Ultralytics YOLO ile Model Tahmini

Giriş

Makine öğrenimi ve bilgisayar görüşü dünyasında, görsel verilerden anlam çıkarma işlemine 'çıkarım' veya 'tahmin' denir. Ultralytics YOLO11, çok çeşitli veri kaynaklarında yüksek performanslı, gerçek zamanlı çıkarım için uyarlanmış tahmin modu olarak bilinen güçlü bir özellik sunar.

İzle: Özel Projeler için Ultralytics YOLO Modelinden Çıktılar Nasıl Çıkarılır?

Gerçek Dünya Uygulamaları

Üretim	Spor	Güvenlik
Araç Yedek Parça Tespiti	Futbol Oyuncusu Tespiti	İnsan Düşme Tespiti

Çıkarım için Neden Ultralytics YOLO Kullanılır?

İşte çeşitli çıkarım ihtiyaçlarınız için neden YOLO11'in tahmin modunu düşünmeniz gerektiği:

• Çok yönlülük: Görüntüler, videolar ve hatta canlı yayınlar üzerinde çıkarım yapma yeteneğine sahiptir.
• Performans: Doğruluktan ödün vermeden gerçek zamanlı, yüksek hızlı işleme için tasarlanmıştır.
• Kullanım Kolaylığı: Hızlı dağıtım ve test için sezgisel Python ve CLI arayüzleri.
• Yüksek Oranda Özelleştirilebilir: Modelin çıkarım davranışını özel gereksinimlerinize göre ayarlamak için çeşitli ayarlar ve parametreler.

Tahmin Modunun Temel Özellikleri

YOLO11'in tahmin modu, sağlam ve çok yönlü olacak şekilde tasarlanmıştır ve şu özelliklere sahiptir:

• Çoklu Veri Kaynağı Uyumluluğu: Verileriniz ister tek tek görüntüler, ister görüntü koleksiyonu, video dosyaları veya gerçek zamanlı video akışları şeklinde olsun, tahmin modu sizi kapsar.
• Akış Modu: Bellek açısından verimli bir üreteç oluşturmak için akış özelliğini kullanın: Results nesneler. Bunu ayarlayarak etkinleştirin stream=True tahmin edicinin çağırma yönteminde.
• Toplu İşleme: Birden fazla görüntü veya video karesini tek bir grupta işleyerek toplam çıkarım süresini daha da kısaltın.
• Entegrasyon Dostu: Esnek API'si sayesinde mevcut veri işlem hatları ve diğer yazılım bileşenleriyle kolayca entegre olur.

Ultralytics YOLO modelleri, bir python listesi veya Results nesneleri veya bellek açısından verimli bir Results olduğunda nesneler stream=True çıkarım sırasında modele iletilir:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # pretrained YOLO11n model

# Run batched inference on a list of images
results = model(["image1.jpg", "image2.jpg"])  # return a list of Results objects

# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # pretrained YOLO11n model

# Run batched inference on a list of images
results = model(["image1.jpg", "image2.jpg"], stream=True)  # return a generator of Results objects

# Process results generator
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

Çıkarım Kaynakları

YOLO11, aşağıdaki tabloda gösterildiği gibi çıkarım için farklı türde girdi kaynaklarını işleyebilir. Kaynaklar, statik görüntüler, video akışları ve çeşitli veri formatlarını içerir. Tablo ayrıca, her kaynağın bağımsız değişkeniyle akış modunda kullanılıp kullanılamayacağını da gösterir. stream=True ✅ Akış modu, tüm çerçeveleri belleğe yüklemek yerine bir sonuç üreteci oluşturduğu için videoları veya canlı yayınları işlemek için faydalıdır.

