─░├žeri─če ge├ž

Ultralytics YOLOv8 Modlar

Ultralytics YOLO ekosistem ve entegrasyonlar

Giri┼č

Ultralytics YOLOv8 sadece ba┼čka bir nesne alg─▒lama modeli de─čildir; veri al─▒m─▒ ve model e─čitiminden do─črulama, da─č─▒t─▒m ve ger├žek d├╝nya takibine kadar makine ├Â─črenimi modellerinin t├╝m ya┼čam d├Âng├╝s├╝n├╝ kapsayacak ┼čekilde tasarlanm─▒┼č ├žok y├Ânl├╝ bir ├žer├ževedir. Her mod belirli bir amaca hizmet eder ve size farkl─▒ g├Ârevler ve kullan─▒m durumlar─▒ i├žin gereken esnekli─či ve verimlili─či sunmak ├╝zere tasarlanm─▒┼čt─▒r.



─░zle: Ultralytics Modlar ├ľ─čreticisi: E─čitim, Do─črulama, Tahmin, D─▒┼ča Aktarma ve K─▒yaslama.

Bir Bak─▒┼čta Modlar

Ultralytics YOLOv8 adresinin destekledi─či farkl─▒ modlar─▒ anlamak, modellerinizden en iyi ┼čekilde yararlanmak i├žin kritik ├Âneme sahiptir:

  • E─čitim modu: ├ľzel veya ├Ânceden y├╝klenmi┼č veri k├╝meleri ├╝zerinde modelinize ince ayar yap─▒n.
  • Val modu: Model performans─▒n─▒ do─črulamak i├žin e─čitim sonras─▒ bir kontrol noktas─▒.
  • Tahmin modu: Modelinizin ger├žek d├╝nya verileri ├╝zerindeki tahmin g├╝c├╝n├╝ ortaya ├ž─▒kar─▒n.
  • D─▒┼ča aktar ma modu: Modelinizi ├že┼čitli formatlarda da─č─▒t─▒ma haz─▒r hale getirin.
  • ─░zleme modu: Nesne alg─▒lama modelinizi ger├žek zamanl─▒ izleme uygulamalar─▒na geni┼čletin.
  • Benchmark modu: Farkl─▒ da─č─▒t─▒m ortamlar─▒nda modelinizin h─▒z─▒n─▒ ve do─črulu─čunu analiz edin.

Bu kapsaml─▒ k─▒lavuz, her bir moda ili┼čkin genel bir bak─▒┼č ve pratik bilgiler sunarak YOLOv8'un t├╝m potansiyelinden yararlanman─▒za yard─▒mc─▒ olmay─▒ ama├žlamaktad─▒r.

Tren

Train modu, ├Âzel bir veri k├╝mesi ├╝zerinde bir YOLOv8 modelini e─čitmek i├žin kullan─▒l─▒r. Bu modda model, belirtilen veri k├╝mesi ve hiperparametreler kullan─▒larak e─čitilir. E─čitim s├╝reci, bir g├Âr├╝nt├╝deki nesnelerin s─▒n─▒flar─▒n─▒ ve konumlar─▒n─▒ do─čru bir ┼čekilde tahmin edebilmesi i├žin modelin parametrelerinin optimize edilmesini i├žerir.

Tren ├ľrnekleri

Val

Val modu, e─čitildikten sonra bir YOLOv8 modelini do─črulamak i├žin kullan─▒l─▒r. Bu modda model, do─črulu─čunu ve genelleme performans─▒n─▒ ├Âl├žmek i├žin bir do─črulama k├╝mesi ├╝zerinde de─čerlendirilir. Bu mod, performans─▒n─▒ art─▒rmak i├žin modelin hiperparametrelerini ayarlamak i├žin kullan─▒labilir.

