─░├žeri─če ge├ž

ile Model Tahmini Ultralytics YOLO

Ultralytics YOLO ekosistem ve entegrasyonlar

Giri┼č

Makine ├Â─črenimi ve bilgisayarla g├Ârme d├╝nyas─▒nda, g├Ârsel verilerden anlam ├ž─▒karma s├╝recine '├ž─▒kar─▒m' veya 'tahmin' denir. Ultralytics YOLOv8 , ├žok ├že┼čitli veri kaynaklar─▒ ├╝zerinde y├╝ksek performansl─▒, ger├žek zamanl─▒ ├ž─▒kar─▒m i├žin uyarlanm─▒┼č tahmin modu olarak bilinen g├╝├žl├╝ bir ├Âzellik sunar.



─░zle: ├ľzel Projeler i├žin Ultralytics YOLOv8 Modelinden ├ç─▒kt─▒lar Nas─▒l ├ç─▒kar─▒l─▒r?

Ger├žek D├╝nya Uygulamalar─▒

├ťretim Spor G├╝venlik
Ara├ž Yedek Par├ža Tespiti Futbolcu Tespiti ─░nsan D├╝┼čme Tespiti
Ara├ž Yedek Par├ža Tespiti Futbolcu Tespiti ─░nsan D├╝┼čme Tespiti

├ç─▒kar─▒m i├žin Neden Ultralytics YOLO Kullan─▒lmal─▒?

├çe┼čitli ├ž─▒kar─▒m ihtiya├žlar─▒n─▒z i├žin neden YOLOv8'un tahmin modunu d├╝┼č├╝nmeniz gerekti─čini burada bulabilirsiniz:

  • ├çok y├Ânl├╝l├╝k: G├Âr├╝nt├╝ler, videolar ve hatta canl─▒ yay─▒nlar ├╝zerinde ├ž─▒kar─▒mlar yapabilir.
  • Performans: Do─čruluktan ├Âd├╝n vermeden ger├žek zamanl─▒, y├╝ksek h─▒zl─▒ i┼čleme i├žin tasarlanm─▒┼čt─▒r.
  • Kullan─▒m Kolayl─▒─č─▒: H─▒zl─▒ da─č─▒t─▒m ve test i├žin sezgisel Python ve CLI aray├╝zleri.
  • Son Derece ├ľzelle┼čtirilebilir: Modelin ├ž─▒kar─▒m davran─▒┼č─▒n─▒ ├Âzel gereksinimlerinize g├Âre ayarlamak i├žin ├že┼čitli ayarlar ve parametreler.

Tahmin Modunun Temel ├ľzellikleri

YOLOv8'nin tahmin modu, sa─člam ve ├žok y├Ânl├╝ olacak ┼čekilde tasarlanm─▒┼čt─▒r:

  • ├çoklu Veri Kayna─č─▒ Uyumlulu─ču: Verileriniz ister tek tek g├Âr├╝nt├╝ler, ister g├Âr├╝nt├╝ koleksiyonlar─▒, video dosyalar─▒ veya ger├žek zamanl─▒ video ak─▒┼člar─▒ ┼čeklinde olsun, tahmin modu sizi korur.
  • Ak─▒┼č Modu: 'nin bellek a├ž─▒s─▒ndan verimli bir olu┼čturucusunu olu┼čturmak i├žin ak─▒┼č ├Âzelli─čini kullan─▒n. Results nesneler. Bunu ayarlayarak etkinle┼čtirin stream=True tahmin edicinin ├ža─čr─▒ y├Ânteminde.
  • Toplu ─░┼čleme: Birden fazla g├Âr├╝nt├╝ veya video karesini tek bir toplu i┼člemde i┼čleme yetene─či, ├ž─▒kar─▒m s├╝resini daha da h─▒zland─▒r─▒r.
  • Entegrasyon Dostu: Esnek API'si sayesinde mevcut veri hatlar─▒ ve di─čer yaz─▒l─▒m bile┼čenleri ile kolayca entegre olur.

Ultralytics YOLO modelleri ya bir Python listesi d├Ând├╝r├╝r Results nesneleri veya bellek a├ž─▒s─▒ndan verimli bir Python Results nesneler ne zaman stream=True ├ž─▒kar─▒m s─▒ras─▒nda modele aktar─▒l─▒r:

Tahmin Et

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # pretrained YOLOv8n model

# Run batched inference on a list of images
results = model(["im1.jpg", "im2.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
from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # pretrained YOLOv8n model

# Run batched inference on a list of images
results = model(["im1.jpg", "im2.jpg"], stream=True)  # return a generator of Results objects

# Process results generator
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

YOLOv8 a┼ča─č─▒daki tabloda g├Âsterildi─či gibi ├ž─▒kar─▒m i├žin farkl─▒ t├╝rde giri┼č kaynaklar─▒n─▒ i┼čleyebilir. Bu kaynaklar aras─▒nda statik g├Âr├╝nt├╝ler, video ak─▒┼člar─▒ ve ├že┼čitli veri formatlar─▒ bulunmaktad─▒r. Tabloda ayr─▒ca her bir kayna─č─▒n a┼ča─č─▒daki ba─č─▒ms─▒z de─či┼čkenle ak─▒┼č modunda kullan─▒l─▒p kullan─▒lamayaca─č─▒ da belirtilmektedir stream=True Ôťů. Ak─▒┼č modu, t├╝m kareleri belle─če y├╝klemek yerine bir sonu├ž ├╝reteci olu┼čturdu─čundan videolar─▒ veya canl─▒ ak─▒┼člar─▒ i┼člemek i├žin faydal─▒d─▒r.

