Ultralytics YOLO27:
Get Started

Ultralytics Platformu#

Ultralytics Platformu, veri hazırlamadan model dağıtımına kadar tüm ML iş akışını kolaylaştıran kapsamlı, uçtan uca bir bilgisayarlı görü platformudur. Altyapı karmaşıklığı olmadan üretime hazır bilgisayarlı görü çözümlerine ihtiyaç duyan ekipler ve bireyler için geliştirilmiştir.

Ultralytics Platform Veri Kümesi Ekran Görüntüsü

Ultralytics Platformu nedir?#

Ultralytics Platformu; veri kümesi yönetimini ve açıklama eklemeyi, deney takibini, bulut ve uzak eğitimi, model dışa aktarmayı, özel çıkarım uç noktalarını ve dağıtım izlemeyi tek bir çalışma alanında bir araya getirir. YOLO26, YOLO11, YOLOv8 ve YOLOv5 modellerini yerel olarak destekler.

İş akışı: Yükle → Açıklama Ekle → Eğit → Dışa Aktar veya Dağıt#

Platform, uçtan uca bir iş akışı sunar:

AşamaÖzellikler
YükleBilgisayarından, bir URL'den, bulut depolama alanından veya şirket içi bir ana bilgisayardan görüntüler (50 MB), videolar (1 GB) ve veri kümesi dosyaları (ZIP, .tar.gz/.tgz dahil TAR, NDJSON)
Açıklama Ekle6 görev türü için manuel açıklama ekleme araçları ve algılama, segmentasyon, anlamsal ve OBB görevleri için SAM modelleriyle Akıllı Açıklama, bu görevler ve pose için YOLO modelleri ya da 1–200 sınıflı algılama veri kümeleri için sınıf istemiyle yönlendirilen modeller (barındırılan açık kaynak modeller veya ücretli sağlayıcı modelleri; desteklenen görev türlerine bak)
EğitBulut GPU'ları (tüm planlarda 24, yalnızca Pro/Enterprise planlarında ek 2: B200, B300), gerçek zamanlı metrikler, proje düzenleme
Dışa Aktar22 dağıtım biçimi (ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend vb.; desteklenen biçimlere bak)
DağıtÖzel uç noktalarla dünya genelinde 42 bölge, varsayılan olarak sıfıra ölçekleme (tek etkin örnek) ve izleme

Yapabileceklerin:

  • Eğitim veri kümeleri oluşturmak için görüntüleri, videoları ve veri kümesi dosyalarını yükle
  • Açıklama düzenleyicisinin desteklediği 6 YOLO görev türüne ait açıklamaları etkileşimli katmanlarla görselleştir (desteklenen görev türlerine bak)
  • Gerçek zamanlı metriklerle modelleri bulut GPU'larında eğit (tüm planlarda 24 GPU, B200 ve B300 için Pro veya Enterprise ile 26 GPU)
  • 22 dağıtım biçimine dışa aktar (ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend vb.)
  • Tek tıkla özel uç noktalar oluşturarak dünya genelindeki 42 bölgeye dağıt
  • Modelleri, koşulları, veri kümesi toplamayı, Slack uyarılarını ve web kancalarını birbirine bağlayan Agents iş akışları oluştur
  • Eğitim ilerlemesini, dağıtım durumunu ve kullanım metriklerini izle
  • Bulut depolama alanını, açıklama araçlarını ve Slack'i entegrasyonlar aracılığıyla bağla
  • Projeleri ve veri kümelerini topluluğa açık hâle getirerek iş birliği yap

Çok Bölgeli Altyapı#

Verilerin kendi bölgenizde kalır. Ultralytics Platformu dünya genelinde üç bölgede altyapı işletir:

BölgeEtiketKonumEn Uygun Kullanım Alanı
ABDAmerikaIowa, ABDAmerika kıtasındaki kullanıcılar; Amerika kıtası için en hızlı bölge
ABAvrupa, Orta Doğu ve AfrikaBelçika, AvrupaAvrupalı kullanıcılar, GDPR uyumluluğu
APAsya PasifikTayvan, Asya-PasifikAsya-Pasifik kullanıcıları; APAC için en düşük gecikme

Veri bölgeni ilk kurulum sırasında seçersin. Veri kümeleri, modeller ve yönetilen eğitim verileri bu bölgede kalır. Özel uç noktalar, küresel dağıtım haritasından seçtiğin bir bölgeye ayrı olarak dağıtılır.

