─░├žeri─če ge├ž

ile Model Do─črulama Ultralytics YOLO

Ultralytics YOLO ekosistem ve entegrasyonlar

Giri┼č

Do─črulama, e─čitilmi┼č modellerinizin kalitesini de─čerlendirmenize olanak tan─▒yan, makine ├Â─črenimi i┼člem hatt─▒ndaki kritik bir ad─▒md─▒r. Ultralytics YOLOv8 adresindeki Val modu, nesne alg─▒lama modellerinizin performans─▒n─▒ de─čerlendirmek i├žin sa─člam bir ara├ž ve metrik paketi sunar. Bu k─▒lavuz, modellerinizin hem do─čru hem de g├╝venilir olmas─▒n─▒ sa─člamak i├žin Val modunun nas─▒l etkili bir ┼čekilde kullan─▒laca─č─▒n─▒ anlamak i├žin eksiksiz bir kaynak g├Ârevi g├Âr├╝r.



─░zle: Ultralytics Modlar E─čitimi: Do─črulama

Neden Ultralytics YOLO ile Do─črulama Yapmal─▒s─▒n─▒z?

─░┼čte YOLOv8'un Val modunu kullanman─▒n neden avantajl─▒ oldu─ču:

  • Hassasiyet: Modelinizi kapsaml─▒ bir ┼čekilde de─čerlendirmek i├žin mAP50, mAP75 ve mAP50-95 gibi do─čru ├Âl├ž├╝mler elde edin.
  • Kolayl─▒k: E─čitim ayarlar─▒n─▒ hat─▒rlayarak do─črulama s├╝recini basitle┼čtiren yerle┼čik ├Âzelliklerden yararlan─▒n.
  • Esneklik: Modelinizi ayn─▒ veya farkl─▒ veri k├╝meleri ve g├Âr├╝nt├╝ boyutlar─▒yla do─črulay─▒n.
  • Hiperparametre Ayarlama: Daha iyi performans i├žin modelinize ince ayar yapmak ├╝zere do─črulama metriklerini kullan─▒n.

Val Modunun Temel ├ľzellikleri

Bunlar, YOLOv8'un Val modu taraf─▒ndan sunulan dikkate de─čer i┼člevlerdir:

  • Otomatik Ayarlar: Modeller, do─črudan do─črulama i├žin e─čitim yap─▒land─▒rmalar─▒n─▒ hat─▒rlar.
  • ├çoklu Metrik Deste─či: Modelinizi bir dizi do─čruluk ├Âl├ž├╝t├╝ne g├Âre de─čerlendirin.
  • CLI ve Python API: Do─črulama tercihinize g├Âre komut sat─▒r─▒ aray├╝z├╝ veya Python API aras─▒ndan se├žim yap─▒n.
  • Veri Uyumlulu─ču: E─čitim a┼čamas─▒nda kullan─▒lan veri k├╝melerinin yan─▒ s─▒ra ├Âzel veri k├╝meleriyle de sorunsuz ├žal─▒┼č─▒r.

─░pucu

  • YOLOv8 modeller e─čitim ayarlar─▒n─▒ otomatik olarak hat─▒rlar, b├Âylece bir modeli ayn─▒ g├Âr├╝nt├╝ boyutunda ve orijinal veri k├╝mesinde yaln─▒zca yolo val model=yolov8n.pt veya model('yolov8n.pt').val()

Kullan─▒m ├ľrnekleri

COCO8 veri k├╝mesi ├╝zerinde e─čitilmi┼č YOLOv8n model do─črulu─čunu do─črulay─▒n. Herhangi bir arg├╝man ge├žilmesine gerek yoktur. model e─čitimini s├╝rd├╝r├╝r data ve model ├Âznitelikleri olarak ba─č─▒ms─▒z de─či┼čkenler. D─▒┼ča aktarma ba─č─▒ms─▒z de─či┼čkenlerinin tam listesi i├žin a┼ča─č─▒daki Ba─č─▒ms─▒z De─či┼čkenler b├Âl├╝m├╝ne bak─▒n.

├ľrnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list contains map50-95 of each category
yolo detect val model=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

YOLO Model Do─črulama i├žin Arg├╝manlar

YOLO modellerini do─črularken, de─čerlendirme s├╝recini optimize etmek i├žin ├že┼čitli arg├╝manlara ince ayar yap─▒labilir. Bu ba─č─▒ms─▒z de─či┼čkenler girdi g├Âr├╝nt├╝s├╝ boyutu, toplu i┼čleme ve performans e┼čikleri gibi hususlar─▒ kontrol eder. A┼ča─č─▒da, do─črulama ayarlar─▒n─▒z─▒ etkili bir ┼čekilde ├Âzelle┼čtirmenize yard─▒mc─▒ olmak i├žin her bir ba─č─▒ms─▒z de─či┼čkenin ayr─▒nt─▒l─▒ bir d├Âk├╝m├╝ yer almaktad─▒r.