─░pucu

Kullan─▒m stream=True belle─či verimli bir ┼čekilde y├Ânetmek i├žin uzun videolar─▒ veya b├╝y├╝k veri k├╝melerini i┼člemek i├žin. Ne zaman stream=False'de, t├╝m kareler veya veri noktalar─▒ i├žin sonu├žlar bellekte saklan─▒r, bu da b├╝y├╝k girdiler i├žin h─▒zla toplanabilir ve bellek d─▒┼č─▒ hatalara neden olabilir. Bunun aksine, stream=True yaln─▒zca ge├žerli karenin veya veri noktas─▒n─▒n sonu├žlar─▒n─▒ bellekte tutan, bellek t├╝ketimini ├Ânemli ├Âl├ž├╝de azaltan ve bellek d─▒┼č─▒ sorunlar─▒ ├Ânleyen bir ├╝rete├ž kullan─▒r.

Kaynak Tart─▒┼čma Tip Notlar
g├Âr├╝nt├╝ 'image.jpg' str veya Path Tek g├Âr├╝nt├╝ dosyas─▒.
URL 'https://ultralytics.com/images/bus.jpg' str Bir g├Âr├╝nt├╝n├╝n URL'si.
ekran g├Âr├╝nt├╝s├╝ 'screen' str Bir ekran g├Âr├╝nt├╝s├╝ yakalay─▒n.
PIL Image.open('im.jpg') PIL.Image RGB kanallar─▒ ile HWC format─▒.
OpenCV cv2.imread('im.jpg') np.ndarray BGR kanallar─▒ ile HWC format─▒ uint8 (0-255).
numpy np.zeros((640,1280,3)) np.ndarray BGR kanallar─▒ ile HWC format─▒ uint8 (0-255).
torch torch.zeros(16,3,320,640) torch.Tensor RGB kanallar─▒ ile BCHW format─▒ float32 (0.0-1.0).
CSV 'sources.csv' str veya Path G├Âr├╝nt├╝lerin, videolar─▒n veya dizinlerin yollar─▒n─▒ i├žeren CSV dosyas─▒.
video Ôťů 'video.mp4' str veya Path MP4, AVI vb. formatlarda video dosyas─▒.
dizin Ôťů 'path/' str veya Path G├Âr├╝nt├╝ veya video i├žeren bir dizinin yolu.
glob Ôťů 'path/*.jpg' str Birden fazla dosyayla e┼čle┼čmek i├žin glob deseni. Kullan─▒n * karakterini joker karakter olarak kullan─▒r.
YouTube Ôťů 'https://youtu.be/LNwODJXcvt4' str Bir YouTube videosunun URL'si.
ak─▒┼č Ôťů 'rtsp://example.com/media.mp4' str RTSP, RTMP, TCP gibi ak─▒┼č protokolleri i├žin URL veya bir IP adresi.
├žoklu ak─▒┼č Ôťů 'list.streams' str veya Path *.streams her sat─▒r i├žin bir ak─▒┼č URL'si i├žeren metin dosyas─▒, yani 8 ak─▒┼č toplu i┼č boyutu 8'de ├žal─▒┼čacakt─▒r.

A┼ča─č─▒da her bir kaynak t├╝r├╝n├╝ kullanmak i├žin kod ├Ârnekleri verilmi┼čtir:

Tahmin kaynaklar─▒

Bir g├Âr├╝nt├╝ dosyas─▒ ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

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

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

Ekran g├Âr├╝nt├╝s├╝ olarak ge├žerli ekran i├žeri─či ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Define current screenshot as source
source = "screen"

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

URL arac─▒l─▒─č─▒yla uzaktan bar─▒nd─▒r─▒lan bir g├Âr├╝nt├╝ veya video ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Define remote image or video URL
source = "https://ultralytics.com/images/bus.jpg"

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

Python Imaging Library (PIL) ile a├ž─▒lm─▒┼č bir g├Âr├╝nt├╝ ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Open an image using PIL
source = Image.open("path/to/image.jpg")

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

OpenCV ile okunan bir g├Âr├╝nt├╝ ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n.

import cv2

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Read an image using OpenCV
source = cv2.imread("path/to/image.jpg")

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

Numpy dizisi olarak temsil edilen bir g├Âr├╝nt├╝ ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n.

import numpy as np

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Create a random numpy array of HWC shape (640, 640, 3) with values in range [0, 255] and type uint8
source = np.random.randint(low=0, high=255, size=(640, 640, 3), dtype="uint8")

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

PyTorch tensor olarak temsil edilen bir g├Âr├╝nt├╝ ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n.

import torch

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Create a random torch tensor of BCHW shape (1, 3, 640, 640) with values in range [0, 1] and type float32
source = torch.rand(1, 3, 640, 640, dtype=torch.float32)

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

Bir CSV dosyas─▒nda listelenen resimler, URL'ler, videolar ve dizinlerden olu┼čan bir koleksiyon ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n.

import torch

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Define a path to a CSV file with images, URLs, videos and directories
source = "path/to/file.csv"

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

Bir video dosyas─▒ ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n. Kullanarak stream=Truebellek kullan─▒m─▒n─▒ azaltmak i├žin bir Sonu├ž nesneleri olu┼čturucu olu┼čturabilirsiniz.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Define path to video file
source = "path/to/video.mp4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

Bir dizindeki t├╝m resimler ve videolar ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n. Alt dizinlerdeki resim ve videolar─▒ da yakalamak i├žin bir glob kal─▒b─▒ kullan─▒n, ├Ârn. path/to/dir/**/*.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Define path to directory containing images and videos for inference
source = "path/to/dir"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

ile bir glob ifadesiyle e┼čle┼čen t├╝m resimler ve videolar ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n * karakterler.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Define a glob search for all JPG files in a directory
source = "path/to/dir/*.jpg"

# OR define a recursive glob search for all JPG files including subdirectories
source = "path/to/dir/**/*.jpg"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

Bir YouTube videosu ├╝zerinde ├ž─▒kar─▒m yap─▒n. Kullanarak stream=Trueuzun videolarda bellek kullan─▒m─▒n─▒ azaltmak i├žin bir Sonu├ž nesneleri olu┼čturucu olu┼čturabilirsiniz.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Define source as YouTube video URL
source = "https://youtu.be/LNwODJXcvt4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