Aşağıda, her kaynak türünü kullanmak için kod örnekleri bulunmaktadır:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to the image file
source = "path/to/image.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define current screenshot as source
source = "screen"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define remote image or video URL
source = "https://ultralytics.com/images/bus.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Open an image using PIL
source = Image.open("path/to/image.jpg")

# Run inference on the source
results = model(source)  # list of Results objects

import cv2

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Read an image using OpenCV
source = cv2.imread("path/to/image.jpg")

# Run inference on the source
results = model(source)  # list of Results objects

import numpy as np

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Create a random numpy array of HWC shape (640, 640, 3) with values in range [0, 255] and type uint8
source = np.random.randint(low=0, high=255, size=(640, 640, 3), dtype="uint8")

# Run inference on the source
results = model(source)  # list of Results objects

import torch

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Create a random torch tensor of BCHW shape (1, 3, 640, 640) with values in range [0, 1] and type float32
source = torch.rand(1, 3, 640, 640, dtype=torch.float32)

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define a path to a CSV file with images, URLs, videos and directories
source = "path/to/file.csv"

# Run inference on the source
results = model(source)  # list of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to video file
source = "path/to/video.mp4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to directory containing images and videos for inference
source = "path/to/dir"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define a glob search for all JPG files in a directory
source = "path/to/dir/*.jpg"

# OR define a recursive glob search for all JPG files including subdirectories
source = "path/to/dir/**/*.jpg"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define source as YouTube video URL
source = "https://youtu.be/LNwODJXcvt4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Single stream with batch-size 1 inference
source = "rtsp://example.com/media.mp4"  # RTSP, RTMP, TCP, or IP streaming address

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Multiple streams with batched inference (e.g., batch-size 8 for 8 streams)
source = "path/to/list.streams"  # *.streams text file with one streaming address per line

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

rtsp://example.com/media1.mp4
rtsp://example.com/media2.mp4
rtmp://example2.com/live
tcp://192.168.1.100:554
...

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on the source
results = model(source=0, stream=True)  # generator of Results objects

Çıkarım Argümanları

model.predict() çıkarım zamanında varsayılanları geçersiz kılmak için iletilebilen birden çok argümanı kabul eder:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.5)

# Run inference on 'bus.jpg'
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Çıkarım argümanları:

Görselleştirme argümanları:

Görüntü ve Video Biçimleri

YOLO11, ultralytics/data/utils.py içinde belirtildiği gibi çeşitli resim ve video formatlarını destekler. Geçerli sonekler ve örnek tahmin komutları için aşağıdaki tablolara bakın.

Görüntüler

Aşağıdaki tablo, geçerli Ultralytics görüntü formatlarını içermektedir.

Videolar

Aşağıdaki tabloda geçerli Ultralytics video formatları yer almaktadır.

Sonuçlarla Çalışmak

Tüm Ultralytics predict() çağrıları bir listesini döndürecektir. Results nesneler:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results = model(
    [
        "https://ultralytics.com/images/bus.jpg",
        "https://ultralytics.com/images/zidane.jpg",
    ]
)  # batch inference

Results nesneleri aşağıdaki özelliklere sahiptir:

Results nesneleri aşağıdaki yöntemlere sahiptir:

Daha fazla ayrıntı için şuraya bakın: Results sınıf dokümantasyonu.

Kutular

Boxes nesne indekslemek, işlemek ve sınırlayıcı kutuları farklı formatlara dönüştürmek için kullanılabilir.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.boxes)  # print the Boxes object containing the detection bounding boxes

İşte için bir tablo Boxes adları, türleri ve açıklamaları dahil olmak üzere sınıf metotları ve özellikleri:

Daha fazla ayrıntı için şuraya bakın: Boxes sınıf dokümantasyonu.

Maskeler

Masks nesne indekslenebilir, maskeler işlenebilir ve segmentlere dönüştürülebilir.

from ultralytics import YOLO

# Load a pretrained YOLO11n-seg Segment model
model = YOLO("yolo11n-seg.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.masks)  # print the Masks object containing the detected instance masks

İşte için bir tablo Masks adları, türleri ve açıklamaları dahil olmak üzere sınıf metotları ve özellikleri:

Daha fazla ayrıntı için şuraya bakın: Masks sınıf dokümantasyonu.

