Ultralytics YOLO ile Model Tahmini#

Giriş#

machine learning ve computer vision dünyasında, görsel verileri anlamlandırma süreci genellikle çıkarım veya tahmin olarak adlandırılır. Ultralytics YOLO26, çok geniş bir veri kaynağı yelpazesinde yüksek performanslı, gerçek zamanlı çıkarım için tasarlanmış predict mode olarak bilinen güçlü bir özellik sunar.

Gerçek Dünya Uygulamaları#

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

Neden 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.
• Performance: accuracy değerinden 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.
• Production Ready: Modelleri otomatik ölçeklendirme ve izleme özellikleriyle Ultralytics Platform inference endpoints olarak dağıtın veya yerel olarak çalıştırın.

Predict 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.
• Streaming Mode: Results nesnelerinden oluşan bellek verimli bir üreteç oluşturmak için akış özelliğini kullanın. Bunu, tahmin edicinin çağrı yönteminde stream=True ayarlayarak etkinleştirin. Tüm sonuçları içeren bir liste döndüren varsayılan davranışın (stream=False) aksine, stream=True sonuçları teker teker verir, bu da onu özellikle uzun videolar ve canlı akışlar için çok yararlı kılar.
• 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 modelleri, çıkarım sırasında modele stream=True iletildiğinde, Results nesnelerinden oluşan bir Python listesi veya Results nesnelerinden oluşan bellek verimli bir üreteç döndürür:

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, aşağıdaki tabloda gösterildiği gibi çıkarım için farklı türde giriş kaynaklarını işleyebilir. Kaynaklar statik görüntüleri, video akışlarını ve çeşitli veri biçimlerini içerir. Tablo ayrıca her kaynağın stream=True ✅ argümanıyla akış modunda kullanılıp kullanılamayacağını belirtir. Akış modu, tüm kareleri belleğe yüklemek yerine bir sonuç üreteci 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

Çıkarım Argümanları#

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

Sabit şekil ve minimum dikdörtgen karşılaştırması (rect)#

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

Her zaman tam imgsz hedefine dolgu yapmak için rect=False kullan. Bu, dışa aktarılan modellerle (ONNX, TensorRT vb.) eşleşmesi için sabit bir giriş boyutuna ihtiyacın olduğunda önerilir.

Integer ve tuple imgsz

• Bir integer imgsz=640, adım yuvarlamasından sonra kare bir hedef (640, 640) haline gelir.
• Bir tuple imgsz=(384, 672) dikdörtgen bir hedef belirler. rect=True ve auto=True ile gerçek tensör bu hedeften daha küçük olabilir.

Eğitim ve tahmin/dışa aktarma

Eğitim yalnızca tek bir integer imgsz kabul eder ([h, w] listesi en büyük değerle zorlanır). Predict ve export, bir integer veya 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:

Görüntü ve Video Formatları#

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

Görüntüler#

Aşağıdaki tablo geçerli Ultralytics görüntü formatlarını içerir.

Videolar#

Aşağıdaki tablo geçerli Ultralytics video formatlarını içerir.

Sonuçlarla Çalışmak#

Tüm Ultralytics predict() çağrıları bir Results nesne listesi döndürecektir:

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 aşağıdaki özniteliklere sahiptir:

Göreve Göre Sonuçlar#

Aşağıdaki hangi alanların doldurulacağı modelinizin görevine bağlıdır — henüz bir tane seçmediyseniz compare detection, segmentation, semantic segmentation, depth estimation, classification, pose, and OBB karşılaştırın. Her tahmin, görüntü veya kare başına bir Results nesnesi döndürür. Yukarıdaki ortak alanlar her zaman kullanılabilirken, göreve özgü tahmin verileri aşağıdaki alanlarda saklanır. Koordinat, güven ve olasılık tensörleri, yarı hassasiyet (half precision) kullanılmadığı sürece torch.float32'dir, yarı hassasiyet kullanıldığında ise torch.float16'tür. result.numpy() sonrasında tensörler, eşleşen NumPy veri türlerine (dtypes) sahip NumPy dizileri haline gelir. Örnek maskeler (instance masks) torch.uint8 ikili tensörleriyken, semantik maskeler sınıf sayısına bağlı olarak sınıf kimlikleri için en küçük pratik tamsayı veri türünü kullanır: torch.uint8, torch.int16 veya torch.int32.

Results nesneleri aşağıdaki yöntemlere sahiptir:

Daha fazla ayrıntı için Results class documentation sayfasına bakın.

Kutular#

Boxes nesnesi, sınırlayıcı kutuları farklı formatlara indekslemek, manipüle etmek ve 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 adları, türleri ve açıklamaları dahil olmak üzere bir tablo:

Daha fazla ayrıntı için Boxes class documentation sayfasına bakın.

Maskeler#

Masks nesnesi maskeleri segmentlere indekslemek, manipüle etmek ve 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

İşte Masks sınıfı yöntemleri ve özellikleri için adları, türleri ve açıklamaları dahil olmak üzere bir tablo:

Daha fazla ayrıntı için Masks class documentation sayfasına bakın.

