Ultralytics YOLO ile Model Tahmini

Giriş

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 tasarlanmış tahmin modu adında güçlü bir özellik sunar.

Gerçek Dünya Uygulamaları

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

Çıkarım için neden Ultralytics YOLO kullanmalısın?

Çeşitli çıkarım ihtiyaçların için YOLO26'nın tahmin modunu neden düşünmen gerektiği burada açıklanmıştır:

• 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.
• Yüksek Derecede Özelleştirilebilir: Modelin çıkarım davranışını özel gereksinimlerine göre ayarlaman için çeşitli ayarlar ve parametreler.
• Üretime Hazır: Modelleri, otomatik ölçeklendirme ve izleme özellikleriyle Ultralytics Platform üzerinde API uç noktaları olarak dağıtabilir veya yerel olarak çıkarım yapabilirsin.

Tahmin Modunun Temel Özellikleri

YOLO26'nın tahmin modu, sağlam ve çok yönlü olacak şekilde tasarlanmıştır ve şunları içerir:

• Çoklu Veri Kaynağı Uyumluluğu: Verilerin ister bireysel görüntüler, ister görüntü koleksiyonu, video dosyaları veya gerçek zamanlı video akışları olsun, tahmin modu ihtiyacını karşılar.
• Akış Modu: Bellek dostu bir Results nesnesi oluşturucu oluşturmak için akış özelliğini kullan. Bunu, tahmin edicinin çağırma yönteminde stream=True değerini ayarlayarak etkinleştirebilirsin.
• Toplu İşleme: Toplam çıkarım süresini daha da azaltarak, birden çok görüntüyü veya video karesini tek bir partide işleyebilirsin.
• Entegrasyon Dostu: Esnek API'si sayesinde mevcut veri hatları ve diğer yazılım bileşenleriyle kolayca entegre edilebilir.

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

Çıkarım Kaynakları

YOLO26, çıkarım için aşağıdaki tabloda gösterildiği gibi farklı türdeki girdi kaynaklarını işleyebilir. Kaynaklar statik görüntüleri, video akışlarını ve çeşitli veri formatlarını içerir. Tablo ayrıca her bir kaynağın stream=True bağımsız değişkeni ile akış modunda kullanılıp kullanılamayacağını ✅ belirtir. Akış modu, tüm kareleri belleğe yüklemek yerine sonuçlardan oluşan bir oluşturucu yarattığı için videoları veya canlı yayınları işlemek adına faydalıdır.

Her kaynak türünü kullanmak için kod örnekleri aşağıdadır:

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

Çıkarım Argümanları

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

Sabit şekil ile minimum dikdörtgen (rect) karşılaştırması

Varsayılan olarak, tahmin (predict) işlemi rect=True kullanır, bu da mümkün olduğunda minimum-dikdörtgen dolgusunu etkinleştirir. 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 yığındaki tüm görüntüler aynı şekle 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 ile demet (tuple) imgsz karşılaştırması

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

Eğitim ile tahmin/dışa aktarma karşılaştırması

Training accepts only a single integer imgsz (a [h, w] list is coerced to the largest value). Predict and export accept either an integer or a (height, width) tuple.

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:

Görüntü 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.

Görüntüler

Aşağıdaki tablo geçerli Ultralytics görüntü formatlarını içerir.

Videolar

Aşağıdaki tablo geçerli Ultralytics video formatlarını içerir.

Sonuçlarla 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 niteliklere sahiptir:

Results nesneleri şu yöntemlere sahiptir:

Daha fazla detay için Results sınıfı dokümantasyonuna bakabilirsin.

Boxes

Boxes nesnesi sınırlayıcı kutuları dizinlemek, değiştirmek 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

İsimleri, türleri ve açıklamaları dahil olmak üzere Boxes sınıfı yöntemleri ve nitelikleri için bir tablo aşağıdadır:

Daha fazla detay için Boxes sınıfı dokümantasyonuna bakabilirsin.

Masks

Masks nesnesi maskeleri dizinlemek, değiştirmek 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

İsimleri, türleri ve açıklamaları dahil olmak üzere Masks sınıfı yöntemleri ve nitelikleri için bir tablo aşağıdadır:

Daha fazla detay için Masks sınıfı dokümantasyonuna bakabilirsin.