RTSP, RTMP, TCP ve IP adresi protokollerini kullanarak uzak ak─▒┼č kaynaklar─▒ ├╝zerinde ├ž─▒kar─▒m ├žal─▒┼čt─▒r─▒n. Birden fazla ak─▒┼č sa─članm─▒┼čsa *.streams metin dosyas─▒ndan sonra toplu ├ž─▒kar─▒m ├žal─▒┼čacakt─▒r, yani 8 ak─▒┼č toplu i┼č boyutu 8'de ├žal─▒┼čacakt─▒r, aksi takdirde tek ak─▒┼č toplu i┼č boyutu 1'de ├žal─▒┼čacakt─▒r.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Single stream with batch-size 1 inference
source = "rtsp://example.com/media.mp4"  # RTSP, RTMP, TCP or IP streaming address

# Multiple streams with batched inference (i.e. batch-size 8 for 8 streams)
source = "path/to/list.streams"  # *.streams text file with one streaming address per row

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

Çıkarım Argümanları

model.predict() varsay─▒lanlar─▒ ge├žersiz k─▒lmak i├žin ├ž─▒kar─▒m zaman─▒nda ge├žirilebilecek birden fazla arg├╝man kabul eder:

├ľrnek

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("bus.jpg", save=True, imgsz=320, conf=0.5)

Çıkarım argümanları:

Tart─▒┼čma Tip Varsay─▒lan A├ž─▒klama
source str 'ultralytics/assets' ├ç─▒kar─▒m i├žin veri kayna─č─▒n─▒ belirtir. Bir g├Âr├╝nt├╝ yolu, video dosyas─▒, dizin, URL veya canl─▒ yay─▒nlar i├žin cihaz kimli─či olabilir. ├çok ├že┼čitli formatlar─▒ ve kaynaklar─▒ destekleyerek farkl─▒ girdi t├╝rlerinde esnek uygulama sa─člar.
conf float 0.25 Tespitler i├žin minimum g├╝ven e┼či─čini ayarlar. Bu e┼či─čin alt─▒nda g├╝venle tespit edilen nesneler dikkate al─▒nmayacakt─▒r. Bu de─čerin ayarlanmas─▒ yanl─▒┼č pozitiflerin azalt─▒lmas─▒na yard─▒mc─▒ olabilir.
iou float 0.7 Maksimum Olmayan Bast─▒rma (NMS) i├žin Birlik ├ťzerinde Kesi┼čme (IoU) e┼či─či. Daha d├╝┼č├╝k de─čerler, ├╝st ├╝ste binen kutular─▒ ortadan kald─▒rarak daha az tespitle sonu├žlan─▒r, bu da kopyalar─▒ azaltmak i├žin kullan─▒┼čl─▒d─▒r.
imgsz int or tuple 640 ├ç─▒kar─▒m i├žin g├Âr├╝nt├╝ boyutunu tan─▒mlar. Tek bir tamsay─▒ olabilir 640 kare yeniden boyutland─▒rma veya bir (y├╝kseklik, geni┼člik) tuple i├žin. Do─čru boyutland─▒rma, alg─▒lama do─črulu─čunu ve i┼člem h─▒z─▒n─▒ art─▒rabilir.
half bool False Desteklenen GPU'larda model ├ž─▒kar─▒m─▒n─▒ do─čruluk ├╝zerinde minimum etkiyle h─▒zland─▒rabilen yar─▒ hassas (FP16) ├ž─▒kar─▒m─▒ etkinle┼čtirir.
device str None ├ç─▒kar─▒m i├žin cihaz─▒ belirtir (├Ârn, cpu, cuda:0 veya 0). Kullan─▒c─▒lar─▒n model y├╝r├╝tme i├žin CPU, belirli bir GPU veya di─čer hesaplama cihazlar─▒ aras─▒nda se├žim yapmas─▒na olanak tan─▒r.
max_det int 300 G├Âr├╝nt├╝ ba┼č─▒na izin verilen maksimum alg─▒lama say─▒s─▒. Modelin tek bir ├ž─▒kar─▒mda tespit edebilece─či toplam nesne say─▒s─▒n─▒ s─▒n─▒rlayarak yo─čun sahnelerde a┼č─▒r─▒ ├ž─▒kt─▒lar─▒ ├Ânler.
vid_stride int 1 Video giri┼čleri i├žin kare atlama. Zamansal ├ž├Âz├╝n├╝rl├╝k pahas─▒na i┼člemeyi h─▒zland─▒rmak i├žin videolardaki karelerin atlanmas─▒na izin verir. 1 de─čeri her kareyi i┼čler, daha y├╝ksek de─čerler kareleri atlar.
stream_buffer bool False Video ak─▒┼člar─▒ i┼členirken t├╝m karelerin arabelle─če al─▒n─▒p al─▒nmayaca─č─▒n─▒ belirler (True) veya modelin en son kareyi d├Ând├╝rmesi gerekip gerekmedi─čini (False). Ger├žek zamanl─▒ uygulamalar i├žin kullan─▒┼čl─▒d─▒r.
visualize bool False ├ç─▒kar─▒m s─▒ras─▒nda model ├Âzelliklerinin g├Ârselle┼čtirilmesini etkinle┼čtirerek modelin "ne g├Ârd├╝─č├╝ne" dair i├žg├Âr├╝ sa─člar. Hata ay─▒klama ve model yorumlama i├žin kullan─▒┼čl─▒d─▒r.
augment bool False Tahminler i├žin test zaman─▒ art─▒r─▒m─▒n─▒ (TTA) etkinle┼čtirerek ├ž─▒kar─▒m h─▒z─▒ pahas─▒na tespit sa─člaml─▒─č─▒n─▒ potansiyel olarak iyile┼čtirir.
agnostic_nms bool False Farkl─▒ s─▒n─▒flar─▒n ├Ârt├╝┼čen kutular─▒n─▒ birle┼čtiren, s─▒n─▒ftan ba─č─▒ms─▒z Maksimum Olmayan Bast─▒rma (NMS) ├Âzelli─čini etkinle┼čtirir. S─▒n─▒f ├žak─▒┼čmas─▒n─▒n yayg─▒n oldu─ču ├žok s─▒n─▒fl─▒ alg─▒lama senaryolar─▒nda kullan─▒┼čl─▒d─▒r.
classes list[int] None Tahminleri bir dizi s─▒n─▒f kimli─čine g├Âre filtreler. Yaln─▒zca belirtilen s─▒n─▒flara ait tespitler d├Ând├╝r├╝l├╝r. ├çok s─▒n─▒fl─▒ alg─▒lama g├Ârevlerinde ilgili nesnelere odaklanmak i├žin kullan─▒┼čl─▒d─▒r.
retina_masks bool False Modelde mevcutsa y├╝ksek ├ž├Âz├╝n├╝rl├╝kl├╝ segmentasyon maskeleri kullan─▒r. Bu, segmentasyon g├Ârevleri i├žin maske kalitesini art─▒rarak daha ince ayr─▒nt─▒lar sa─člayabilir.
embed list[int] None ├ľzellik vekt├Ârlerinin veya kat─▒┼čt─▒rmalar─▒n ├ž─▒kar─▒laca─č─▒ katmanlar─▒ belirtir. K├╝meleme veya benzerlik arama gibi sonraki g├Ârevler i├žin kullan─▒┼čl─▒d─▒r.