Tart─▒┼čma Tip Varsay─▒lan A├ž─▒klama
data str None Veri k├╝mesi yap─▒land─▒rma dosyas─▒n─▒n yolunu belirtir (├Ârn, coco8.yaml). Bu dosya do─črulama verilerine giden yollar─▒, s─▒n─▒f adlar─▒n─▒ ve s─▒n─▒f say─▒s─▒n─▒ i├žerir.
imgsz int 640 Girdi g├Âr├╝nt├╝lerinin boyutunu tan─▒mlar. T├╝m g├Âr├╝nt├╝ler i┼členmeden ├Ânce bu boyuta yeniden boyutland─▒r─▒l─▒r.
batch int 16 Toplu i┼č ba┼č─▒na g├Âr├╝nt├╝ say─▒s─▒n─▒ ayarlar. Kullan─▒m -1 GPU bellek kullan─▒labilirli─čine g├Âre otomatik olarak ayarlanan AutoBatch i├žin.
save_json bool False E─čer Truedaha fazla analiz veya di─čer ara├žlarla entegrasyon i├žin sonu├žlar─▒ bir JSON dosyas─▒na kaydeder.
save_hybrid bool False E─čer Trueorijinal a├ž─▒klamalar─▒ ek model tahminleriyle birle┼čtiren etiketlerin hibrit bir versiyonunu kaydeder.
conf float 0.001 Tespitler i├žin minimum g├╝ven e┼či─čini ayarlar. Bu e┼či─čin alt─▒nda g├╝vene sahip tespitler at─▒l─▒r.
iou float 0.6 Maksimum Olmayan Bast─▒rma (NMS) i├žin Birlik ├ťzerinde Kesi┼čme (IoU) e┼či─čini ayarlar. Yinelenen alg─▒lamalar─▒n azalt─▒lmas─▒na yard─▒mc─▒ olur.
max_det int 300 G├Âr├╝nt├╝ ba┼č─▒na maksimum alg─▒lama say─▒s─▒n─▒ s─▒n─▒rlar. Yo─čun sahnelerde a┼č─▒r─▒ alg─▒lamalar─▒ ├Ânlemek i├žin kullan─▒┼čl─▒d─▒r.
half bool True Yar─▒m hassasiyetli (FP16) hesaplamaya olanak tan─▒yarak bellek kullan─▒m─▒n─▒ azalt─▒r ve do─čruluk ├╝zerinde minimum etkiyle h─▒z─▒ potansiyel olarak art─▒r─▒r.
device str None Do─črulama i├žin cihaz─▒ belirtir (cpu, cuda:0vb.). CPU veya GPU kaynaklar─▒n─▒n kullan─▒m─▒nda esneklik sa─člar.
dnn bool False E─čer TrueONNX model ├ž─▒kar─▒m─▒ i├žin OpenCV DNN mod├╝l├╝n├╝ kullan─▒r ve PyTorch ├ž─▒kar─▒m y├Ântemlerine bir alternatif sunar.
plots bool False Olarak ayarland─▒─č─▒nda Truemodelin performans─▒n─▒n g├Ârsel olarak de─čerlendirilmesi i├žin zemin ger├že─čine kar┼č─▒ tahminlerin ├žizimlerini olu┼čturur ve kaydeder.
rect bool False E─čer Truegruplama i├žin dikd├Ârtgen ├ž─▒kar─▒m kullan─▒r, dolguyu azalt─▒r ve potansiyel olarak h─▒z─▒ ve verimlili─či art─▒r─▒r.
split str val Do─črulama i├žin kullan─▒lacak veri k├╝mesi b├Âl├╝nmesini belirler (val, testveya train). Performans de─čerlendirmesi i├žin veri segmenti se├žiminde esneklik sa─člar.

Bu ayarlar─▒n her biri do─črulama s├╝recinde hayati bir rol oynar ve YOLO modellerinin ├Âzelle┼čtirilebilir ve verimli bir ┼čekilde de─čerlendirilmesine olanak tan─▒r. Bu parametreleri ├Âzel ihtiya├žlar─▒n─▒za ve kaynaklar─▒n─▒za g├Âre ayarlamak, do─čruluk ve performans aras─▒nda en iyi dengeyi elde etmenize yard─▒mc─▒ olabilir.

Ba─č─▒ms─▒z De─či┼čkenlerle ├ľrnek Do─črulama

A┼ča─č─▒daki ├Ârnekler Python ve CLI adreslerinde ├Âzel arg├╝manlarla YOLO model do─črulamas─▒n─▒ g├Âstermektedir.

├ľrnek

from ultralytics import YOLO

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

# Customize validation settings
validation_results = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.6, device="0")
yolo val model=yolov8n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0


Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (13), Burhan-Q (1), RizwanMunawar (1)

Yorumlar