Ultralytics YOLO ile Model Tahmini#

Giriş#

makine öğrenimi ve bilgisayarlı görü dünyasında görsel verileri anlamlandırma sürecine genellikle çıkarım veya tahmin adı verilir. Ultralytics YOLO26, çok çeşitli veri kaynaklarında yüksek performanslı, gerçek zamanlı çıkarım için tasarlanmış tahmin modu adı verilen güçlü bir özellik sunar.

Planlanan çıkarım örnekleri için yayınlanmamış YOLO27 önizlemesine göz at.

Gerçek Dünya Uygulamaları#

Çıkarım için Ultralytics YOLO Neden Kullanılmalı?#

Çeşitli çıkarım ihtiyaçların için YOLO26'nın tahmin modunu değerlendirmen için nedenler:

• Çok Yönlülük: Görseller, videolar ve hatta canlı akışlar üzerinde çıkarım çalıştırabilir.
• Performans: doğruluktan ödün vermeden gerçek zamanlı, yüksek hızlı işleme için tasarlanmıştır.
• Kullanım Kolaylığı: Hızlı dağıtım ve test için sezgisel Python ve CLI arayüzleri.
• Yüksek Özelleştirilebilirlik: Modelin çıkarım davranışını özel gereksinimlerine göre ayarlamak için çeşitli ayarlar ve parametreler.
• Üretime Hazır: Modelleri otomatik ölçeklendirme ve izleme özelliklerine sahip Ultralytics Platform çıkarım uç noktaları olarak dağıtabilir veya çıkarımı yerel olarak çalıştırabilirsin.

Tahmin Modunun Temel Özellikleri#

YOLO26'nın tahmin modu sağlam ve çok yönlü olacak şekilde tasarlanmıştır ve şu özellikleri sunar:

• Birden Çok Veri Kaynağıyla Uyumluluk: Verilerin tek tek görseller, bir görsel koleksiyonu, video dosyaları veya gerçek zamanlı video akışları biçiminde olsun, tahmin modu ihtiyacını karşılar.
• Akış Modu: Bellek açısından verimli bir Results nesne oluşturucu üretmek için akış özelliğini kullan. Bunu, tahmincinin çağrı yönteminde stream=True ayarlayarak etkinleştir. Tüm sonuçları içeren bir liste döndüren varsayılan davranışın (stream=False) aksine, stream=True sonuçları tek tek üretir; bu da onu özellikle uzun videolar ve canlı akışlar için kullanışlı kılar.
• Toplu İşleme: Birden çok görseli veya video karesini tek bir toplu işlemde işleyerek toplam çıkarım süresini daha da azalt.
• Entegrasyona Uygunluk: Esnek API'si sayesinde mevcut veri işlem hatları ve diğer yazılım bileşenleriyle kolayca entegre olur.

Ultralytics YOLO modelleri, çıkarım sırasında modele stream=True geçirildiğinde bir Python Results nesne listesi veya bellek açısından verimli bir Results nesne oluşturucu 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 türlerdeki giriş kaynaklarını işleyebilir. Kaynaklar arasında statik görseller, video akışları ve çeşitli veri biçimleri bulunur. Tablo ayrıca her kaynağın stream=True ✅ bağımsız değişkeniyle akış modunda kullanılıp kullanılamayacağını gösterir. Akış modu, tüm kareleri belleğe yüklemek yerine bir sonuç oluşturucusu oluşturduğu için videoları veya canlı akışları işlerken faydalıdır.

Her kaynak türünün kullanımına ilişkin 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 Bağımsız Değişkenleri#

model.predict(), varsayılanları geçersiz kılmak üzere çıkarım sırasında geçirilebilecek birden çok bağımsız değişkeni kabul eder:

Sabit şekil ve minimum dikdörtgen (rect) karşılaştırması#

Varsayılan olarak predict, mümkün olduğunda minimum dikdörtgen dolguyu etkinleştiren rect=True seçeneğini kullanır. Görsel imgsz içine sığacak şekilde ölçeklendirilir ve yalnızca en yakın stride katına kadar doldurulur; bu nedenle son tensör imgsz değerinden daha küçük olabilir. Minimum dikdörtgen dolgusu yalnızca toplu işlemdeki tüm görseller aynı şekle sahip olduğunda ve arka uç bunu desteklediğinde kullanılır (PyTorch .pt veya dinamik ONNX / Triton). Aksi takdirde görseller tam imgsz hedef boyutuna kadar doldurulur.

Her zaman tam imgsz hedef boyutuna kadar doldurmak için rect=False kullan. Bu, dışa aktarılan modellerle (ONNX, TensorRT vb.) eşleşmesi için sabit bir giriş boyutuna ihtiyaç duyduğunda önerilir.

Tamsayı ve demet imgsz karşılaştırması

• Bir tamsayı imgsz=640, stride yuvarlamasından sonra kare bir (640, 640) hedefi olur.
• Bir demet imgsz=(384, 672), dikdörtgen bir hedef belirler. rect=True ve auto=True ile gerçek tensör bu hedeften daha küçük olabilir.

Eğitim ve predict/export karşılaştırması

Eğitim yalnızca tek bir tamsayı imgsz kabul eder (bir [h, w] listesi en büyük değere dönüştürülür). Predict ve export, tamsayı veya (height, width) demeti 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 bağımsız değişkenleri:

Görselleştirme bağımsız değişkenleri:

Görüntü ve Video Biçimleri#

YOLO26, ultralytics/data/utils.py içinde belirtildiği üzere çeşitli görüntü ve video biçimlerini destekler. Geçerli uzantılar ve örnek predict komutları için aşağıdaki tablolara bak.

Görüntüler#

Aşağıdaki tablo geçerli Ultralytics görüntü biçimlerini içerir.