G├Ârselle┼čtirme arg├╝manlar─▒:

Tart─▒┼čma Tip Varsay─▒lan A├ž─▒klama
show bool False E─čer True, a├ž─▒klamal─▒ g├Âr├╝nt├╝leri veya videolar─▒ bir pencerede g├Âr├╝nt├╝ler. Geli┼čtirme veya test s─▒ras─▒nda an─▒nda g├Ârsel geri bildirim i├žin kullan─▒┼čl─▒d─▒r.
save bool False A├ž─▒klamal─▒ g├Âr├╝nt├╝lerin veya videolar─▒n dosyaya kaydedilmesini sa─člar. Dok├╝mantasyon, ileri analiz veya sonu├žlar─▒ payla┼čmak i├žin kullan─▒┼čl─▒d─▒r.
save_frames bool False Videolar─▒ i┼člerken, tek tek kareleri g├Âr├╝nt├╝ olarak kaydeder. Belirli kareleri ay─▒klamak veya ayr─▒nt─▒l─▒ kare kare analiz i├žin kullan─▒┼čl─▒d─▒r.
save_txt bool False Alg─▒lama sonu├žlar─▒n─▒ formata uygun olarak bir metin dosyas─▒na kaydeder [class] [x_center] [y_center] [width] [height] [confidence]. Di─čer analiz ara├žlar─▒yla entegrasyon i├žin kullan─▒┼čl─▒d─▒r.
save_conf bool False Kaydedilen metin dosyalar─▒na g├╝ven puanlar─▒ ekler. ─░┼člem sonras─▒ ve analiz i├žin mevcut ayr─▒nt─▒lar─▒ geli┼čtirir.
save_crop bool False Tespitlerin k─▒rp─▒lm─▒┼č g├Âr├╝nt├╝lerini kaydeder. Veri k├╝mesini b├╝y├╝tmek, analiz etmek veya belirli nesneler i├žin odaklanm─▒┼č veri k├╝meleri olu┼čturmak i├žin kullan─▒┼čl─▒d─▒r.
show_labels bool True G├Ârsel ├ž─▒kt─▒daki her alg─▒lama i├žin etiketleri g├Âr├╝nt├╝ler. Alg─▒lanan nesnelerin an─▒nda anla┼č─▒lmas─▒n─▒ sa─člar.
show_conf bool True Etiketin yan─▒nda her bir tespit i├žin g├╝ven puan─▒n─▒ g├Âr├╝nt├╝ler. Her bir tespit i├žin modelin kesinli─či hakk─▒nda fikir verir.
show_boxes bool True Alg─▒lanan nesnelerin etraf─▒na s─▒n─▒rlay─▒c─▒ kutular ├žizer. G├Âr├╝nt├╝lerdeki veya video karelerindeki nesnelerin g├Ârsel olarak tan─▒mlanmas─▒ ve konumland─▒r─▒lmas─▒ i├žin gereklidir.
line_width None or int None S─▒n─▒rlay─▒c─▒ kutular─▒n ├žizgi geni┼čli─čini belirtir. E─čer None├žizgi geni┼čli─či g├Âr├╝nt├╝ boyutuna g├Âre otomatik olarak ayarlan─▒r. Netlik i├žin g├Ârsel ├Âzelle┼čtirme sa─člar.

G├Âr├╝nt├╝ ve Video Formatlar─▒

YOLOv8 ultralytics/data/utils .py adresinde belirtildi─či gibi ├že┼čitli g├Âr├╝nt├╝ ve video formatlar─▒n─▒ destekler. Ge├žerli son ekler ve ├Ârnek tahmin komutlar─▒ i├žin a┼ča─č─▒daki tablolara bak─▒n.

G├Âr├╝nt├╝ler

A┼ča─č─▒daki tabloda ge├žerli Ultralytics g├Âr├╝nt├╝ formatlar─▒ yer almaktad─▒r.

G├Âr├╝nt├╝ Sonekleri ├ľrnek Tahmin Et Komutu Referans
.bmp yolo predict source=image.bmp Microsoft BMP Dosya Format─▒
.dng yolo predict source=image.dng Adobe DNG
.jpeg yolo predict source=image.jpeg JPEG
.jpg yolo predict source=image.jpg JPEG
.mpo yolo predict source=image.mpo Çoklu Resim Nesnesi
.png yolo predict source=image.png Ta┼č─▒nabilir A─č Grafikleri
.tif yolo predict source=image.tif Etiket G├Âr├╝nt├╝ Dosya Format─▒
.tiff yolo predict source=image.tiff Etiket G├Âr├╝nt├╝ Dosya Format─▒
.webp yolo predict source=image.webp WebP
.pfm yolo predict source=image.pfm Ta┼č─▒nabilir FloatMap

Videolar

A┼ča─č─▒daki tabloda ge├žerli Ultralytics video formatlar─▒ yer almaktad─▒r.