Val ├ľrnekleri

Tahmin Et

Tahmin modu, yeni g├Âr├╝nt├╝ler veya videolar ├╝zerinde e─čitilmi┼č bir YOLOv8 modeli kullanarak tahminler yapmak i├žin kullan─▒l─▒r. Bu modda, model bir kontrol noktas─▒ dosyas─▒ndan y├╝klenir ve kullan─▒c─▒ ├ž─▒kar─▒m yapmak i├žin g├Âr├╝nt├╝ veya video sa─člayabilir. Model, giri┼č g├Âr├╝nt├╝leri veya videolar─▒ndaki nesnelerin s─▒n─▒flar─▒n─▒ ve konumlar─▒n─▒ tahmin eder.

├ľrnekleri Tahmin Et

─░hracat

D─▒┼ča aktarma modu, bir YOLOv8 modelini da─č─▒t─▒m i├žin kullan─▒labilecek bir formata aktarmak i├žin kullan─▒l─▒r. Bu modda model, di─čer yaz─▒l─▒m uygulamalar─▒ veya donan─▒m cihazlar─▒ taraf─▒ndan kullan─▒labilecek bir bi├žime d├Ân├╝┼čt├╝r├╝l├╝r. Bu mod, modeli ├╝retim ortamlar─▒na da─č─▒t─▒rken kullan─▒┼čl─▒d─▒r.

─░hracat ├ľrnekleri

Par├ža

─░zleme modu, bir YOLOv8 modeli kullanarak nesneleri ger├žek zamanl─▒ olarak izlemek i├žin kullan─▒l─▒r. Bu modda, model bir kontrol noktas─▒ dosyas─▒ndan y├╝klenir ve kullan─▒c─▒ ger├žek zamanl─▒ nesne takibi ger├žekle┼čtirmek i├žin canl─▒ bir video ak─▒┼č─▒ sa─člayabilir. Bu mod, g├Âzetleme sistemleri veya s├╝r├╝c├╝s├╝z arabalar gibi uygulamalar i├žin kullan─▒┼čl─▒d─▒r.

Par├ža ├ľrnekleri

Benchmark

Benchmark modu YOLOv8 i├žin ├že┼čitli d─▒┼ča aktarma formatlar─▒n─▒n h─▒z ve do─čruluk profilini ├ž─▒karmak i├žin kullan─▒l─▒r. K─▒yaslamalar, d─▒┼ča aktar─▒lan format─▒n boyutu, h─▒z─▒ ve do─črulu─ču hakk─▒nda bilgi sa─člar. mAP50-95 metrikleri (nesne alg─▒lama, segmentasyon ve poz i├žin) veya accuracy_top5 metrikleri (s─▒n─▒fland─▒rma i├žin) ve ONNX, OpenVINO, TensorRT ve di─čerleri gibi ├že┼čitli d─▒┼ča aktarma bi├žimlerinde g├Âr├╝nt├╝ ba┼č─▒na milisaniye cinsinden ├ž─▒kar─▒m s├╝resi. Bu bilgiler, kullan─▒c─▒lar─▒n h─▒z ve do─čruluk gereksinimlerine g├Âre kendi ├Âzel kullan─▒m durumlar─▒ i├žin en uygun d─▒┼ča aktarma bi├žimini se├žmelerine yard─▒mc─▒ olabilir.

Benchmark ├ľrnekleri

SSS

├ľzel bir nesne alg─▒lama modelini Ultralytics YOLOv8 ile nas─▒l e─čitebilirim?

Ultralytics YOLOv8 ile ├Âzel bir nesne alg─▒lama modelini e─čitmek i├žin e─čitme modu kullan─▒l─▒r. G├Âr├╝nt├╝leri ve ilgili a├ž─▒klama dosyalar─▒n─▒ i├žeren YOLO bi├žiminde bi├žimlendirilmi┼č bir veri k├╝mesine ihtiyac─▒n─▒z vard─▒r. E─čitim s├╝recini ba┼člatmak i├žin a┼ča─č─▒daki komutu kullan─▒n:

├ľrnek

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 ayr─▒nt─▒l─▒ talimatlar i├žin Ultralytics Tren K─▒lavuzuna ba┼čvurabilirsiniz.

Ultralytics YOLOv8 modelin performans─▒n─▒ do─črulamak i├žin hangi ├Âl├ž├╝tleri kullan─▒yor?

