Link to this sectionUltralytics YOLO ile Model Tahmini#

Link to this sectionGiriş#

Makine öğrenimi ve bilgisayarlı görü dünyasında, görsel verileri anlamlandırma sürecine genellikle çıkarım veya tahmin denir. Ultralytics YOLO26, çok çeşitli veri kaynaklarında yüksek performanslı, gerçek zamanlı çıkarım için özel olarak hazırlanmış predict (tahmin) modu adlı güçlü bir özellik sunar.

Link to this sectionGerçek Dünya Uygulamaları#

Üretim	Spor	Güvenlik
Araç Yedek Parça Algılama	Futbolcu Algılama	İnsan Düşme Algılama

Link to this sectionNeden Çıkarım için Ultralytics YOLO Kullanmalı?#

Çeşitli çıkarım ihtiyaçların için neden YOLO26'nın predict modunu düşünmen gerektiğinin nedenleri şunlardır:

• Çok Yönlülük: Görüntüler, videolar ve hatta canlı yayınlar üzerinde çıkarım yapabilir.
• Performans: Doğruluktan ödün vermeden gerçek zamanlı, yüksek hızlı işleme için tasarlanmıştır.
• Kullanım Kolaylığı: Hızlı dağıtım ve test için sezgisel Python ve CLI arayüzleri.
• Son Derece Özelleştirilebilir: Modelin çıkarım davranışını özel gereksinimlerine göre ayarlamak için çeşitli ayarlar ve parametreler.
• Üretime Hazır: Modelleri otomatik ölçeklendirme ve izleme ile Ultralytics Platform üzerinde API uç noktaları olarak dağıt veya yerel olarak çalıştır.

Link to this sectionPredict Modunun Temel Özellikleri#

YOLO26'nın predict modu, aşağıdakileri içeren sağlam ve çok yönlü olacak şekilde tasarlanmıştır:

• Çoklu Veri Kaynağı Uyumluluğu: Verilerin ister bireysel görüntüler, ister bir görüntü koleksiyonu, video dosyaları veya gerçek zamanlı video akışları olsun, predict modu seni kapsar.
• Akış Modu (Streaming Mode): Results nesnelerinden oluşan bellek açısından verimli bir üretici (generator) oluşturmak için akış özelliğini kullan. Bunu, tahmin edicinin call metodunda stream=True ayarını yaparak etkinleştir.
• Toplu İşleme (Batch Processing): Birden fazla görüntüyü veya video karesini tek bir toplu iş olarak işle ve toplam çıkarım süresini daha da azalt.
• Entegrasyon Dostu: Esnek API'si sayesinde mevcut veri hatlarına ve diğer yazılım bileşenlerine kolayca entegre et.

Ultralytics YOLO models return either a Python list of Results objects or a memory-efficient generator of Results objects when stream=True is passed to the model during inference:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # pretrained YOLO26n 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

Link to this sectionÇıkarım Kaynakları#

YOLO26, aşağıdaki tabloda gösterildiği gibi çıkarım için farklı türde girdi kaynaklarını işleyebilir. Kaynaklar statik görüntüleri, video akışlarını ve çeşitli veri formatlarını içerir. Tablo ayrıca her bir kaynağın stream=True ✅ argümanıyla akış modunda kullanılıp kullanılamayacağını da belirtir. Akış modu, tüm kareleri belleğe yüklemek yerine bir sonuç üreticisi oluşturduğu için videoları veya canlı akışları işlemek için faydalıdır.

Aşağıda her kaynak türünü kullanmak için kod örnekleri verilmiştir:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

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

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

Link to this sectionÇıkarım Argümanları#

model.predict() yöntemi, varsayılan değerleri geçersiz kılmak için çıkarım sırasında geçirilebilecek birden fazla argümanı kabul eder:

Link to this sectionSabit boyut ve minimum dikdörtgen (rect)#

Varsayılan olarak predict, mümkün olduğunda minimum-dikdörtgen dolgusunu etkinleştiren rect=True kullanır. Görüntü, imgsz içine sığacak şekilde ölçeklendirilir ve yalnızca en yakın adım (stride) katına kadar doldurulur, bu nedenle nihai tensör imgsz değerinden daha küçük olabilir. Minimum-dikdörtgen dolgusu yalnızca yığın içindeki tüm görüntüler aynı boyuta sahip olduğunda ve arka uç (PyTorch .pt veya dinamik ONNX / Triton) bunu desteklediğinde kullanılır. Aksi takdirde, görüntüler tam imgsz hedefine göre doldurulur.

Use rect=False to always pad to the full imgsz target. This is recommended when you need a fixed input size to match exported models (ONNX, TensorRT, etc.).

Tam sayı ve tuple imgsz

• Bir tam sayı olan imgsz=640, adım yuvarlamasından sonra kare bir hedef olan (640, 640) değerine dönüşür.
• Bir tuple olan imgsz=(384, 672), dikdörtgen bir hedef belirler. rect=True ve auto=True ayarlarıyla, gerçek tensör bu hedeften daha küçük olabilir.