Video Sonekleri ├ľrnek Tahmin Et Komutu Referans
.asf yolo predict source=video.asf Geli┼čmi┼č Sistem Format─▒
.avi yolo predict source=video.avi Ses Video Interleave
.gif yolo predict source=video.gif Grafik De─či┼čim Format─▒
.m4v yolo predict source=video.m4v MPEG-4 B├Âl├╝m 14
.mkv yolo predict source=video.mkv Matroska
.mov yolo predict source=video.mov QuickTime Dosya Format─▒
.mp4 yolo predict source=video.mp4 MPEG-4 B├Âl├╝m 14 - Vikipedi
.mpeg yolo predict source=video.mpeg MPEG-1 B├Âl├╝m 2
.mpg yolo predict source=video.mpg MPEG-1 B├Âl├╝m 2
.ts yolo predict source=video.ts MPEG Aktar─▒m Ak─▒┼č─▒
.wmv yolo predict source=video.wmv Windows Media Video
.webm yolo predict source=video.webm WebM Projesi

Sonu├žlarla ├çal─▒┼čma

T├╝m├╝ Ultralytics predict() ├ža─čr─▒lar─▒ bir liste d├Ând├╝recektir Results nesneler:

Sonu├žlar

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("bus.jpg")  # list of 1 Results object
results = model(["bus.jpg", "zidane.jpg"])  # list of 2 Results objects

Results nesneleri a┼ča─č─▒daki niteliklere sahiptir:

├ľznitelik Tip A├ž─▒klama
orig_img numpy.ndarray Bir numpy dizisi olarak orijinal g├Âr├╝nt├╝.
orig_shape tuple (Y├╝kseklik, geni┼člik) bi├žimindeki orijinal g├Âr├╝nt├╝ ┼čekli.
boxes Boxes, optional Alg─▒lama s─▒n─▒rlay─▒c─▒ kutular─▒n─▒ i├žeren bir Boxes nesnesi.
masks Masks, optional Alg─▒lama maskelerini i├žeren bir Masks nesnesi.
probs Probs, optional S─▒n─▒fland─▒rma g├Ârevi i├žin her s─▒n─▒f─▒n olas─▒l─▒klar─▒n─▒ i├žeren bir Probs nesnesi.
keypoints Keypoints, optional Her nesne i├žin alg─▒lanan anahtar noktalar─▒ i├žeren bir Anahtar Noktalar nesnesi.
obb OBB, optional Y├Ânlendirilmi┼č s─▒n─▒rlay─▒c─▒ kutular i├žeren bir OBB nesnesi.
speed dict G├Âr├╝nt├╝ ba┼č─▒na milisaniye cinsinden ├Ân i┼člem, ├ž─▒kar─▒m ve son i┼člem h─▒zlar─▒ s├Âzl├╝─č├╝.
names dict S─▒n─▒f adlar─▒ s├Âzl├╝─č├╝.
path str G├Âr├╝nt├╝ dosyas─▒n─▒n yolu.

Results nesneleri a┼ča─č─▒daki y├Ântemlere sahiptir:

Y├Ântem D├Ân├╝┼č Tipi A├ž─▒klama
update() None Results nesnesinin kutular─▒n─▒, maskelerini ve probs niteliklerini g├╝ncelleyin.
cpu() Results CPU belle─čindeki t├╝m tens├Ârlerle birlikte Results nesnesinin bir kopyas─▒n─▒ d├Ând├╝r├╝r.
numpy() Results T├╝m tens├Ârleri numpy dizileri olarak i├žeren Results nesnesinin bir kopyas─▒n─▒ d├Ând├╝r├╝r.
cuda() Results GPU belle─čindeki t├╝m tens├Ârlerle birlikte Results nesnesinin bir kopyas─▒n─▒ d├Ând├╝r├╝r.
to() Results Belirtilen ayg─▒t ve d t├╝r├╝ndeki tens├Ârleri i├žeren Results nesnesinin bir kopyas─▒n─▒ d├Ând├╝r├╝r.
new() Results Ayn─▒ g├Âr├╝nt├╝, yol ve adlara sahip yeni bir Results nesnesi d├Ând├╝r├╝r.
plot() numpy.ndarray Alg─▒lama sonu├žlar─▒n─▒ ├žizer. A├ž─▒klamal─▒ g├Âr├╝nt├╝n├╝n bir numpy dizisini d├Ând├╝r├╝r.
show() None A├ž─▒klamal─▒ sonu├žlar─▒ ekranda g├Âsterin.
save() None A├ž─▒klamal─▒ sonu├žlar─▒ dosyaya kaydedin.
verbose() str Her g├Ârev i├žin g├╝nl├╝k dizesi d├Ând├╝r├╝r.
save_txt() None Tahminleri bir txt dosyas─▒na kaydedin.
save_crop() None K─▒rp─▒lm─▒┼č tahminleri ┼čuraya kaydet save_dir/cls/file_name.jpg.
tojson() str Nesneyi JSON bi├žimine d├Ân├╝┼čt├╝r├╝n.

Daha fazla ayr─▒nt─▒ i├žin bkz. Results s─▒n─▒f dok├╝mantasyonu.

Kutular

Boxes nesnesi, s─▒n─▒rlay─▒c─▒ kutular─▒ dizinlemek, i┼člemek ve farkl─▒ bi├žimlere d├Ân├╝┼čt├╝rmek i├žin kullan─▒labilir.

