Rehberi'ne başvurabilirsin.
Link to this sectionUltralytics YOLO26, modelin performansını doğrulamak için hangi metrikleri kullanır?#
Ultralytics YOLO26, model performansını değerlendirmek için doğrulama sürecinde çeşitli metrikler kullanır. Bunlar şunlardır:
- mAP (mean Average Precision): Bu, nesne algılamanın doğruluğunu değerlendirir.
- IOU (Intersection over Union): Tahmin edilen ve gerçek sınırlayıcı kutular arasındaki örtüşmeyi ölçer.
- Precision ve Recall: Precision, doğru pozitif algılamaların toplam algılanan pozitiflere oranını ölçerken, recall doğru pozitif algılamaların toplam gerçek pozitiflere oranını ölçer.
Doğrulamayı başlatmak için şu komutu çalıştırabilirsin:
from ultralytics import YOLO
# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")
# Run validation on your dataset
model.val(data="path/to/validation.yaml")Daha fazla ayrıntı için Doğrulama Rehberi'ne bak.
Link to this sectionYOLO26 modelimi dağıtım için nasıl dışa aktarabilirim?#
Ultralytics YOLO26, eğitilmiş modelini ONNX, TensorRT, CoreML ve daha fazlası gibi çeşitli dağıtım formatlarına dönüştürmek için dışa aktarma işlevi sunar. Modelini dışa aktarmak için aşağıdaki örneği kullan:
from ultralytics import YOLO
# Load your trained YOLO model
model = YOLO("yolo26n.pt")
# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")Her dışa aktarma formatı için ayrıntılı adımlar Dışa Aktarma Rehberi'nde bulunabilir.
Link to this sectionUltralytics YOLO26'daki benchmark modunun amacı nedir?#
Ultralytics YOLO26'daki Benchmark modu, ONNX, TensorRT ve OpenVINO gibi çeşitli dışa aktarma formatlarının hızını ve doğruluğunu analiz etmek için kullanılır. Model boyutu, nesne algılama için mAP50-95 ve farklı donanım kurulumlarında çıkarım süresi gibi metrikler sağlayarak, dağıtım ihtiyaçların için en uygun formatı seçmene 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="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)Daha fazla ayrıntı için Benchmark Rehberi'ne başvur.
Link to this sectionUltralytics YOLO26 kullanarak nasıl gerçek zamanlı nesne takibi yapabilirim?#
Gerçek zamanlı nesne takibi, Ultralytics YOLO26'daki track modu kullanılarak gerçekleştirilebilir. Bu mod, video kareleri veya canlı yayınlar boyunca nesneleri izlemek için nesne algılama yeteneklerini genişletir. Takibi etkinleştirmek için aşağıdaki örneği kullan:
from ultralytics import YOLO
# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")
# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")Ayrıntılı talimatlar için Takip Rehberi'ni ziyaret et.