Ultralytics YOLO26 Modları
Giriş
Ultralytics YOLO26 sadece başka bir nesne detect modeli değil; veri alımından model eğitimine, doğrulamadan dağıtıma ve gerçek dünya track'ine kadar makine öğrenimi modellerinin tüm yaşam döngüsünü kapsayacak şekilde tasarlanmış çok yönlü bir çerçevedir. Her mod belirli bir amaca hizmet eder ve farklı görevler ve kullanım durumları için gereken esnekliği ve verimliliği sunmak üzere tasarlanmıştır.
İzle: Ultralytics Modları Eğitimi: Eğit, Doğrula, Tahmin Et, Dışa Aktar ve Karşılaştır.
Bir Bakışta Modlar
Ultralytics YOLO26'nın desteklediği farklı modları anlamak, modellerinizden en iyi şekilde yararlanmak için kritik öneme sahiptir:
- Eğitim modu: Modelinizi özel veya önceden yüklenmiş veri kümelerinde ince ayar yapın.
- Doğrulama modu: Model performansını doğrulamak için eğitim sonrası bir kontrol noktası.
- Tahmin modu: Modelinizin tahmin gücünü gerçek dünya verilerinde serbest bırakın.
- Dışa Aktarma modu: Model dağıtımınızı çeşitli formatlarda hazırlayın.
- İzleme modu: Nesne algılama modelinizi gerçek zamanlı izleme uygulamalarına genişletin.
- Benchmark modu: Modelinizin hızını ve doğruluğunu çeşitli dağıtım ortamlarında analiz edin.
Bu kapsamlı rehber, size her mod hakkında genel bir bakış ve pratik bilgiler sunmayı amaçlayarak YOLO26'nın tüm potansiyelini kullanmanıza yardımcı olur.
Eğit
Train modu, özel bir veri kümesi üzerinde bir YOLO26 modelini eğitmek için kullanılır. Bu modda, model belirtilen veri kümesi ve hiperparametreler kullanılarak eğitilir. Eğitim süreci, modelin parametrelerini optimize etmeyi içerir, böylece bir görüntüdeki nesnelerin sınıflarını ve konumlarını doğru bir şekilde tahmin edebilir. Eğitim, uygulamanızla ilgili belirli nesneleri tanıyabilen modeller oluşturmak için çok önemlidir.
Doğrula
Val modu, bir YOLO26 modeli eğitildikten sonra doğrulamak için kullanılır. Bu modda, model doğruluğunu ve genelleme performansını ölçmek için bir doğrulama kümesi üzerinde değerlendirilir. Doğrulama, aşırı uyum gibi potansiyel sorunları belirlemeye yardımcı olur ve model performansını nicelleştirmek için ortalama Duyarlılık (mAP) gibi metrikler sağlar. Bu mod, hiperparametreleri ayarlamak ve genel model etkinliğini artırmak için çok önemlidir.
Tahmin et
Tahmin modu, eğitilmiş bir YOLO26 modeli kullanarak yeni görüntüler veya videolar üzerinde tahminler yapmak için kullanılır. Bu modda, model bir kontrol noktası dosyasından yüklenir ve kullanıcı çıkarım yapmak için görüntüler veya videolar sağlayabilir. Model, girdi medyasındaki nesneleri tanımlar ve konumlandırır, böylece gerçek dünya uygulamaları için hazır hale gelir. Tahmin modu, eğitilmiş modelinizi pratik sorunları çözmek için uygulamanın kapısıdır.
Dışa aktar
Dışa aktarma modu, bir YOLO26 modelini farklı platformlar ve cihazlar arasında dağıtıma uygun formatlara dönüştürmek için kullanılır. Bu mod, PyTorch modelinizi ONNX, TensorRT veya CoreML gibi optimize edilmiş formatlara dönüştürerek üretim ortamlarında dağıtımı mümkün kılar. Dışa aktarma, modelinizi çeşitli yazılım uygulamaları veya donanım cihazlarıyla entegre etmek için hayati öneme sahiptir ve genellikle önemli performans iyileştirmeleri sağlar.