Videolar#

Aşağıdaki tablo geçerli Ultralytics video biçimlerini içerir.

Results ile Çalışma#

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 aşağıdaki özniteliklere sahiptir:

Göreve Göre Sonuçlar#

Aşağıda hangi alanların doldurulacağı modelinin görevine bağlıdır — henüz bir görev seçmediysen detection, segmentation, semantic segmentation, depth estimation, classification, pose ve OBB'yi karşılaştır. Her tahmin, resim veya kare başına bir Results nesnesi döndürür. Yukarıdaki ortak alanlar her zaman kullanılabilir durumdayken, göreve özel tahmin verileri aşağıdaki alanlarda saklanır. YOLO koordinat ve güven tensörleri torch.float32 türündedir; yarı hassasiyet kullanılmadığı sürece olasılık tensörleri torch.float32 türündedir, yarı hassasiyet kullanıldığında ise torch.float16 türündedir. result.numpy() sonrasında tensörler, eşleşen NumPy veri türleriyle birlikte NumPy dizilerine dönüşür. Örnek maskeleri torch.uint8 ikili tensörleriyken, anlamsal maskeler sınıf sayısına bağlı olarak sınıf kimlikleri için en küçük pratik tamsayı veri türünü (torch.uint8, torch.int16 veya torch.int32) kullanır.

Results nesneleri aşağıdaki yöntemlere sahiptir:

Daha fazla ayrıntı için Results sınıfı belgelerine bak.

Kutular#

Boxes nesnesi, sınırlayıcı kutuları indekslemek, işlemek ve farklı biçimlere 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

Aşağıda, Boxes sınıfının yöntemlerini ve özelliklerini adları, türleri ve açıklamalarıyla birlikte gösteren bir tablo yer alır:

Daha fazla ayrıntı için Boxes sınıfı belgelerine bak.

Maskeler#

Masks nesnesi, maskeleri indekslemek, 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

Aşağıda, Masks sınıfının yöntemlerini ve özelliklerini adları, türleri ve açıklamalarıyla birlikte gösteren bir tablo yer alır:

Daha fazla ayrıntı için Masks sınıfı belgelerine bak.

SemanticMask#

SemanticMask, anlamsal segmentasyon sonuçları için tek bir yoğun sınıf haritası depolar. Masks öğesinden farklı olarak, nesne başına bir ikili maske içermez ve çokgen 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

Keypoint'ler#

Keypoints nesnesi, koordinatları indekslemek, 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

Aşağıda, Keypoints sınıfının yöntemlerini ve özelliklerini adları, türleri ve açıklamalarıyla birlikte gösteren bir tablo yer alır:

Daha fazla ayrıntı için Keypoints sınıfı belgelerine bak.

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

Aşağıda, Probs sınıfının yöntemlerini ve özelliklerini özetleyen bir tablo yer alır:

Daha fazla ayrıntı için Probs sınıfı belgelerine bak.

OBB#

OBB nesnesi, yönlendirilmiş sınırlayıcı kutuları indekslemek, işlemek ve farklı biçimlere 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

Aşağıda, OBB sınıfının yöntemlerini ve özelliklerini adları, türleri ve açıklamalarıyla birlikte gösteren bir tablo yer alır:

Daha fazla ayrıntı için OBB sınıfı belgelerine bak.

Sonuçları Görselleştirme#

Results nesnelerindeki plot() yöntemi, tespit edilen nesneleri (sınırlayıcı kutular, maskeler, anahtar noktalar ve olasılıklar gibi) özgün görüntünün üzerine bindirerek tahminlerin görselleştirilmesini sağlar. Bu yöntem, açıklamalı görüntüyü NumPy dizisi olarak döndürür; böylece görüntüyü kolayca görüntüleyebilir veya kaydedebilirsin.

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 bağımsız değişkenleri destekler:

İş Parçacığı Güvenli Çıkarım#

Birden fazla YOLO modelini farklı iş parçacıkları arasında paralel olarak çalıştırırken çıkarım sırasında iş parçacığı güvenliğini sağlamak kritik öneme sahiptir. İş parçacığı güvenli çıkarım, her iş parçacığının tahminlerinin yalıtılmasını ve birbirini etkilememesini garanti eder; böylece yarış koşullarını önler ve tutarlı, güvenilir çıktılar sağlar.

YOLO modellerini çok iş parçacıklı bir uygulamada kullanırken çakışmaları önlemek için her iş parçacığına ayrı model nesneleri oluşturmak veya iş parçacığına yerel 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 iş parçacığı güvenli çıkarıma ve adım adım talimatlara ayrıntılı bir bakış için YOLO İş Parçacığı Güvenli Çıkarım Kılavuzu sayfamıza başvur. Bu kılavuz, yaygın hatalardan kaçınman ve çok iş parçacıklı çıkarımının sorunsuz çalışmasını sağlaman için gereken tüm bilgileri sunar.

Akış Kaynağı for döngüsü#

Aşağıda, video kareleri üzerinde çıkarım gerçekleştirmek için OpenCV (cv2) ve YOLO kullanan bir Python betiği yer alır. Bu betik, gerekli paketleri (opencv-python ve ultralytics) zaten 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 karesi üzerinde tahminler gerçekleştirir, sonuçları görselleştirir ve bunları bir pencerede gösterir. Döngüye 'q' tuşuna basarak çıkabilirsin.

Sırada Ne Var?#

Önceden eğitilmiş bir modelin ötesine geçmeye hazır mısın? Görevinin probleminle uyumlu olduğunu doğrula, kendi verilerini Veri Kümeleri kılavuzuyla biçimlendir ve ardından bu verilerle eğitim yap.

SSS#