Ultralytics YOLO26 Modları#
Giriş#
Ultralytics YOLO26 yalnızca başka bir nesne algılama modeli değildir; veri alımından model eğitimine, doğrulamaya, dağıtıma ve gerçek dünyada izlemeye kadar makine öğrenimi modellerinin tüm yaşam döngüsünü kapsayacak şekilde tasarlanmış çok yönlü bir çerçevedir. Her mod belirli bir amaca hizmet eder ve farklı görevler ile kullanım senaryolarında ihtiyaç duyduğun esneklik ve verimliliği sağlamak üzere tasarlanmıştır.
YOLO27 desteği planlanıyor; bilgi için YOLO27 önizlemesine bak. YOLO27 yakında çıkacak ve henüz kullanıma sunulmadı; bu kılavuzda yayımlanmış YOLO26 modelleri kullanılıyor.
İzle: Ultralytics Modları Eğitimi: Train, Validate, Predict, Export ve Benchmark.
Modellere Genel Bakış#
Ultralytics YOLO26'nın desteklediği farklı modları anlamak, modellerinden en iyi şekilde yararlanmak için kritik öneme sahiptir:
- Train modu: Modelini özel veya önceden yüklenmiş veri kümelerinde ince ayarla.
- Val modu: Model performansını doğrulamak için eğitim sonrası kontrol noktası.
- Predict modu: Modelinin tahmin gücünü gerçek dünya verilerinde kullan.
- Export modu: Model dağıtımına hazır hâle getir ve çeşitli biçimlere dönüştür.
- Track modu: Nesne algılama modelini gerçek zamanlı izleme uygulamalarında kullan.
- Benchmark modu: Modelinin hızını ve doğruluğunu çeşitli dağıtım ortamlarında analiz et.
Bu kapsamlı kılavuz, her moda genel bir bakış ve uygulamaya yönelik bilgiler sunarak YOLO26'nın tüm potansiyelinden yararlanmana yardımcı olmayı amaçlar.
Train#
Train modu, özel bir veri kümesinde YOLO26 modelini eğitmek için kullanılır. Bu modda model, belirtilen veri kümesi ve hiperparametreler kullanılarak eğitilir. Eğitim süreci, modelin bir görüntüdeki nesnelerin sınıflarını ve konumlarını doğru biçimde tahmin edebilmesi için parametrelerinin optimize edilmesini içerir. Uygulamanla ilgili belirli nesneleri tanıyabilen modeller oluşturmak için eğitim şarttır.
Val#
Val modu, YOLO26 modeli eğitildikten sonra modeli doğrulamak için kullanılır. Bu modda model, doğruluk ve genelleme performansını ölçmek üzere bir doğrulama kümesinde değerlendirilir. Doğrulama, aşırı öğrenme gibi olası sorunları belirlemeye yardımcı olur ve model performansını ölçmek için ortalama Ortalama Kesinlik (mAP) gibi metrikler sağlar. Bu mod, hiperparametreleri ayarlamak ve genel model etkinliğini artırmak için kritik öneme sahiptir.
Predict#
Predict modu, eğitilmiş bir YOLO26 modeliyle yeni görüntüler veya videolar üzerinde tahmin yapmak için kullanılır. Bu modda model bir kontrol noktası dosyasından yüklenir ve kullanıcı çıkarım yapmak üzere görüntüler veya videolar sağlayabilir. Model, giriş medyasındaki nesneleri belirler ve konumlarını saptayarak gerçek dünya uygulamalarında kullanılmaya hazır hâle gelir. Predict modu, eğitilmiş modelini pratik sorunları çözmek için kullanmanın ilk adımıdır.
Export#
Export modu, YOLO26 modelini farklı platform ve cihazlarda dağıtıma uygun biçimlere dönüştürmek için kullanılır. Bu mod, PyTorch modelini ONNX, TensorRT veya CoreML gibi optimize edilmiş biçimlere dönüştürerek üretim ortamlarında dağıtımı mümkün kılar. Modelini çeşitli yazılım uygulamaları veya donanım cihazlarıyla bütünleştirmek için dışa aktarma şarttır ve çoğu zaman performansı önemli ölçüde artırır.
İzle#
Track modu, YOLO26'nın nesne algılama yeteneklerini video kareleri veya canlı akışlar boyunca nesneleri izleme özelliğiyle genişletir. Bu mod, gözetim sistemleri veya otonom araçlar gibi nesnelerin kalıcı olarak tanımlanmasını gerektiren uygulamalar için özellikle değerlidir. Altı izleyici içerir: TrackTrack (varsayılan), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT ve FastTracker.