Eğitim ve tahmin/dışa aktarma

Eğitim yalnızca tek bir tam sayı imgsz kabul eder (bir [h, w] listesi en büyük değere zorlanır). Tahmin ve dışa aktarma ise hem tam sayı hem de bir (height, width) tuple kabul eder.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.25)

Çıkarım argümanları:

Görselleştirme argümanları:

Link to this sectionGörüntü ve Video Formatları#

YOLO26, ultralytics/data/utils.py dosyasında belirtildiği gibi çeşitli görüntü ve video formatlarını destekler. Geçerli son ekler ve örnek tahmin komutları için aşağıdaki tablolara bak.

Link to this sectionGörüntüler#

Aşağıdaki tablo geçerli Ultralytics görüntü formatlarını içerir.

Link to this sectionVideolar#

Aşağıdaki tablo geçerli Ultralytics video formatlarını içerir.

Link to this sectionSonuçlarla Çalışmak#

Tüm Ultralytics predict() çağrıları bir Results nesneleri listesi döndürür:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.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 şu özniteliklere sahiptir:

Link to this sectionGöreve Göre Sonuçlar#

Her tahmin, görüntü veya kare başına bir Results nesnesi döndürür. Yukarıdaki ortak alanlar her zaman mevcuttur; göreve özel tahmin verileri ise aşağıdaki alanlarda saklanır. Koordinat, güven ve olasılık tensörleri, yarı hassasiyet (half precision) kullanılmadığı sürece torch.float32, kullanıldığında ise torch.float16 şeklindedir. result.numpy() işleminden sonra tensörler, eşleşen NumPy veri türlerine sahip NumPy dizilerine dönüşür. Örnek maskeler torch.uint8 ikili tensörleridir; anlamsal maskeler ise sınıf kimlikleri için sınıf sayısına bağlı olarak en küçük pratik tamsayı veri türünü (torch.uint8, torch.int16 veya torch.int32) kullanır.

Results nesneleri aşağıdaki yöntemlere sahiptir:

Daha fazla detay için Results sınıfı dokümantasyonuna bakabilirsin.

Link to this sectionKutular#

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

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.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 Boxes sınıfı yöntemleri ve özellikleri için isimleri, türleri ve açıklamaları dahil olmak üzere bir tablo:

Daha fazla detay için Boxes sınıfı dokümantasyonuna bak.

Link to this sectionMaskeler#

Masks nesnesi maskeleri dizinlemek, işlemek ve segmentlere dönüştürmek için kullanılabilir.

from ultralytics import YOLO

# Load a pretrained YOLO26n-seg Segment model
model = YOLO("yolo26n-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

Masks sınıfı yöntemleri ve özellikleri için ad, tür ve açıklama dahil olmak üzere bir tablo aşağıdadır:

Daha fazla detay için Masks sınıfı dokümantasyonuna bak.

Link to this sectionSemanticMask#

SemanticMask, anlamsal bölümleme sonuçları için tek bir yoğun sınıf haritası saklar. Masksten farklı olarak, nesne başına bir ikili maske içermez ve poligon yardımcıları sağlamaz.

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem Semantic model
model = YOLO("yolo26n-sem.pt")

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

# View results
for r in results:
    print(r.semantic_mask.data)  # print the H x W class-ID map

Link to this sectionAnahtar Noktalar (Keypoints)#

Keypoints nesnesi koordinatları dizinlemek, işlemek ve normalleştirmek için kullanılabilir.

from ultralytics import YOLO

# Load a pretrained YOLO26n-pose Pose model
model = YOLO("yolo26n-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

Keypoints sınıfı yöntemleri ve özellikleri için ad, tür ve açıklama dahil olmak üzere bir tablo aşağıdadır:

Daha fazla detay için Keypoints sınıfı dokümantasyonuna bak.

Link to this sectionProbs#

Probs nesnesi dizinleme yapmak, sınıflandırmanın top1 ve top5 indekslerini ve puanlarını almak için kullanılabilir.

from ultralytics import YOLO

# Load a pretrained YOLO26n-cls Classify model
model = YOLO("yolo26n-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

Probs sınıfı için yöntemleri ve özellikleri özetleyen tablo aşağıdadır:

Daha fazla detay için Probs sınıfı dokümantasyonuna bak.

Link to this sectionOBB#

OBB nesnesi, yönlendirilmiş sınırlayıcı kutuları dizinlemek, işlemek ve farklı formatlara dönüştürmek için kullanılabilir.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n-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

OBB sınıfı yöntemleri ve özellikleri için ad, tür ve açıklama dahil olmak üzere bir tablo aşağıdadır:

Daha fazla detay için OBB sınıfı dokümantasyonuna bak.

