Ultralytics YOLO26 Modları#
Giriş#
Ultralytics YOLO26 sadece sıradan 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 sana farklı görevler ile kullanım senaryoları için gereken esnekliği ve verimliliği sunmak üzere tasarlanmıştır.
Planlanan YOLO27 desteği için YOLO27 preview sayfasına göz at. YOLO27 yakında geliyor ve henüz mevcut değil; bu kılavuz yayınlanmış YOLO26 modellerini kullanır.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Bir Bakışta Modlar#
Modellerinden en iyi şekilde yararlanmak için Ultralytics YOLO26'nın desteklediği farklı modları anlamak çok önemlidir:
- Train modu: Modelini özel veya önceden yüklenmiş veri setleri üzerinde ince ayara tabi tut.
- Val modu: Model performansını doğrulamak için eğitim sonrası bir kontrol noktası.
- Predict modu: Modelinin gerçek dünya verileri üzerindeki tahmin gücünü açığa çıkar.
- Export modu: Model dağıtımını çeşitli formatlarda yapılabilir hale getir.
- Track modu: Nesne algılama modelini gerçek zamanlı takip uygulamalarına genişlet.
- Benchmark modu: Modelinin hızını ve doğruluğunu farklı dağıtım ortamlarında analiz et.
Bu kapsamlı kılavuz, her bir mod hakkında genel bir bakış ve pratik bilgiler sunarak YOLO26'nın tüm potansiyelinden yararlanmana yardımcı olmayı amaçlar.
Eğit#
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 parametrelerini optimize etmeyi içerir. Eğitim, uygulamanla ilgili belirli nesneleri tanıyabilen modeller oluşturmak için esastır.
Val#
Val modu, bir YOLO26 modeli eğitildikten sonra doğrulanması için kullanılır. Bu modda model, doğruluğunu ve genelleştirme performansını ölçmek için bir doğrulama seti üzerinde değerlendirilir. Doğrulama, aşırı öğrenme gibi potansiyel sorunların belirlenmesine yardımcı olur ve model performansını nicelendirmek için ortalama Ortalama Kesinlik (mAP) gibi metrikler sağlar. Bu mod, hiperparametreleri ayarlamak ve genel model etkinliğini artırmak için çok önemlidir.
Tahmin Et#
Predict modu, eğitilmiş bir YOLO26 modeli kullanarak yeni görüntüler veya videolar üzerinde tahminler yapman için kullanılır. Bu modda model bir kontrol noktası dosyasından yüklenir ve çıkarım gerçekleştirmek üzere görüntüler veya videolar sağlayabilirsin. Model, giriş medyasındaki nesneleri tanımlar ve konumlandırır, böylece gerçek dünya uygulamalarına hazır hale gelir. Predict modu, eğitilmiş modelini pratik problemleri çözmek için uygulamanın kapısıdır.
Dışa Aktar#
Export modu, bir YOLO26 modelini farklı platformlar ve cihazlar genelinde dağıtıma uygun formatlara dönüştürmek için kullanılır. Bu mod, PyTorch modelini ONNX, TensorRT veya CoreML gibi optimize edilmiş formatlara dönüştürerek üretim ortamlarında dağıtımı mümkün kılar. Dışa aktarma, modelini çeşitli yazılım uygulamaları veya donanım cihazlarıyla entegre etmek için esastır ve genellikle önemli performans artışlarıyla sonuçlanır.
Track#
Track modu, YOLO26'nın nesne algılama yeteneklerini video kareleri veya canlı akışlar boyunca nesneleri takip edecek şekilde genişletir. Bu mod, gözetim sistemleri veya kendi kendine giden arabalar gibi kalıcı nesne tanımlaması gerektiren uygulamalar için özellikle değerlidir. Altı takipçi içerir: TrackTrack (varsayılan), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT ve FastTracker.
Benchmark#
Benchmark modu, YOLO26 için çeşitli dışa aktarma formatlarının hızını ve doğruluğunu profiller. Bu mod, ONNX, OpenVINO ve TensorRT gibi farklı formatlar genelinde model boyutu, doğruluk (algılama görevleri için mAP50-95 veya sınıflandırma için accuracy_top1) ve çıkarım süresi hakkında kapsamlı metrikler sağlar. Kıyaslama, dağıtım ortamındaki hız ve doğrulukla ilgili özel gereksinimlerine göre en uygun dışa aktarma formatını seçmene yardımcı olur.
SSS#
Ultralytics YOLO26 ile özel bir nesne algılama modeli eğitmek, train modunun kullanılmasını gerektirir. Görüntüleri ve ilgili açıklama dosyalarını içeren YOLO formatında biçimlendirilmiş bir veri setine ihtiyacın var. 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 Kılavuzu başlığına göz atabilirsin.
Ultralytics YOLO26, model performansını değerlendirmek için doğrulama süreci sırasında çeşitli metrikler kullanır. Bunlar şunları içerir:
- mAP (Ortalama Ortalama Kesinlik): Bu, nesne algılamanın doğruluğunu değerlendirir.
- IOU (Birlik Üzerinden Kesişim): 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 aşağıdaki 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 Doğrulama Kılavuzu başlığına bak.
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 bir dışa aktarma formatı için ayrıntılı adımlar Dışa Aktarma Kılavuzu içinde bulunabilir.
Ultralytics YOLO26 içindeki benchmark modu, ONNX, TensorRT ve OpenVINO gibi çeşitli dışa aktarma formatlarının hızını ve doğruluğunu analiz etmek için kullanılır. Model boyutu, nesne algılama için
mAP50-95ve farklı donanım kurulumları genelinde 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 ayrıntı için Benchmark Kılavuzu başlığına bak.
Gerçek zamanlı nesne takibi, Ultralytics YOLO26'daki track modu kullanılarak elde edilebilir. Bu mod, video kareleri veya canlı akışlar boyunca nesneleri takip etmek 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 Kılavuzu sayfasını ziyaret et.