Kutular

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("bus.jpg")  # results list

# View results
for r in results:
    print(r.boxes)  # print the Boxes object containing the detection bounding boxes

─░┼čte a┼ča─č─▒dakiler i├žin bir tablo Boxes s─▒n─▒f y├Ântemleri ve ├Âzellikleri, adlar─▒, t├╝rleri ve a├ž─▒klamalar─▒ dahil:

─░sim Tip A├ž─▒klama
cpu() Y├Ântem Nesneyi CPU belle─čine ta┼č─▒y─▒n.
numpy() Y├Ântem Nesneyi bir numpy dizisine d├Ân├╝┼čt├╝r├╝n.
cuda() Y├Ântem Nesneyi CUDA belle─čine ta┼č─▒y─▒n.
to() Y├Ântem Nesneyi belirtilen cihaza ta┼č─▒r.
xyxy M├╝lkiyet (torch.Tensor) Kutular─▒ xyxy bi├žiminde d├Ând├╝r├╝r.
conf M├╝lkiyet (torch.Tensor) Kutular─▒n g├╝ven de─čerlerini d├Ând├╝r├╝r.
cls M├╝lkiyet (torch.Tensor) Kutular─▒n s─▒n─▒f de─čerlerini d├Ând├╝r├╝r.
id M├╝lkiyet (torch.Tensor) Kutular─▒n par├ža kimliklerini d├Ând├╝r├╝r (varsa).
xywh M├╝lkiyet (torch.Tensor) Kutular─▒ xywh bi├žiminde d├Ând├╝r├╝r.
xyxyn M├╝lkiyet (torch.Tensor) Kutular─▒ orijinal g├Âr├╝nt├╝ boyutuna g├Âre normalle┼čtirilmi┼č xyxy bi├žiminde d├Ând├╝r├╝r.
xywhn M├╝lkiyet (torch.Tensor) Kutular─▒ orijinal g├Âr├╝nt├╝ boyutuna g├Âre normalle┼čtirilmi┼č xywh bi├žiminde d├Ând├╝r├╝r.

Daha fazla ayr─▒nt─▒ i├žin bkz. Boxes s─▒n─▒f dok├╝mantasyonu.

Maskeler

Masks nesnesi, maskeleri segmentlere indekslemek, i┼člemek ve d├Ân├╝┼čt├╝rmek i├žin kullan─▒labilir.

Maskeler

from ultralytics import YOLO

# Load a pretrained YOLOv8n-seg Segment model
model = YOLO("yolov8n-seg.pt")

# Run inference on an image
results = model("bus.jpg")  # results list

# View results
for r in results:
    print(r.masks)  # print the Masks object containing the detected instance masks

─░┼čte a┼ča─č─▒dakiler i├žin bir tablo Masks s─▒n─▒f y├Ântemleri ve ├Âzellikleri, adlar─▒, t├╝rleri ve a├ž─▒klamalar─▒ dahil:

─░sim Tip A├ž─▒klama
cpu() Y├Ântem CPU belle─čindeki tensor maskelerini d├Ând├╝r├╝r.
numpy() Y├Ântem tensor maskelerini bir numpy dizisi olarak d├Ând├╝r├╝r.
cuda() Y├Ântem GPU belle─čindeki tensor maskelerini d├Ând├╝r├╝r.
to() Y├Ântem Belirtilen cihaz ve dtype ile tensor maskelerini d├Ând├╝r├╝r.
xyn M├╝lkiyet (torch.Tensor) Tens├Âr olarak temsil edilen normalle┼čtirilmi┼č segmentlerin bir listesi.
xy M├╝lkiyet (torch.Tensor) Tens├Âr olarak temsil edilen piksel koordinatlar─▒ndaki segmentlerin bir listesi.

Daha fazla ayr─▒nt─▒ i├žin bkz. Masks s─▒n─▒f dok├╝mantasyonu.

Anahtar Noktalar

Keypoints nesnesi koordinatlar─▒ indekslemek, de─či┼čtirmek ve normalle┼čtirmek i├žin kullan─▒labilir.

Anahtar Noktalar

from ultralytics import YOLO

# Load a pretrained YOLOv8n-pose Pose model
model = YOLO("yolov8n-pose.pt")

# Run inference on an image
results = model("bus.jpg")  # results list

# View results
for r in results:
    print(r.keypoints)  # print the Keypoints object containing the detected keypoints

─░┼čte a┼ča─č─▒dakiler i├žin bir tablo Keypoints s─▒n─▒f y├Ântemleri ve ├Âzellikleri, adlar─▒, t├╝rleri ve a├ž─▒klamalar─▒ dahil:

─░sim Tip A├ž─▒klama
cpu() Y├Ântem CPU belle─čindeki tensor anahtar noktalar─▒n─▒ d├Ând├╝r├╝r.
numpy() Y├Ântem Anahtar noktalar─▒n─▒ tensor bir numpy dizisi olarak d├Ând├╝r├╝r.
cuda() Y├Ântem GPU belle─čindeki tensor anahtar noktalar─▒n─▒ d├Ând├╝r├╝r.
to() Y├Ântem Belirtilen cihaz ve dtype ile tensor anahtar noktalar─▒n─▒ d├Ând├╝r├╝r.
xyn M├╝lkiyet (torch.Tensor) Tens├Âr olarak temsil edilen normalle┼čtirilmi┼č anahtar noktalar─▒n─▒n bir listesi.
xy M├╝lkiyet (torch.Tensor) Tens├Âr olarak temsil edilen piksel koordinatlar─▒ndaki anahtar noktalar─▒n bir listesi.
conf M├╝lkiyet (torch.Tensor) Varsa anahtar noktalar─▒n─▒n g├╝ven de─čerlerini d├Ând├╝r├╝r, yoksa Yoktur.

Daha fazla ayr─▒nt─▒ i├žin bkz. Keypoints s─▒n─▒f dok├╝mantasyonu.

Probs

Probs nesnesi indeks olarak kullan─▒labilir, get top1 ve top5 endeksleri ve s─▒n─▒fland─▒rma puanlar─▒.