Kıyaslama#
Benchmark modu, YOLO26 için çeşitli dışa aktarma biçimlerinin hız ve doğruluğunu profiller. Bu mod, farklı biçimlerde (ONNX, OpenVINO ve TensorRT gibi) model boyutu, doğruluk (nesne algılama, segmentasyon, poz ve OBB için mAP50-95; anlamsal segmentasyon için mIoU; derinlik için delta1 veya sınıflandırma için accuracy_top1) ve çıkarım süresi hakkında kapsamlı ölçümler sunar. Kıyaslama, dağıtım ortamındaki hız ve doğruluk gereksinimlerine göre en uygun dışa aktarma biçimini seçmene yardımcı olur.
Sık Sorulan Sorular#
Ultralytics YOLO26 ile özel bir nesne algılama modelini eğitmek için train modu kullanılır. Görseller ve bunlara karşılık gelen açıklama dosyalarını içeren, YOLO biçiminde düzenlenmiş bir veri kümesine ihtiyacın var. Eğitim sürecini başlatmak için aşağıdaki komutu kullan:
Örnekfrom ultralytics import YOLO # Önceden eğitilmiş bir YOLO modeli yükle (n, s, m, l veya x sürümlerinden birini seçebilirsin) model = YOLO("yolo26n.pt") # Özel veri kümen üzerinde eğitimi başlat model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)Daha ayrıntılı talimatlar için Ultralytics Eğitim Kılavuzu'na başvurabilirsin.
Ultralytics YOLO26, model performansını değerlendirmek için doğrulama sürecinde çeşitli ölçümler kullanır. Bunlar şunlardır:
- mAP (ortalama Ortalama Kesinlik): Nesne algılamanın doğruluğunu değerlendirir.
- IoU (Kesişim-Birleşim Oranı): Tahmin edilen ve gerçek sınırlayıcı kutular arasındaki örtüşmeyi ölçer.
- Kesinlik ve Duyarlılık: Kesinlik, doğru pozitif algılamaların toplam pozitif algılama sayısına oranını; duyarlılık ise doğru pozitif algılamaların gerçek pozitiflerin toplam sayısına oranını ölçer.
Doğrulamayı başlatmak için aşağıdaki komutu çalıştırabilirsin:
Örnekfrom ultralytics import YOLO # Önceden eğitilmiş veya özel bir YOLO modeli yükle model = YOLO("yolo26n.pt") # Veri kümen üzerinde doğrulamayı çalıştır model.val(data="path/to/validation.yaml")Daha fazla bilgi için Doğrulama Kılavuzu'na başvur.
Ultralytics YOLO26, eğitilmiş modelini ONNX, TensorRT, CoreML ve daha fazlası gibi çeşitli dağıtım biçimlerine dönüştürmek için dışa aktarma işlevi sunar. Modelini dışa aktarmak için aşağıdaki örneği kullan:
Örnekfrom ultralytics import YOLO # Eğitilmiş YOLO modelini yükle model = YOLO("yolo26n.pt") # Modeli ONNX biçimine aktar (gerektiğinde başka biçimler belirtebilirsin) model.export(format="onnx")Her dışa aktarma biçimine yönelik ayrıntılı adımları Dışa Aktarma Kılavuzu'nda bulabilirsin.
Ultralytics YOLO26'daki Benchmark modu; ONNX, TensorRT ve OpenVINO gibi çeşitli dışa aktarma biçimlerinin hızını ve doğruluğunu analiz etmek için kullanılır. Model boyutu, nesne algılama için
mAP50-95ve farklı donanım yapılandırmalarındaki çıkarım süresi gibi ölçümler sunarak dağıtım ihtiyaçlarına en uygun biçimi seçmene yardımcı olur.Örnekfrom ultralytics.utils.benchmarks import benchmark # GPU'da kıyaslamayı çalıştır (aygıt 0) # Model, veri kümesi, görüntü boyutu ve kesinlik gibi parametreleri gerektiği gibi ayarlayabilirsin benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)Daha fazla bilgi için Kıyaslama Kılavuzu'na başvur.
Ultralytics YOLO26'nın track modu kullanılarak gerçek zamanlı nesne takibi yapılabilir. Bu mod, nesne algılama yeteneklerini video kareleri veya canlı akışlar boyunca nesneleri izleme özelliğiyle genişletir. Takibi etkinleştirmek için aşağıdaki örneği kullan:
Örnekfrom ultralytics import YOLO # Önceden eğitilmiş bir YOLO modeli yükle model = YOLO("yolo26n.pt") # Videodaki nesneleri izlemeye başla # Canlı video akışlarını veya web kamerası girişini de kullanabilirsin model.track(source="path/to/video.mp4")Ayrıntılı talimatlar için İzleme Kılavuzu'nu ziyaret et.