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 tasarlanmış tahmin modu adlı güçlü bir özellik sunar.

Planlanan çıkarım örnekleri için henüz yayımlanmamış YOLO27 önizlemesine bak.

Gerçek Dünya Uygulamaları#

Çıkarım için Ultralytics YOLO'yu neden kullanmalısın?#

Çeşitli çıkarım ihtiyaçların için YOLO26'nın tahmin modunu değerlendirmeye alman için nedenler:

• Çok yönlülük: Görüntüler, videolar ve hatta canlı yayınlar üzerinde çıkarım yapabilir.
• Performans: Doğruluktan ödün vermeden gerçek zamanlı ve yüksek hızlı işlem için tasarlandı.
• Kullanım kolaylığı: Hızlı dağıtım ve test için sezgisel Python ve CLI arayüzleri.
• Yüksek düzeyde özelleştirilebilir: Modelin çıkarım davranışını özel gereksinimlerine göre ayarlamak için çeşitli seçenekler ve parametreler.
• Üretime hazır: Modelleri otomatik ölçeklendirme ve izleme özellikleriyle 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; şu özellikleri sunar:

• Birden fazla veri kaynağıyla uyumluluk: Verilerin tekil görüntüler, görüntü koleksiyonu, video dosyaları veya gerçek zamanlı video akışları biçiminde olsa da tahmin modu ihtiyacını karşılar.
• Akış modu: Bellek verimliliği yüksek bir Results nesne üreteci oluşturmak için akış özelliğini kullan. Bunu tahminleyicinin çağrı yönteminde stream=True ayarlayarak etkinleştirebilirsin. Tüm sonuçları içeren bir liste döndüren varsayılan davranışın (stream=False) aksine, stream=True sonuçları teker teker üretir; bu da özelliği uzun videolar ve canlı yayınlar için özellikle kullanışlı kılar.
• Toplu işleme: Toplam çıkarım süresini daha da azaltmak için birden fazla görüntüyü veya video karesini tek bir toplu işlemde işle.
• Entegrasyon kolaylığı: Esnek API'si sayesinde mevcut veri işlem hatlarına ve diğer yazılım bileşenlerine kolayca entegre olur.

Ultralytics YOLO modelleri, çıkarım sırasında modele stream=True geçirildiğinde bir Python Results nesne listesi veya bellek verimliliği yüksek bir Results nesne üreteci döndürür:

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # önceden eğitilmiş YOLO26n modeli

# Görüntü listesi üzerinde toplu çıkarım çalıştır
results = model(["image1.jpg", "image2.jpg"])  # Results nesnelerinden oluşan bir liste döndür

# Sonuç listesini işle
for result in results:
    boxes = result.boxes  # Sınırlayıcı kutu çıktıları için Boxes nesnesi
    masks = result.masks  # Segmentasyon maskesi çıktıları için Masks nesnesi
    keypoints = result.keypoints  # Poz çıktıları için Keypoints nesnesi
    probs = result.probs  # Sınıflandırma çıktıları için Probs nesnesi
    obb = result.obb  # OBB çıktıları için yönlendirilmiş kutular nesnesi
    result.show()  # Ekranda göster
    result.save(filename="result.jpg")  # Diske kaydet

Çıkarım Kaynakları#

YOLO26, aşağıdaki tabloda gösterildiği gibi çıkarım için farklı türlerdeki girdi kaynaklarını işleyebilir. Kaynaklar arasında statik görüntüler, video akışları ve çeşitli veri biçimleri bulunur. Tabloda ayrıca her kaynağın stream=True ✅ argümanıyla akış modunda kullanılıp kullanılamayacağı belirtilir. Akış modu, tüm kareleri belleğe yüklemek yerine bir sonuç üreteci oluşturduğu için videoları veya canlı yayınları işlerken avantaj sağlar.