Anahtar Noktalar

Keypoints nesne indekslenebilir, işlenebilir ve koordinatlar normalleştirilebilir.

from ultralytics import YOLO

# Load a pretrained YOLO11n-pose Pose model
model = YOLO("yolo11n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.keypoints)  # print the Keypoints object containing the detected keypoints

İşte için bir tablo Keypoints adları, türleri ve açıklamaları dahil olmak üzere sınıf metotları ve özellikleri:

Daha fazla ayrıntı için şuraya bakın: Keypoints sınıf dokümantasyonu.

Olasılıklar

Probs nesne indekslenebilir, alınabilir top1 ve top5 sınıflandırmanın indeksleri ve skorları.

from ultralytics import YOLO

# Load a pretrained YOLO11n-cls Classify model
model = YOLO("yolo11n-cls.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.probs)  # print the Probs object containing the detected class probabilities

İşte yöntemleri ve özellikleri özetleyen bir tablo: Probs sınıf:

Daha fazla ayrıntı için şuraya bakın: Probs sınıf dokümantasyonu.

OBB

OBB nesne indekslemek, işlemek ve yönlendirilmiş sınırlayıcı kutuları farklı formatlara dönüştürmek için kullanılabilir.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n-obb.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/boats.jpg")  # results list

# View results
for r in results:
    print(r.obb)  # print the OBB object containing the oriented detection bounding boxes

İşte için bir tablo OBB adları, türleri ve açıklamaları dahil olmak üzere sınıf metotları ve özellikleri:

Daha fazla ayrıntı için şuraya bakın: OBB sınıf dokümantasyonu.

Çizim Sonuçları

plot() içindeki yöntem Results nesneleri, algılanan nesneleri (sınırlayıcı kutular, maskeler, anahtar noktaları ve olasılıklar gibi) orijinal görüntünün üzerine yerleştirerek tahminlerin görselleştirilmesini kolaylaştırır. Bu yöntem, açıklama eklenmiş görüntüyü bir NumPy dizisi olarak döndürerek kolay görüntüleme veya kaydetme olanağı sağlar.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on 'bus.jpg'
results = model(["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"])  # results list

# Visualize the results
for i, r in enumerate(results):
    # Plot results image
    im_bgr = r.plot()  # BGR-order numpy array
    im_rgb = Image.fromarray(im_bgr[..., ::-1])  # RGB-order PIL image

    # Show results to screen (in supported environments)
    r.show()

    # Save results to disk
    r.save(filename=f"results{i}.jpg")

plot() Yöntem Parametreleri

plot() yöntemi, çıktıyı özelleştirmek için çeşitli argümanları destekler:

İş Parçacığı Güvenli Çıkarım

Çıkarım sırasında iş parçacığı güvenliğini sağlamak, farklı iş parçacıklarında paralel olarak birden fazla YOLO modeli çalıştırdığınızda çok önemlidir. İş parçacığı güvenli çıkarım, her iş parçacığının tahminlerinin yalıtılmasını ve birbirini etkilememesini garanti ederek yarış durumlarını önler ve tutarlı ve güvenilir çıktılar sağlar.

YOLO modellerini çok iş parçacıklı bir uygulamada kullanırken, çakışmaları önlemek için her iş parçacığı için ayrı model nesneleri oluşturmak veya iş parçacığına özel depolama kullanmak önemlidir:

from threading import Thread

from ultralytics import YOLO


def thread_safe_predict(model, image_path):
    """Performs thread-safe prediction on an image using a locally instantiated YOLO model."""
    model = YOLO(model)
    results = model.predict(image_path)
    # Process results


# Starting threads that each have their own model instance
Thread(target=thread_safe_predict, args=("yolo11n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo11n.pt", "image2.jpg")).start()

YOLO modelleriyle iş parçacığı güvenli çıkarıma ve adım adım talimatlara derinlemesine bir bakış için lütfen YOLO İş Parçacığı Güvenli Çıkarım Kılavuzumuza bakın. Bu kılavuz, yaygın tuzaklardan kaçınmak ve çok iş parçacıklı çıkarımınızın sorunsuz çalışmasını sağlamak için ihtiyacınız olan tüm bilgileri sağlayacaktır.