Keypoints

Keypoints nesnesi koordinatları indekslemek, değiştirmek ve normalize etmek 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

İşte Keypoints sınıfı yöntemleri ve özellikleri için isimlerini, türlerini ve açıklamalarını içeren bir tablo:

Daha fazla detay için Keypoints sınıfı belgelerine bakabilirsin.

Probs

Probs nesnesi sınıflandırma indekslerini ve skorlarını indekslemek, top1 ve top5 verilerini 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

İşte Probs sınıfı yöntemlerini ve özelliklerini özetleyen bir tablo:

Daha fazla detay için Probs sınıfı belgelerine bakabilirsin.

OBB

OBB nesnesi, yönlendirilmiş sınırlayıcı kutuları (oriented bounding boxes) indekslemek, manipüle etmek 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

İşte OBB sınıfı yöntemleri ve özellikleri için isimlerini, türlerini ve açıklamalarını içeren bir tablo:

Daha fazla detay için OBB sınıfı belgelerine bakabilirsin.

Sonuçları Görselleştirme

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")

plot() Yöntemi Parametreleri

plot() yöntemi çıktıyı özelleştirmek için çeşitli argümanları destekler:

İş parçacığı (Thread-Safe) Güvenli Çıkarım

Birden fazla YOLO modelini farklı iş parçacıklarında paralel olarak çalıştırırken çıkarım sırasında iş parçacığı güvenliğini sağlamak çok önemlidir. Thread-safe çıkarım, her iş parçacığının tahminlerinin izole edildiğini ve birbirine müdahale etmediğini garanti eder, bu da yarış durumlarını önler ve tutarlı, güvenilir çıktılar sağlar.

Çok iş parçacıklı bir uygulamada YOLO modellerini 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 modelleriyle thread-safe çıkarıma derinlemesine bir bakış ve adım adım talimatlar için lütfen YOLO Thread-Safe Çıkarım Kılavuzumuza bak. Bu kılavuz, yaygın hatalardan kaçınman ve çok iş parçacıklı çıkarımının sorunsuz çalışmasını sağlaman için ihtiyacın olan tüm bilgileri sana sunacaktır.

Akış (Streaming) Kaynağı for döngüsü

İşte video kareleri üzerinde çıkarım çalıştırmak için OpenCV (cv2) ve YOLO kullanan bir Python betiği. Bu betik, gerekli paketleri (opencv-python ve ultralytics) çoktan yüklediğini 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 tahminleri çalıştıracak, sonuçları görselleştirecek ve bir pencerede görüntüleyecektir. Döngü, 'q' tuşuna basılarak sonlandırılabilir.

SSS

Ultralytics YOLO nedir ve gerçek zamanlı çıkarım için predict modu ne işe yarar?

Ultralytics YOLO, gerçek zamanlı nesne algılama, bölütleme ve sınıflandırma için son teknoloji bir modeldir. predict modu, görüntü, video ve canlı akışlar gibi çeşitli veri kaynakları üzerinde yüksek hızlı çıkarım yapmanı sağlar. Performans ve çok yönlülük için tasarlanmış olup, toplu işleme ve akış modlarını da sunar. Özellikleri hakkında daha fazla ayrıntı için Ultralytics YOLO predict moduna göz at.

Farklı veri kaynaklarında Ultralytics YOLO kullanarak nasıl çıkarım yapabilirim?

Ultralytics YOLO, tekil görüntüler, videolar, dizinler, URL'ler ve akışlar dahil olmak üzere geniş bir veri kaynağı yelpazesini 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. Belgelerdeki çeşitli çıkarım kaynakları için ayrıntılı örneklere göz at.

YOLO çıkarım hızını ve bellek kullanımını nasıl optimize edebilirim?

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 üretici (generator) oluşturur. Uzun videoları veya büyük veri kümelerini işlemek için akış modu özellikle kullanışlıdır. Akış modu hakkında daha fazla bilgi edin.

Ultralytics 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, görüntü boyutu ve hesaplama için kullanılan cihaz gibi parametreleri ayarlayarak çıkarım sürecini özelleştirmeni sağlar. Bu argümanların ayrıntılı açıklamaları çıkarım argümanları bölümünde bulunabilir.

YOLO tahminlerinin sonuçlarını nasıl görselleştirebilir ve kaydedebilirim?

YOLO ile çıkarım çalıştırdıktan sonra, Results nesneleri ek 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 bak.