Aşağıda her kaynak türünün kullanımına ilişkin kod örnekleri verilmiştir:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26n modeli yükle
model = YOLO("yolo26n.pt")

# Görüntü dosyasının yolunu tanımla
source = "path/to/image.jpg"

# Kaynak üzerinde çıkarım çalıştır
results = model(source)  # Results nesnelerinden oluşan liste

Çıkarım Argümanları#

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

Sabit şekil ve minimum dikdörtgen (rect)#

Varsayılan olarak predict, rect=True kullanır ve mümkün olduğunda minimum dikdörtgen dolgusu uygular. Görüntü, imgsz içine sığacak şekilde ölçeklendirilir ve yalnızca en yakın stride katına kadar dolguyla tamamlanır; bu nedenle son tensör imgsz değerinden daha küçük olabilir. Minimum dikdörtgen dolgusu yalnızca batch içindeki tüm görüntüler aynı şekle sahipse ve arka uç bunu destekliyorsa kullanılır (PyTorch .pt veya dinamik ONNX gibi dinamik şekilli bir dışa aktarım). Aksi takdirde görüntüler, tam imgsz hedefine kadar doldurulur.

Tam imgsz hedefine kadar her zaman dolgu uygulamak için rect=False kullan. Dışa aktarılan modellerle (ONNX, TensorRT vb.) eşleşmesi için sabit bir girdi boyutuna ihtiyaç duyduğunda bu yöntem önerilir.

Tamsayı ve demet imgsz

• Bir tamsayı imgsz=640, stride yuvarlamasından sonra kare bir (640, 640) hedefine dönüşür.
• Bir demet imgsz=(384, 672), dikdörtgen bir hedef belirler. rect=True kullanıldığında gerçek tensör bu hedeften daha küçük olabilir.

Eğitim ve predict/export

Eğitim yalnızca tek bir tamsayı imgsz kabul eder ([h, w] listesi en büyük değere dönüştürülür). Predict ve export ise tamsayı ya da (height, width) demeti kabul eder.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26n modeli yükle
model = YOLO("yolo26n.pt")

# 'bus.jpg' üzerinde argümanlarla çıkarım yap
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.25)

Çıkarım bağımsız değişkenleri:

Görselleştirme argümanları:

Görüntü ve Video Biçimleri#

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

Görüntüler#

Aşağıdaki tabloda geçerli Ultralytics görüntü biçimleri yer alıyor.

Videolar#

Aşağıdaki tabloda geçerli Ultralytics video biçimleri yer alıyor.

Results ile Çalışma#

Tüm Ultralytics predict() çağrıları, Results nesnelerinden oluşan bir liste döndürür:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26n modeli yükle
model = YOLO("yolo26n.pt")

# Bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")
results = model(
    [
        "https://ultralytics.com/images/bus.jpg",
        "https://ultralytics.com/images/zidane.jpg",
    ]
)  # toplu çıkarım

Results nesneleri şu özniteliklere sahiptir:

Göreve Göre Results#

Aşağıdaki alanların hangilerinin doldurulacağı modelinin görevine bağlıdır — henüz seçim yapmadıysan algılama, segmentasyon, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz ve OBB'yi karşılaştır. Her tahmin, görüntü veya kare başına bir Results nesnesi döndürür. Yukarıdaki ortak alanlar her zaman kullanılabilir; göreve özgü tahmin verileri ise aşağıdaki alanlarda saklanır. YOLO koordinat ve güven tensörleri torch.float32 olur; FP16 çıkarımı (quantize=16) kullanılmadığı sürece olasılık tensörleri torch.float32 olur; FP16 çıkarımı kullanıldığında torch.float16 olur. result.numpy() işleminden sonra tensörler, eşleşen NumPy veri türlerine sahip NumPy dizilerine dönüşür. Örnek maskeleri torch.uint8 ikili tensörlerdir; anlamsal maskeler ise sınıf kimlikleri için sınıf sayısına bağlı olarak en uygun en küçük tamsayı veri türünü kullanır: torch.uint8, torch.int16 veya torch.int32.