İzle
track modu, YOLO26'nın nesne detect yeteneklerini video kareleri veya canlı yayınlar boyunca nesneleri track etmek için genişletir. Bu mod, gözetim sistemleri veya otonom araçlar gibi kalıcı nesne tanımlaması gerektiren uygulamalar için özellikle değerlidir. track modu, nesneler geçici olarak görüş alanından kaybolsa bile kareler arasında nesne kimliğini korumak için ByteTrack gibi gelişmiş algoritmaları uygular.
Kıyaslama
Kıyaslama modu, YOLO26 için çeşitli dışa aktarma formatlarının hızını ve doğruluğunu profiller. Bu mod, model boyutu, doğruluk (detect görevleri için mAP50-95 veya sınıflandırma için accuracy_top5) ve ONNX, OpenVINO ve TensorRT gibi farklı formatlardaki çıkarım süresi hakkında kapsamlı metrikler sağlar. Kıyaslama, dağıtım ortamınızdaki hız ve doğruluk için özel gereksinimlerinize göre en uygun dışa aktarma formatını seçmenize yardımcı olur.
SSS
Ultralytics YOLO26 ile özel bir nesne detect modeli nasıl eğitirim?
Ultralytics YOLO26 ile özel bir nesne detect modeli eğitmek, eğitim modunu kullanmayı gerektirir. Görüntüler ve ilgili açıklama dosyalarını içeren, YOLO formatında biçimlendirilmiş bir veri setine ihtiyacınız var. Eğitim sürecini başlatmak için aşağıdaki komutu kullanın:
Örnek
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)
# Train a YOLO model from the command line
yolo detect train data=path/to/dataset.yaml model=yolo26n.pt epochs=100 imgsz=640
Daha ayrıntılı talimatlar için Ultralytics Eğitim Kılavuzu'na başvurabilirsiniz.
Ultralytics YOLO26, modelin performansını doğrulamak için hangi metrikleri kullanır?
Ultralytics YOLO26, doğrulama süreci boyunca model performansını değerlendirmek için çeşitli metrikler kullanır. Bunlar şunları içerir:
- mAP (ortalama Ortalama Kesinlik): Bu, nesne tespitinin doğruluğunu değerlendirir.
- IOU (Kesişim Üzerinden Birleşim): Tahmin edilen ve gerçek bounding box'lar 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:
Örnek
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")
# Validate a YOLO model from the command line
yolo val model=yolo26n.pt data=path/to/validation.yaml
Daha fazla ayrıntı için Doğrulama Kılavuzu'na bakın.
YOLO26 modelimi dağıtım için nasıl dışa aktarabilirim?
Ultralytics YOLO26, eğitilmiş modelinizi ONNX, TensorRT, CoreML ve daha fazlası gibi çeşitli dağıtım formatlarına dönüştürmek için dışa aktarma işlevselliği sunar. Modelinizi dışa aktarmak için aşağıdaki örneği kullanın:
Örnek
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")
# Export a YOLO model to ONNX format from the command line
yolo export model=yolo26n.pt format=onnx
Her dışa aktarma formatı için ayrıntılı adımlar Dışa Aktarma Kılavuzu'nda bulunabilir.
Ultralytics YOLO26'daki kıyaslama modunun amacı nedir?
Ultralytics YOLO26'daki kıyaslama modu, hızı ve doğruluğu ONNX, TensorRT ve OpenVINO gibi çeşitli dışa aktarma formatlarını analiz etmek için kullanılır. Model boyutu gibi metrikler sağlar, mAP50-95 nesne algılama için ve farklı donanım kurulumlarında çıkarım süresi, dağıtım ihtiyaçlarınız için en uygun formatı seçmenize yardımcı olur.
Örnek
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)
# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo26n.pt data='coco8.yaml' imgsz=640 half=False device=0
Daha fazla ayrıntı için Kıyaslama Kılavuzu'na bakın.
Ultralytics YOLO26 kullanarak gerçek zamanlı nesne track'i nasıl gerçekleştirebilirim?
Gerçek zamanlı nesne track, Ultralytics YOLO26'daki track modu kullanılarak gerçekleştirilebilir. Bu mod, nesne detect yeteneklerini video kareleri veya canlı yayınlar boyunca nesneleri track etmek için genişletir. track özelliğini etkinleştirmek için aşağıdaki örneği kullanın:
Örnek
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")
# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track model=yolo26n.pt source=path/to/video.mp4
Ayrıntılı talimatlar için İzleme Kılavuzu'nu ziyaret edin.
