Ultralytics YOLO26 Modları
Giriş#
Ultralytics YOLO26, bir nesne algılama modelinden fazlasıdır: Ultralytics çerçevesi, tam yaşam döngüsünü, yani makine öğrenimi modellerinin eğitim ve doğrulama aşamalarından tahmin, dışa aktarma, izleme ve kıyaslama aşamalarına kadar olan süreci kapsar. Her mod bu iş akışında belirli bir amaca hizmet eder.
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 aşağıdaki modları destekler:
- Train modu: Modelini özel veya yerleşik veri kümelerinde eğit ya da ince ayar yap.
- Val modu: Eğitim sonrasında model performansını doğrula.
- Predict modu: Yeni görüntüler, videolar ve akışlar üzerinde modelinle çıkarım yap.
- Export modu: Modelini model dağıtımı için hazır biçimlere dönüştür.
- Track modu: Nesneleri video kareleri ve canlı akışlar boyunca gerçek zamanlı izle.
- Benchmark modu: Modelinin hızını ve doğruluğunu çeşitli dağıtım ortamlarında analiz et.
Aşağıdaki bölümlerde her mod özetlenir ve tam kılavuzuna bağlantı verilir.
Eğit#
Train modu, özel bir veri kümesinde YOLO26 modelini eğitmek için kullanılır. Bu modda model, belirtilen veri kümesi ve hiperparametreler kullanılarak eğitilir. Eğitim sürecinde, modelin bir görüntüdeki nesnelerin sınıflarını ve konumlarını doğru şekilde tahmin edebilmesi için parametreleri optimize edilir. Uygulamanla ilgili belirli nesneleri tanıyabilen modeller oluşturmak için eğitim şarttır.
Doğrula#
Val modu, YOLO26 modeli eğitildikten sonra modeli doğrulamak için kullanılır. Bu modda model, doğruluğunu ve genelleme performansını ölçmek için bir doğrulama kümesi üzerinde değerlendirilir. Doğrulama, aşırı öğrenme gibi olası sorunları belirlemeye yardımcı olur ve model performansını ölçmek için ortalama kesinlik (mAP) gibi metrikler sağlar. Doğrulama sonuçları, hiperparametre ayarlama ve diğer model iyileştirmelerine yön verir.
Tahmin#
Predict modu, eğitilmiş bir YOLO26 modelini kullanarak yeni görüntüler veya videolar üzerinde tahmin yapmak için kullanılır. Bu modda model bir kontrol noktası dosyasından yüklenir ve kullanıcı çıkarım yapmak için görüntü veya video sağlayabilir. Model, giriş medyasındaki nesneleri tanımlar ve konumlarını belirler. Predict modu, eğitilmiş modelini gerçek dünyadaki sorunlara uygulamanı sağlar.
Dışa aktar#
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.
Takip#
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 uygulamalarda özellikle yararlıdır. Altı izleyici içerir: TrackTrack (varsayılan), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT ve FastTracker.
Kıyaslama#
Benchmark modu, YOLO26 için çeşitli dışa aktarma biçimlerinin hızını ve doğruluğunu profiller. Bu mod; model boyutu, doğruluk (tespit, segmentasyon, poz ve OBB için mAP50-95; anlamsal segmentasyon için mIoU; derinlik için δ1 veya sınıflandırma için accuracy_top1) ve ONNX, OpenVINO ve TensorRT gibi farklı biçimlerdeki çıkarım süresi hakkında kapsamlı metrikler 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): Tahmin edilen sınırlayıcı kutular ile gerçek değer 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'da Benchmark modu; ONNX, TensorRT ve OpenVINO gibi çeşitli dışa aktarma biçimlerinin hızını ve doğruluğunu analiz etmek için kullanılır. Model boyutu, nesne tespiti için mAP50-95 ve farklı donanım kurulumlarındaki çıkarım süresi gibi metrikler sunarak dağıtım gereksinimlerin için 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.
Yorumlar7
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
Monkey1GIt
The Chinese web page translation is very bad, for example, "train" should be "训练", but translated into "火车"
And can not switch to English page, click the EN button, will still switch to Chinese page
2
Glenn JocherUltralyticsHey there! 😊 Thanks for bringing this to our attention. We're sorry for the inconvenience caused by the translation errors and the issue with the language switch button. We're constantly working on improving our documentation and its accessibility, including accurate translations.
For the translation issue, we'll look into it and aim to correct those errors, like "train" being incorrectly translated. Your feedback is invaluable in helping us enhance the user experience.
Regarding the language switch issue, we're investigating this and will work on a fix. In the meantime, if you're still unable to switch to the English page, you might try clearing your browser's cache or using a different browser as a temporary workaround.
If you have any more feedback or need further assistance, please don't hesitate to reach out. Thanks for your support and understanding! 🙏
myangel1972
what is the difference between version 8.3.6 and 11?
1
Glenn JocherUltralytics(düzenlendi)@myangel1972
8.3.6is a release number of theultralyticsPython package, while YOLO11 is a model family. YOLO26 is now the latest and recommended model, offering improved performance across tasks like detection, segmentation, and tracking. For detailed differences, please refer to the release notes on the Ultralytics GitHub page.myangel1972
thanks a lot for your quickly reply!but I still have a question,on the right top of this page,there is a tag with 8.3.7(yesterday it was 8.3.6), so i am confused that what is the relatonship between 8.3.7 and yolo 11?
Glenn JocherUltralytics(düzenlendi)@myangel1972 version numbers like 8.3.7 are releases of the
ultralyticspackage (which supports YOLOv8, YOLO11 and later models), including improvements and bug fixes. YOLO11 is a separate model family released in that package line, so the two numbers are not comparable.1myangel1972
Thanks a lot! Now I understand it very clearly! Great Job!