Results nesnelerinin aşağıdaki yöntemleri vardır:

Daha fazla bilgi için Results sınıf belgelerine bak.

Kutular#

Boxes nesnesi; sınırlayıcı kutuları dizinlemek, üzerinde işlem yapmak ve farklı biçimlere dönüştürmek için kullanılabilir.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26n modeli yükle
model = YOLO("yolo26n.pt")

# Bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")  # sonuçlar listesi

# Sonuçları görüntüle
for r in results:
    print(r.boxes)  # Algılanan sınırlayıcı kutuları içeren Boxes nesnesini yazdır

Boxes sınıfının yöntem ve özelliklerinin adlarını, türlerini ve açıklamalarını içeren tablo aşağıda verilmiştir:

Daha fazla bilgi için Boxes sınıf belgelerine bak.

Maskeler#

Masks nesnesi; maskeleri dizinlemek, üzerinde işlem yapmak ve segmentlere dönüştürmek için kullanılabilir.

from ultralytics import YOLO

# Önceden eğitilmiş YOLO26n-seg Segment modelini yükle
model = YOLO("yolo26n-seg.pt")

# Bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")  # sonuçlar listesi

# Sonuçları görüntüle
for r in results:
    print(r.masks)  # Algılanan örnek maskelerini içeren Masks nesnesini yazdır

Masks sınıfının yöntem ve özelliklerinin adlarını, türlerini ve açıklamalarını içeren tablo aşağıda verilmiştir:

Daha fazla bilgi için Masks sınıf belgelerine bak.

SemanticMask#

SemanticMask, anlamsal bölümleme sonuçları için tek bir yoğun sınıf haritası depolar. Masks'den farklı olarak, nesne başına bir ikili maske içermez ve çokgen yardımcıları sunmaz.

from ultralytics import YOLO

# Önceden eğitilmiş YOLO26n-sem Semantic modelini yükle
model = YOLO("yolo26n-sem.pt")

# Bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")  # sonuçlar listesi

# Sonuçları görüntüle
for r in results:
    print(r.semantic_mask.data)  # H x W sınıf kimliği haritasını yazdır

Anahtar Noktalar#

Keypoints nesnesi; koordinatları dizinlemek, üzerinde işlem yapmak ve normalize etmek için kullanılabilir.

from ultralytics import YOLO

# Önceden eğitilmiş YOLO26n-pose Pose modelini yükle
model = YOLO("yolo26n-pose.pt")

# Bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")  # sonuçlar listesi

# Sonuçları görüntüle
for r in results:
    print(r.keypoints)  # Algılanan anahtar noktaları içeren Keypoints nesnesini yazdır

Keypoints sınıfının yöntem ve özelliklerinin adlarını, türlerini ve açıklamalarını içeren tablo aşağıda verilmiştir:

Daha fazla bilgi için Keypoints sınıf belgelerine bak.

Olasılıklar#

Probs nesnesi, top1 sınıflandırma indekslerini ve top5 puanlarını almak için kullanılabilir.

from ultralytics import YOLO

# Önceden eğitilmiş YOLO26n-cls Classify modelini yükle
model = YOLO("yolo26n-cls.pt")

# Bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")  # sonuçlar listesi

# Sonuçları görüntüle
for r in results:
    print(r.probs)  # Algılanan sınıf olasılıklarını içeren Probs nesnesini yazdır

Probs sınıfının yöntem ve özelliklerini özetleyen tablo aşağıda verilmiştir:

Daha fazla bilgi için Probs sınıf belgelerine bak.