Probs

from ultralytics import YOLO

# Load a pretrained YOLOv8n-cls Classify model
model = YOLO("yolov8n-cls.pt")

# Run inference on an image
results = model("bus.jpg")  # results list

# View results
for r in results:
    print(r.probs)  # print the Probs object containing the detected class probabilities

Burada, a┼ča─č─▒daki metot ve ├Âzellikleri ├Âzetleyen bir tablo bulunmaktad─▒r Probs S─▒n─▒f:

─░sim Tip A├ž─▒klama
cpu() Y├Ântem CPU belle─čindeki tensor problar─▒n─▒n bir kopyas─▒n─▒ d├Ând├╝r├╝r.
numpy() Y├Ântem tensor prob'lar─▒n─▒n bir kopyas─▒n─▒ numpy dizisi olarak d├Ând├╝r├╝r.
cuda() Y├Ântem GPU belle─čindeki tensor problar─▒n─▒n bir kopyas─▒n─▒ d├Ând├╝r├╝r.
to() Y├Ântem Belirtilen ayg─▒t ve dtype ile probs tensor dosyas─▒n─▒n bir kopyas─▒n─▒ d├Ând├╝r├╝r.
top1 M├╝lkiyet (int) En ├╝st 1 s─▒n─▒f─▒n endeksi.
top5 M├╝lkiyet (list[int]) ─░lk 5 s─▒n─▒f─▒n endeksleri.
top1conf M├╝lkiyet (torch.Tensor) En iyi 1. s─▒n─▒f─▒n g├╝veni.
top5conf M├╝lkiyet (torch.Tensor) ─░lk 5 s─▒n─▒f─▒n s─▒rlar─▒.

Daha fazla ayr─▒nt─▒ i├žin bkz. Probs s─▒n─▒f dok├╝mantasyonu.

OBB

OBB nesnesi, y├Ânlendirilmi┼č s─▒n─▒rlay─▒c─▒ kutular─▒ dizinlemek, i┼člemek ve farkl─▒ bi├žimlere d├Ân├╝┼čt├╝rmek i├žin kullan─▒labilir.

OBB

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n-obb.pt")

# Run inference on an image
results = model("bus.jpg")  # results list

# View results
for r in results:
    print(r.obb)  # print the OBB object containing the oriented detection bounding boxes

─░┼čte a┼ča─č─▒dakiler i├žin bir tablo OBB s─▒n─▒f y├Ântemleri ve ├Âzellikleri, adlar─▒, t├╝rleri ve a├ž─▒klamalar─▒ dahil:

─░sim Tip A├ž─▒klama
cpu() Y├Ântem Nesneyi CPU belle─čine ta┼č─▒y─▒n.
numpy() Y├Ântem Nesneyi bir numpy dizisine d├Ân├╝┼čt├╝r├╝n.
cuda() Y├Ântem Nesneyi CUDA belle─čine ta┼č─▒y─▒n.
to() Y├Ântem Nesneyi belirtilen cihaza ta┼č─▒r.
conf M├╝lkiyet (torch.Tensor) Kutular─▒n g├╝ven de─čerlerini d├Ând├╝r├╝r.
cls M├╝lkiyet (torch.Tensor) Kutular─▒n s─▒n─▒f de─čerlerini d├Ând├╝r├╝r.
id M├╝lkiyet (torch.Tensor) Kutular─▒n par├ža kimliklerini d├Ând├╝r├╝r (varsa).
xyxy M├╝lkiyet (torch.Tensor) Yatay kutular─▒ xyxy bi├žiminde d├Ând├╝r├╝r.
xywhr M├╝lkiyet (torch.Tensor) D├Ând├╝r├╝lm├╝┼č kutular─▒ xywhr bi├žiminde d├Ând├╝r├╝r.
xyxyxyxy M├╝lkiyet (torch.Tensor) D├Ând├╝r├╝lm├╝┼č kutular─▒ xyxyxyxy bi├žiminde d├Ând├╝r├╝r.
xyxyxyxyn M├╝lkiyet (torch.Tensor) D├Ând├╝r├╝lm├╝┼č kutular─▒ g├Âr├╝nt├╝ boyutuna g├Âre normalle┼čtirilmi┼č xyxyxyxy bi├žiminde d├Ând├╝r├╝r.

Daha fazla ayr─▒nt─▒ i├žin bkz. OBB s─▒n─▒f dok├╝mantasyonu.

Sonu├žlar─▒ ├çizme

Bu plot() i├žinde y├Ântem Results nesneleri, tespit edilen nesneleri (s─▒n─▒rlay─▒c─▒ kutular, maskeler, anahtar noktalar ve olas─▒l─▒klar gibi) orijinal g├Âr├╝nt├╝n├╝n ├╝zerine bindirerek tahminlerin g├Ârselle┼čtirilmesini kolayla┼čt─▒r─▒r. Bu y├Ântem, a├ž─▒klamal─▒ g├Âr├╝nt├╝y├╝ bir NumPy dizisi olarak d├Ând├╝rerek kolay g├Âr├╝nt├╝leme veya kaydetme olana─č─▒ sa─člar.