Link to this sectionSonuçları Çizdirme#

The plot() method in Results objects facilitates visualization of predictions by overlaying detected objects (such as bounding boxes, masks, keypoints, and probabilities) onto the original image. This method returns the annotated image as a NumPy array, allowing for easy display or saving.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.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")

Link to this sectionplot() Yöntemi Parametreleri#

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

Link to this sectionİş Parçacığı Güvenli Çıkarım#

Farklı iş parçacıklarında birden fazla YOLO modelini paralel olarak çalıştırırken çıkarım sırasında iş parçacığı güvenliğini sağlamak çok önemlidir. İş parçacığı güvenli çıkarım, her iş parçacığının tahminlerinin izole edilmesini ve birbirine karışmamasını sağlayarak, yarış durumlarını önler ve tutarlı, güvenilir çıktılar elde etmeni garanti eder.

YOLO modellerini çok iş parçacıklı bir uygulamada kullanırken, çakışmaları önlemek için her iş parçacığı için ayrı model nesneleri oluşturmak veya iş parçacığına özgü 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=("yolo26n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo26n.pt", "image2.jpg")).start()

YOLO modelleri ile iş parçacığı güvenli çıkarım hakkında derinlemesine bir bakış ve adım adım talimatlar için lütfen YOLO Thread-Safe Inference Guide kılavuzumuza başvur. Bu kılavuz, yaygın tuzaklardan kaçınman ve çok iş parçacıklı çıkarımının sorunsuz çalışmasını sağlaman için gereken tüm bilgileri sana sunacaktır.

Link to this sectionAkış Kaynağı for döngüsü#

İşte video kareleri üzerinde çıkarım yapmak için OpenCV (cv2) ve YOLO kullanan bir Python betiği. Bu betik, gerekli paketleri (opencv-python ve ultralytics) zaten kurduğunu varsayar.

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.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 karesinde tahminler yürütecek, sonuçları görselleştirecek ve bir pencerede görüntüleyecektir. Döngüden 'q' tuşuna basarak çıkılabilir.

Link to this sectionSSS#

Link to this sectionUltralytics YOLO nedir ve gerçek zamanlı çıkarım için predict modu ne işe yarar?#

Ultralytics YOLO, gerçek zamanlı nesne tespiti, örnek segmentasyonu, anlamsal segmentasyon ve sınıflandırma için kullanılan son teknoloji ürünü bir modeldir. predict modu, kullanıcıların görüntüler, videolar ve canlı yayınlar gibi çeşitli veri kaynakları üzerinde yüksek hızlı çıkarım yapmasına olanak tanır. Performans ve çok yönlülük için tasarlanmış olup, toplu işleme ve akış modları da sunar. Özellikleri hakkında daha fazla ayrıntı için Ultralytics YOLO predict modu bölümüne göz at.

Link to this sectionUltralytics YOLO kullanarak farklı veri kaynaklarında nasıl çıkarım çalıştırabilirim?#

Ultralytics YOLO, bireysel görüntüler, videolar, dizinler, URL'ler ve akışlar dahil olmak üzere çok çeşitli veri kaynaklarını işleyebilir. Veri kaynağını model.predict() çağrısında belirtebilirsin. Örneğin, yerel bir görüntü için 'image.jpg' veya bir URL için 'https://ultralytics.com/images/bus.jpg' kullan. Dokümantasyondaki çeşitli çıkarım kaynakları için detaylı örneklere göz at.

Link to this sectionYOLO çıkarım hızını ve bellek kullanımını nasıl optimize ederim?#

Çıkarım hızını optimize etmek ve belleği verimli yönetmek için, tahmincinin çağrı yönteminde stream=True değerini ayarlayarak akış modunu kullanabilirsin. Akış modu, tüm kareleri belleğe yüklemek yerine Results nesnelerinden oluşan bellek açısından verimli bir üreteç oluşturur. Uzun videoları veya büyük veri setlerini işlemek için akış modu özellikle kullanışlıdır. Akış modu hakkında daha fazla bilgi edin.

Link to this sectionUltralytics YOLO hangi çıkarım argümanlarını destekler?#

YOLO'daki model.predict() yöntemi conf, iou, imgsz, device ve daha fazlası gibi çeşitli argümanları destekler. Bu argümanlar, güven eşikleri, görsel boyutu ve hesaplama için kullanılan cihaz gibi parametreleri ayarlayarak çıkarım sürecini özelleştirmeni sağlar. Bu argümanların detaylı açıklamaları çıkarım argümanları bölümünde bulunabilir.

Link to this sectionYOLO tahminlerinin sonuçlarını nasıl görselleştirebilir ve kaydedebilirim?#

YOLO ile çıkarım çalıştırdıktan sonra, Results nesneleri açıklamalı görüntüleri görüntülemek ve kaydetmek için yöntemler içerir. Sonuçları görselleştirmek ve kaydetmek için result.show() ve result.save(filename="result.jpg") gibi yöntemleri kullanabilirsin. Dosya adı yolundaki eksik üst dizinler otomatik olarak oluşturulur (örneğin, result.save("path/to/result.jpg")). Bu yöntemlerin kapsamlı bir listesi için sonuçlarla çalışma bölümüne başvur.