Akış Kaynağı for-döngü

İşte OpenCV kullanarak bir Python betiği (cv2) ve video karelerinde çıkarım çalıştırmak için YOLO. Bu betik, gerekli paketleri zaten kurduğunuzu varsayar (opencv-python ve ultralytics).

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo11n.pt")

# Open the video file
video_path = "path/to/your/video/file.mp4"
cap = cv2.VideoCapture(video_path)

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLO inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLO Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

Bu betik, videonun her karesi üzerinde tahminler yürütecek, sonuçları görselleştirecek ve bir pencerede gösterecektir. Döngüden 'q' tuşuna basılarak çıkılabilir.

SSS

Ultralytics YOLO ve gerçek zamanlı çıkarım için tahmin modu nedir?

Ultralytics YOLO, gerçek zamanlı nesne algılama, segmentasyon ve sınıflandırma için son teknoloji ürünü bir modeldir. Tahmin modu, kullanıcıların resimler, videolar ve canlı yayınlar gibi çeşitli veri kaynaklarında yüksek hızlı çıkarım gerçekleştirmesine olanak tanır. Performans ve çok yönlülük için tasarlanmıştır; ayrıca toplu işleme ve yayın modları da sunar. Özellikleri hakkında daha fazla ayrıntı için Ultralytics YOLO tahmin moduna göz atın.

Farklı veri kaynaklarında Ultralytics YOLO kullanarak çıkarımı nasıl çalıştırabilirim?

Ultralytics YOLO, tekil resimler, videolar, dizinler, URL'ler ve yayınlar dahil olmak üzere çok çeşitli veri kaynaklarını işleyebilir. Veri kaynağını şurada belirtebilirsiniz: model.predict() çağrısı. Örneğin, şunu kullanın: 'image.jpg' yerel bir resim veya 'https://ultralytics.com/images/bus.jpg' bir URL için. Çeşitli konularla ilgili ayrıntılı örneklere göz atın çıkarım kaynakları dokümantasyonda.

YOLO çıkarım hızını ve bellek kullanımını nasıl optimize ederim?

Çıkarım hızını optimize etmek ve belleği verimli bir şekilde yönetmek için, ayarını yaparak akış modunu kullanabilirsiniz. stream=True tahmin edicinin çağırma yönteminde. Akış modu, bellekte verimli bir üreteç oluşturur. Results tüm çerçeveleri belleğe yüklemek yerine nesneleri kullanın. Uzun videoları veya büyük veri kümelerini işlemek için akış modu özellikle kullanışlıdır. Hakkında daha fazla bilgi edinin akış modu.

Ultralytics YOLO hangi çıkarım argümanlarını destekler?

model.predict() YOLO'daki yöntem, aşağıdakiler gibi çeşitli argümanları destekler: conf, iou, imgsz, device, ve daha fazlası. Bu argümanlar, güven eşikleri, görüntü boyutu ve hesaplama için kullanılan cihaz gibi parametreleri ayarlayarak çıkarım sürecini özelleştirmenize olanak tanır. Bu argümanların ayrıntılı açıklamaları şurada bulunabilir: çıkarım argümanları bölüm.

YOLO tahminlerinin sonuçlarını nasıl görselleştirebilirim ve kaydedebilirim?

YOLO ile çıkarım çalıştırdıktan sonra, Results nesneleri, açıklama eklenmiş görüntüleri görüntülemek ve kaydetmek için yöntemler içerir. Şunun gibi yöntemleri kullanabilirsiniz: result.show() ve result.save(filename="result.jpg") sonuçları görselleştirmek ve kaydetmek için. Bu yöntemlerin kapsamlı bir listesi için, sonuçlarla çalışmak bölüm.

📅 2 yıl önce oluşturuldu ✏️ 5 gün önce güncellendi

Yorumlar