OBB#

OBB nesnesi, yönlendirilmiş sınırlayıcı kutuları farklı biçimlerde indekslemek, işlemek ve dönüştürmek için kullanılabilir.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26n modeli yükle
model = YOLO("yolo26n-obb.pt")

# Bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/boats.jpg")  # sonuçlar listesi

# Sonuçları görüntüle
for r in results:
    print(r.obb)  # yönlendirilmiş algılama sınırlayıcı kutularını içeren OBB nesnesini yazdır

OBB sınıfının yöntem ve özelliklerinin adlarını, türlerini ve açıklamalarını içeren tablo aşağıda verilmiştir:

Daha fazla bilgi için OBB sınıf belgelerine bak.

Sonuçları Görselleştirme#

Results nesnelerindeki plot() yöntemi, algılanan nesneleri (sınırlayıcı kutular, maskeler, anahtar noktalar ve olasılıklar gibi) orijinal görüntünün üzerine bindirerek tahminlerin görselleştirilmesini sağlar. Bu yöntem, açıklama eklenmiş 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() Yönteminin Parametreleri#

plot() yöntemi, çıktıyı özelleştirmek için çeşitli bağımsız değişkenleri destekler:

İş Parçacığı Güvenli Çıkarım#

Farklı iş parçacıklarında birden fazla YOLO modeli paralel olarak çalıştırılırken çıkarım sırasında iş parçacığı güvenliğini sağlamak çok önemlidir. İş parçacığı güvenli çıkarım, her iş parçacığının tahminlerinin birbirinden yalıtılmasını ve birbirine müdahale etmemesini garanti eder; böylece yarış koşulları önlenir ve tutarlı, güvenilir çıktılar elde edilir.

YOLO modellerini çok iş parçacıklı bir uygulamada kullanırken çakışmaları önlemek için her iş parçacığına ayrı bir model nesnesi örneği 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)
    # Sonuçları işle

# Her biri kendi model örneğine sahip iş parçacıklarını başlat
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 çıkarımı ayrıntılı olarak incelemek ve adım adım yönergeler için YOLO ile İş Parçacığı Güvenli Çıkarım Kılavuzumuza başvur. Bu kılavuz, yaygın sorunlardan kaçınman ve çok iş parçacıklı çıkarımının sorunsuz çalışmasını sağlaman için gereken tüm bilgileri sunar.

Akış Kaynağı for döngüsü#

Aşağıda, video karelerinde çıkarım yapmak için OpenCV (cv2) ve YOLO kullanan bir Python betiği yer alıyor. Bu betik, gerekli paketleri (opencv-python ve ultralytics) zaten yüklediğini varsayar.

import cv2

from ultralytics import YOLO

# YOLO modelini yükle
model = YOLO("yolo26n.pt")

# Video dosyasını aç
video_path = "path/to/your/video/file.mp4"
cap = cv2.VideoCapture(video_path)

# Video kareleri üzerinde döngü oluştur
while cap.isOpened():
    # Videodan bir kare oku
    success, frame = cap.read()

    if success:
        # Kare üzerinde YOLO çıkarımı yap
        results = model(frame)

        # Sonuçları kare üzerinde görselleştir
        annotated_frame = results[0].plot()

        # Açıklama eklenmiş kareyi görüntüle
        cv2.imshow("YOLO Inference", annotated_frame)

        # 'q' tuşuna basılırsa döngüyü sonlandır
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Videonun sonuna ulaşılırsa döngüyü sonlandır
        break

# Video yakalama nesnesini serbest bırak ve görüntüleme penceresini kapat
cap.release()
cv2.destroyAllWindows()

Bu betik, videonun her karesinde tahminler yapar, sonuçları görselleştirir ve bir pencerede görüntüler. 'q' tuşuna basarak döngüden çıkabilirsin.

Sırada ne var?#

Önceden eğitilmiş bir modelin ötesine geçmeye hazır mısın? Görevinin problemin için uygun olduğunu doğrula, kendi verilerini Veri Kümeleri kılavuzuyla biçimlendir ve ardından bu verilerle eğit.

Sık Sorulan Sorular#