Ultralytics YOLOv8 model performans─▒n─▒ de─čerlendirmek i├žin do─črulama s├╝recinde ├že┼čitli ├Âl├ž├╝tler kullan─▒r. Bunlar ┼čunlar─▒ i├žerir:

  • mAP (Ortalama Ortalama Hassasiyet): Bu, nesne tespitinin do─črulu─čunu de─čerlendirir.
  • IOU (Birlik ├╝zerinden kesi┼čim): Tahmin edilen ve temel ger├žek s─▒n─▒rlama kutular─▒ aras─▒ndaki ├Ârt├╝┼čmeyi ├Âl├žer.
  • Kesinlik ve Geri ├ça─č─▒rma: Kesinlik, ger├žek pozitif tespitlerin toplam tespit edilen pozitiflere oran─▒n─▒ ├Âl├žerken, geri ├ža─č─▒rma ger├žek pozitif tespitlerin toplam ger├žek pozitiflere oran─▒n─▒ ├Âl├žer.

Do─črulamay─▒ ba┼člatmak i├žin a┼ča─č─▒daki komutu ├žal─▒┼čt─▒rabilirsiniz:

├ľrnek

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 ayr─▒nt─▒ i├žin Do─črulama K─▒lavuzuna bak─▒n.

Da─č─▒t─▒m i├žin YOLOv8 modelimi nas─▒l d─▒┼ča aktarabilirim?

Ultralytics YOLOv8 e─čitilmi┼č modelinizi ONNX, TensorRT, CoreML ve daha fazlas─▒ gibi ├že┼čitli da─č─▒t─▒m bi├žimlerine d├Ân├╝┼čt├╝rmek i├žin d─▒┼ča aktarma i┼člevi sunar. Modelinizi d─▒┼ča aktarmak i├žin a┼ča─č─▒daki ├Ârne─či kullan─▒n:

├ľrnek

from ultralytics import YOLO

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

Her bir d─▒┼ča aktarma format─▒ i├žin ayr─▒nt─▒l─▒ ad─▒mlar D─▒┼ča Aktarma K─▒lavuzunda bulunabilir.

Ultralytics YOLOv8 adresindeki k─▒yaslama modunun amac─▒ nedir?

Ultralytics YOLOv8 adresindeki Benchmark modu, ONNX, TensorRT ve OpenVINO gibi ├že┼čitli d─▒┼ča aktarma formatlar─▒n─▒n h─▒z─▒n─▒ ve do─črulu─čunu analiz etmek i├žin kullan─▒l─▒r. Model boyutu gibi ├Âl├ž├╝mler sa─člar, mAP50-95 Nesne alg─▒lama ve farkl─▒ donan─▒m kurulumlar─▒ aras─▒nda ├ž─▒kar─▒m s├╝resi i├žin, da─č─▒t─▒m ihtiya├žlar─▒n─▒z i├žin en uygun format─▒ se├žmenize yard─▒mc─▒ olur.

├ľrnek

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 ayr─▒nt─▒ i├žin K─▒yaslama K─▒lavuzu'na bak─▒n.

Ultralytics YOLOv8 adresini kullanarak ger├žek zamanl─▒ nesne takibini nas─▒l ger├žekle┼čtirebilirim?

Ger├žek zamanl─▒ nesne takibi Ultralytics YOLOv8 adresindeki izleme modu kullan─▒larak ger├žekle┼čtirilebilir. Bu mod, video kareleri veya canl─▒ yay─▒nlar boyunca nesneleri izlemek i├žin nesne alg─▒lama yeteneklerini geni┼čletir. ─░zlemeyi etkinle┼čtirmek i├žin a┼ča─č─▒daki ├Ârne─či kullan─▒n:

├ľrnek

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

Ayr─▒nt─▒l─▒ talimatlar i├žin Track Guide'─▒ ziyaret edin.



Olu┼čturma 2023-11-12, G├╝ncelleme 2024-07-04
Yazarlar: glenn-jocher (6)

Yorumlar