Ultralytics YOLOv8 Modlar

Giriş

Ultralytics YOLOv8 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: Eğitim, Doğrulama, Tahmin, Dışa Aktarma ve Kıyaslama.

Bir Bakışta Modlar

Ultralytics YOLOv8 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 YOLOv8'un tüm potansiyelinden yararlanmanıza yardımcı olmayı amaçlamaktadır.

Tren

Train modu, özel bir veri kümesi üzerinde bir YOLOv8 modelini 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.

Tren Örnekleri

Val

Val modu, eğitildikten sonra bir YOLOv8 modelini doğrulamak için kullanılır. Bu modda model, doğruluğunu ve genelleme performansını ölçmek için bir doğrulama kümesi üzerinde değerlendirilir. Bu mod, performansını artırmak için modelin hiperparametrelerini ayarlamak için kullanılabilir.

Val Örnekleri

Tahmin Et

Tahmin modu, yeni görüntüler veya videolar üzerinde eğitilmiş bir YOLOv8 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 görüntüleri veya videolarındaki nesnelerin sınıflarını ve konumlarını tahmin eder.

Örnekleri Tahmin Et

İhracat

Dışa aktarma modu, bir YOLOv8 modelini dağıtım için kullanılabilecek bir formata aktarmak için kullanılır. Bu modda model, diğer yazılım uygulamaları veya donanım cihazları tarafından kullanılabilecek bir biçime dönüştürülür. Bu mod, modeli üretim ortamlarına dağıtırken kullanışlıdır.

İhracat Örnekleri

Parça

İzleme modu, bir YOLOv8 modeli kullanarak nesneleri gerçek zamanlı olarak izlemek için kullanılır. Bu modda, model bir kontrol noktası dosyasından yüklenir ve kullanıcı gerçek zamanlı nesne takibi gerçekleştirmek için canlı bir video akışı sağlayabilir. Bu mod, gözetleme sistemleri veya sürücüsüz arabalar gibi uygulamalar için kullanışlıdır.

Parça Örnekleri

Benchmark

Benchmark modu YOLOv8 için çeşitli dışa aktarma formatlarının hız ve doğruluk profilini çıkarmak için kullanılır. Kıyaslamalar, dışa aktarılan formatın boyutu, hızı ve doğruluğu hakkında bilgi sağlar. mAP50-95 metrikleri (nesne algılama, segmentasyon ve poz için) veya accuracy_top5 metrikleri (sınıflandırma için) ve ONNX, OpenVINO, TensorRT ve diğerleri gibi çeşitli dışa aktarma biçimlerinde görüntü başına milisaniye cinsinden çıkarım süresi. Bu bilgiler, kullanıcıların hız ve doğruluk gereksinimlerine göre kendi özel kullanım durumları için en uygun dışa aktarma biçimini seçmelerine yardımcı olabilir.

Benchmark Örnekleri

SSS

Özel bir nesne algılama modelini Ultralytics YOLOv8 ile nasıl eğitebilirim?

Ultralytics YOLOv8 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

# Train a custom model
model = YOLO("yolov8n.pt")
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

Daha ayrıntılı talimatlar için Ultralytics Tren Kılavuzuna başvurabilirsiniz.

Ultralytics YOLOv8 modelin performansını doğrulamak için hangi ölçütleri kullanıyor?

Ultralytics YOLOv8 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

# Validate the model
model = YOLO("yolov8n.pt")
model.val(data="path/to/validation.yaml")

yolo val data=path/to/validation.yaml

Daha fazla ayrıntı için Doğrulama Kılavuzuna bakın.

Dağıtım için YOLOv8 modelimi nasıl dışa aktarabilirim?

Ultralytics YOLOv8 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

# Export the model
model = YOLO("yolov8n.pt")
model.export(format="onnx")

yolo export model=yolov8n.pt format=onnx

Her bir dışa aktarma formatı için ayrıntılı adımlar Dışa Aktarma Kılavuzunda bulunabilir.

Ultralytics YOLOv8 adresindeki kıyaslama modunun amacı nedir?

Ultralytics YOLOv8 adresindeki Benchmark modu, ONNX, TensorRT ve OpenVINO gibi çeşitli dışa aktarma formatlarının hızını ve doğruluğunu analiz etmek için kullanılır. Model boyutu gibi ölçümler 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

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolov8n.pt data='coco8.yaml' imgsz=640 half=False device=0

Daha fazla ayrıntı için Kıyaslama Kılavuzu'na bakın.

Ultralytics YOLOv8 adresini kullanarak gerçek zamanlı nesne takibini nasıl gerçekleştirebilirim?

Gerçek zamanlı nesne takibi Ultralytics YOLOv8 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

# Track objects in a video
model = YOLO("yolov8n.pt")
model.track(source="path/to/video.mp4")

yolo track source=path/to/video.mp4

Ayrıntılı talimatlar için Track Guide'ı ziyaret edin.

Yorumlar