Ultralytics YOLO26 Modları#
Giriş#
Ultralytics YOLO26 yalnız sıradan bir nesne tespiti modeli değildir; veri alımından ve model eğitiminden doğrulamaya, dağıtıma ve gerçek dünya takibine kadar machine learning modellerinin tüm yaşam döngüsünü kapsayacak şekilde tasarlanmış çok yönlü bir çerçevedir. Her mod belirli bir amaca hizmet eder ve sana farklı görevler ile kullanım senaryoları için gereken esnekliği ve verimliliği sunmak üzere tasarlanmıştır.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Modlara 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: model deployment işlemlerini çeşitli formatlar için 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.
Train#
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.
Val#
Val modu, bir YOLO26 modeli eğitildikten sonra onu doğrulamak için kullanılır. Bu modda model, doğruluğunu ve genelleştirme performansını ölçmek için bir doğrulama kümesi üzerinde değerlendirilir. Doğrulama, overfitting gibi potansiyel sorunların belirlenmesine yardımcı olur ve model performansını sayısal olarak ifade etmek için mean Average Precision (mAP) gibi metrikler sağlar. Bu mod, hiperparametreleri ayarlamak ve modelin genel etkinliğini artırmak için çok önemlidir.
Predict#
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.
Export#
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.
Track#
Track modu, YOLO26'nın nesne tespiti yeteneklerini video kareleri veya canlı akışlar boyunca nesneleri takip edecek şekilde genişletir. Bu mod, gözetim sistemleri veya otonom araçlar gibi kalıcı nesne tanımlaması gerektiren uygulamalar için özellikle değerlidir. TrackTrack (varsayılan), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT ve FastTracker olmak üzere altı takipçi içerir.
Benchmark#
Benchmark modu, YOLO26 için çeşitli dışa aktarım formatlarının hızını ve doğruluğunu profiller. Bu mod; model boyutu, doğruluk (tespit görevleri için mAP50-95 veya sınıflandırma için accuracy_top1) ve ONNX, OpenVINO ve TensorRT gibi farklı formatlardaki çıkarım süresi hakkında kapsamlı metrikler sağlar. Kıyaslama (benchmarking), dağıtım ortamındaki hız ve doğrulukla ilgili özel gereksinimlerine göre en uygun dışa aktarım formatını seçmene yardımcı olur.
SSS#
Ultralytics YOLO26 ile özel bir nesne tespiti modeli eğitmek, train modunun kullanılmasını içerir. Görselleri ve ilgili açıklama (annotation) dosyalarını içeren, YOLO format biçiminde biçimlendirilmiş bir veri setine ihtiyacın vardır. Eğitim sürecini başlatmak için aşağıdaki komutu kullan:
Örnekfrom 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 Train Guide kılavuzuna başvurabilirsin.
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 tespitlerin toplam tespit edilen pozitiflere oranını ölçerken; recall, doğru pozitif tespitlerin toplam gerçek pozitiflere oranını ölçer.
Doğrulamayı başlatmak için şu komutu çalıştırabilirsin:
Örnekfrom 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 Validation Guide kılavuzuna göz at.
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:
Örnekfrom 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 aktarım formatı için ayrıntılı adımları Export Guide kılavuzunda bulabilirsin.
Ultralytics YOLO26'daki Benchmark modu, ONNX, TensorRT ve OpenVINO gibi çeşitli dışa aktarım formatlarının hızını ve accuracy değerini analiz etmek için kullanılır. Model boyutu, nesne tespiti için
mAP50-95ve farklı donanım kurulumlarında çıkarım süresi gibi metrikler sağlayarak dağıtım ihtiyaçların için en uygun formatı seçmene yardımcı olur.Örnekfrom 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, device=0)Daha fazla detay için Benchmark Guide kılavuzuna bakabilirsin.
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:
Örnekfrom 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")Kapsamlı talimatlar için Track Guide sayfasını ziyaret et.