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, bir YOLO11 modelini özel bir veri kümesi üzerinde 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. Eğitim, uygulamanızla ilgili belirli nesneleri tanıyabilen modeller oluşturmak için gereklidir.

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. Doğrulama, aşırı uyum gibi potansiyel sorunların belirlenmesine yardımcı olur ve model performansını ölçmek için Ortalama Ortalama Hassasiyet (mAP) gibi ölçütler sağlar. Bu mod, hiperparametrelerin ayarlanması ve genel model etkinliğinin iyileştirilmesi için çok önemlidir.

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 ortamındaki nesneleri tanımlar ve konumlandırır, böylece gerçek dünya uygulamaları için hazır hale gelir. Tahmin modu, pratik sorunları çözmek için eğitilmiş modelinizi uygulamaya açılan kapıdır.

Örnekleri Tahmin Et

İhracat

Dışa aktarma modu, bir YOLO11 modelini farklı platformlarda ve cihazlarda dağıtıma uygun biçimlere 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 gereklidir ve genellikle önemli performans iyileştirmeleri sağlar.

İhracat Örnekleri

Parça

İzleme modu, video kareleri veya canlı akışlar boyunca nesneleri izlemek için YOLO11'in nesne algılama yeteneklerini genişletir. Bu mod özellikle gözetim sistemleri veya sürücüsüz arabalar gibi kalıcı nesne tanımlama gerektiren uygulamalar için değerlidir. İzleme modu, nesneler geçici olarak gözden kaybolsa bile kareler boyunca nesne kimliğini korumak için ByteTrack gibi sofistike algoritmalar uygular.

Parça Örnekleri

Benchmark

Kıyaslama modu, YOLO11 için çeşitli dışa aktarma formatlarının hız ve doğruluk profilini çıkarır. Bu mod, model boyutu, doğruluk (algılama görevleri için mAP50-95 veya sınıflandırma için accuracy_top5) ve ONNX gibi farklı formatlarda çıkarım süresi hakkında kapsamlı ölçümler sağlar, OpenVINOve TensorRT. Kıyaslama, dağıtım ortamınızdaki hız ve doğruluk için özel gereksinimlerinize göre en uygun dışa aktarma biçimini seçmenize yardımcı olur.

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 ✏️ 6 gün önce güncellendi

Yorumlar