SemanticMask#

SemanticMask, semantik segmentasyon sonuçları için yoğun bir sınıf haritası depolar. Masks aksine, nesne başına bir ikili maske içermez ve çokgen (polygon) 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

Anahtar Noktalar (Keypoints)#

Keypoints nesnesi koordinatları indekslemek, manipüle etmek 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

İşte Keypoints sınıfı yöntemleri ve özellikleri için adları, türleri ve açıklamaları dahil olmak üzere bir tablo:

Daha fazla ayrıntı için Keypoints class documentation sayfasına bakın.

Probs#

Probs nesnesi top1 ve top5 sınıflandırma indekslerini ve skorlarını elde etmek 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 için yöntemleri ve özellikleri özetleyen bir tablo:

Daha fazla ayrıntı için Probs class documentation sayfasına bakın.

OBB#

OBB nesnesi, yönlendirilmiş sınırlayıcı kutuları (oriented bounding boxes) farklı formatlara indekslemek, manipüle etmek ve 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 adları, türleri ve açıklamaları dahil olmak üzere bir tablo:

Daha fazla ayrıntı için OBB class documentation sayfasına bakın.

Sonuçları Çizdirme#

Results nesnelerindeki plot() yöntemi, algılanan nesneleri (sınırlayıcı kutular, maskeler, kilit noktalar ve olasılıklar gibi) orijinal görüntünün üzerine bindirerek tahminlerin görselleştirilmesini kolaylaştırır. Bu yöntem, açıklama eklenmiş görüntüyü bir NumPy dizisi olarak döndürür ve böylece kolayca görüntülenmesini veya kaydedilmesini sağlar.

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() Yöntem Parametreleri#

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

İş 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 (thread-safe) çıkarım hakkında derinlemesine bir bakış ve adım adım talimatlar için lütfen YOLO İş Parçacığı Güvenli Çıkarım Kılavuzu sayfamıza göz at. Bu kılavuz, yaygın tuzaklardan kaçınman ve çok iş parçacıklı çıkarımının sorunsuz çalışmasını sağlaman için sana gereken tüm bilgileri sağlayacaktır.

Akış Kaynağı for-döngüsü#

Video kareleri üzerinde çıkarım çalıştırmak için OpenCV (cv2) ve YOLO kullanan bir Python betiği burada yer alıyor. Bu betik, gerekli paketleri (opencv-python ve ultralytics) zaten yüklemiş olduğunu 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.

Sırada ne var#

Ön eğitilmiş bir modelin ötesine geçmeye hazır mısın? Görevinin sorununa uyup uymadığını onayla, Veri Setleri kılavuzu ile kendi verilerini biçimlendir, ardından üzerinde eğitim yap.

SSS#

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

Ultralytics YOLO, gerçek zamanlı nesne tespiti, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini ve sınıflandırma için son teknoloji bir modeldir. predict modu, kullanıcıların görüntüler, videolar ve canlı akışlar gibi çeşitli veri kaynakları üzerinde yüksek hızlı çıkarım gerçekleştirmesini sağlar. 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.

Ultralytics 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. Belgelerdeki çeşitli çıkarım kaynakları için ayrıntılı örneklere göz at.

YOLO çıkarım hızını ve bellek kullanımını nasıl optimize ederim?#

Çıkarım hızını optimize etmek ve belleği verimli bir şekilde yönetmek için, tahmincinin çağrı yönteminde stream=True ayarını yaparak akış modunu kullanabilirsin. Akış modu, tüm kareleri belleğe yüklemek yerine bellek açısından verimli bir Results nesne üreteci oluşturur. Uzun videoları veya büyük veri setlerini işlemek için akış modu özellikle yararlıdır. Akış modu hakkında daha fazla bilgi edin.

Ultralytics YOLO hangi çıkarım argümanlarını destekler?#

YOLO içindeki 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 özelleştirmene olanak tanır. Bu argümanların ayrıntılı açıklamaları çıkarım argümanları bölümünde bulunabilir.

Bir YOLO modelinden nasıl embedding çıkarabilirim?#

Sondan bir önceki katmandan özellik gömmeleri (feature embeddings) çıkarmak için model.embed(source) kullan veya belirli katmanları seçmek için embed=[layer_index] değerini model.predict() içine ilet.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
source = "https://ultralytics.com/images/bus.jpg"

results = model.predict(source)  # Results objects
embeddings = model.embed(source)  # list of torch.Tensor embeddings

YOLO tahminlerinin sonuçlarını nasıl görselleştirebilir ve kaydedebilirim?#

YOLO ile çıkarım çalıştırdıktan sonra, Results nesneleri, açıklama eklenmiş 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 (örn. result.save("path/to/result.jpg")). Bu yöntemlerin kapsamlı bir listesi için sonuçlarla çalışma bölümüne başvur.