Çizim

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Run inference on 'bus.jpg'
results = model(["bus.jpg", "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() Y├Ântem Parametreleri

Bu plot() y├Ântemi, ├ž─▒kt─▒y─▒ ├Âzelle┼čtirmek i├žin ├že┼čitli arg├╝manlar─▒ destekler:

Tart─▒┼čma Tip A├ž─▒klama Varsay─▒lan
conf bool Tespit g├╝ven puanlar─▒n─▒ ekleyin. True
line_width float S─▒n─▒rlay─▒c─▒ kutular─▒n ├žizgi geni┼čli─či. A┼ča─č─▒daki durumlarda g├Âr├╝nt├╝ boyutuyla ├Âl├žeklenir None. None
font_size float Metin yaz─▒ tipi boyutu. A┼ča─č─▒daki durumlarda g├Âr├╝nt├╝ boyutu ile ├Âl├žeklenir None. None
font str Metin ek a├ž─▒klamalar─▒ i├žin yaz─▒ tipi ad─▒. 'Arial.ttf'
pil bool G├Âr├╝nt├╝y├╝ bir PIL G├Âr├╝nt├╝ nesnesi olarak d├Ând├╝r├╝r. False
img numpy.ndarray ├çizim i├žin alternatif g├Âr├╝nt├╝. A┼ča─č─▒daki durumlarda orijinal g├Âr├╝nt├╝y├╝ kullan─▒r None. None
im_gpu torch.Tensor Daha h─▒zl─▒ maske ├žizimi i├žin GPU ile h─▒zland─▒r─▒lm─▒┼č g├Âr├╝nt├╝. ┼×ekil: (1, 3, 640, 640). None
kpt_radius int ├çizilen anahtar noktalar i├žin yar─▒├žap. 5
kpt_line bool Anahtar noktalar─▒ ├žizgilerle birle┼čtirin. True
labels bool Ek a├ž─▒klamalara s─▒n─▒f etiketlerini ekleyin. True
boxes bool S─▒n─▒rlay─▒c─▒ kutular─▒ g├Âr├╝nt├╝n├╝n ├╝zerine bindirin. True
masks bool G├Âr├╝nt├╝ ├╝zerinde maskeleri ├╝st ├╝ste bindirin. True
probs bool S─▒n─▒fland─▒rma olas─▒l─▒klar─▒n─▒ dahil edin. True
show bool Varsay─▒lan g├Âr├╝nt├╝ g├Âr├╝nt├╝leyiciyi kullanarak a├ž─▒klamal─▒ g├Âr├╝nt├╝y├╝ do─črudan g├Âr├╝nt├╝leyin. False
save bool A├ž─▒klamal─▒ g├Âr├╝nt├╝y├╝ ┼ču ┼čekilde belirtilen bir dosyaya kaydedin filename. False
filename str A├ž─▒klamal─▒ g├Âr├╝nt├╝n├╝n kaydedilece─či dosyan─▒n yolu ve ad─▒ save o True. None

─░┼č Par├žac─▒─č─▒ G├╝venli ├ç─▒kar─▒m

├ç─▒kar─▒m s─▒ras─▒nda i┼č par├žac─▒─č─▒ g├╝venli─čini sa─člamak, farkl─▒ i┼č par├žac─▒klar─▒nda paralel olarak birden fazla YOLO modeli ├žal─▒┼čt─▒rd─▒─č─▒n─▒zda ├žok ├Ânemlidir. ─░┼č par├žac─▒─č─▒ g├╝venli ├ž─▒kar─▒m, her bir i┼č par├žac─▒─č─▒n─▒n tahminlerinin izole edilmesini ve birbiriyle etkile┼čime girmemesini garanti ederek yar─▒┼č ko┼čullar─▒n─▒ ├Ânler ve tutarl─▒ ve g├╝venilir ├ž─▒kt─▒lar sa─člar.

├çok i┼č par├žac─▒kl─▒ bir uygulamada YOLO modellerini kullan─▒rken, ├žak─▒┼čmalar─▒ ├Ânlemek i├žin her i┼č par├žac─▒─č─▒ i├žin ayr─▒ model nesnelerini ├Ârneklemek veya i┼č par├žac─▒─č─▒ yerel depolamas─▒n─▒ kullanmak ├Ânemlidir:

─░┼č Par├žac─▒─č─▒ G├╝venli ├ç─▒kar─▒m

─░┼č par├žac─▒─č─▒ g├╝venli ├ž─▒kar─▒m i├žin her i┼č par├žac─▒─č─▒ i├žinde tek bir modeli ├Ârnekleyin:

from threading import Thread

from ultralytics import YOLO


def thread_safe_predict(image_path):
    """Performs thread-safe prediction on an image using a locally instantiated YOLO model."""
    local_model = YOLO("yolov8n.pt")
    results = local_model.predict(image_path)
    # Process results


# Starting threads that each have their own model instance
Thread(target=thread_safe_predict, args=("image1.jpg",)).start()
Thread(target=thread_safe_predict, args=("image2.jpg",)).start()

YOLO modelleri ve ad─▒m ad─▒m talimatlarla i┼č par├žac─▒─č─▒ g├╝venli ├ž─▒kar─▒ma derinlemesine bir bak─▒┼č i├žin l├╝tfen YOLO ─░┼č Par├žac─▒─č─▒ G├╝venli ├ç─▒kar─▒m K─▒lavuzumuza bak─▒n. Bu k─▒lavuz, yayg─▒n tuzaklardan ka├ž─▒nmak ve ├žok i┼č par├žac─▒kl─▒ ├ž─▒kar─▒m─▒n─▒z─▒n sorunsuz ├žal─▒┼čmas─▒n─▒ sa─člamak i├žin gerekli t├╝m bilgileri sa─člayacakt─▒r.

Ak─▒┼č Kayna─č─▒ for-D├Âng├╝

─░┼čte OpenCV kullanan bir Python beti─či (cv2) ve video kareleri ├╝zerinde ├ž─▒kar─▒m yapmak i├žin YOLOv8 . Bu betik, gerekli paketleri zaten y├╝kledi─činizi varsayar (opencv-python ve ultralytics).

Ak─▒┼č for d├Âng├╝s├╝

import cv2

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.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 YOLOv8 inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLOv8 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 komut dosyas─▒, videonun her karesinde tahminleri ├žal─▒┼čt─▒racak, sonu├žlar─▒ g├Ârselle┼čtirecek ve bir pencerede g├Âr├╝nt├╝leyecektir. D├Âng├╝den 'q' tu┼čuna bas─▒larak ├ž─▒k─▒labilir.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (22), IvorZhu331 (1), RizwanMunawar (1), UltralyticsAssistant (1), Burhan-Q (1), plashchynski (1), tensorturtle (1), AyushExel (1), Laughing-q (1)

Yorumlar