Bölge Kalıcıdır

Hesap oluşturulduktan sonra veri bölgeni kendin değiştiremezsin. İlk kurulum sırasında Platform, her bölgeye olan gecikmeyi ölçer ve sana en yakın bölgeyi önerir. Daha sonra bölge değişikliği talep etmen gerekirse destek ekibiyle iletişime geç. Bu, veri kümesi ve model içerikleri için geçerlidir; profil, faturalandırma ve etkinlik kayıtları gibi hesap düzeyindeki veriler, Gizlilik Politikamızda ve Veri İşleme Sözleşmemizde açıklandığı üzere küresel olarak işlenir.

Temel Özellikler#

Veri Hazırlama#

  • Veri Kümesi Yönetimi: Yerel dosyalardan, bir URL'den, bağlı bulut depolama alanından veya şirket içi bir ana bilgisayardan otomatik işleme ile veri kümeleri oluştur
  • Açıklama Düzenleyicisi: 6 YOLO görev türü için manuel açıklama ekleme araçları (algılama, segmentasyon, anlamsal, sınıflandırma, pose, OBB; desteklenen görev türlerine bak)
  • İskelet Şablonları: Tek tıkla pose açıklaması eklemek için yerleşik (Kişi, El, Köpek, Yüz, Kutu) ve özel iskelet şablonları
  • Akıllı Açıklama: Algılama, segmentasyon, anlamsal ve OBB görevleri için açıklama araç çubuğundan SAM 2.1 (Tiny, Small, Base, Large), SAM 3 veya SAM 3.1 (varsayılan) modellerini; bu görevler ve pose için önceden eğitilmiş Ultralytics YOLO modellerini ve kendi ince ayarlı YOLO modellerini ya da 1–200 sınıflı algılama veri kümelerinde sınıf istemiyle yönlendirilen modelleri kullan: barındırılan altı açık kaynak model (varsayılan Moondream 3.1), barındırılan metin istemli SAM 3 ve SAM 3.1 ya da Ayarlar > API Anahtarları bölümünden bir sağlayıcı anahtarıyla OpenAI, Anthropic, Google, Meta, SpaceXAI, DeepSeek, Z.ai, Kimi ve Xiaomi MiMo'nun ücretli görüntü modelleri
  • Veri Kümesi Sürümleme: Açıklamalarla numaralandırılmış NDJSON anlık görüntüleri oluştur, ardından tekrarlanabilir eğitim için istediğin sürümü indir veya geri yükle
  • İstatistikler: Sınıf dağılımı, bölme dağılımı, konum ısı haritaları ve sınırlayıcı kutu boyut analizi
Desteklenen Görev Türleri

Açıklama düzenleyicisi 6 YOLO görev türü için araçlar sunar: algılama (sınırlayıcı kutular), segmentasyon (çokgenler), anlamsal (sınıf başına bölgeler), sınıflandırma (görüntü düzeyinde etiketler), pose (anahtar noktalar) ve OBB (yönlendirilmiş kutular). Her görev türünün kendine özgü açıklama kontrolleri ve klavye kısayolları vardır.

Model Eğitimi#

  • Bulut Eğitimi: Gerçek zamanlı metrikler ve canlı maliyet tahminiyle bulut GPU'larında eğitim yap (B200 ve B300 için tüm planlarda 24, Pro veya Enterprise ile 26 GPU)
  • Uzak Eğitim: Her yerde eğitim yap ve metrikleri Ultralytics Platformuna aktar
  • Gelişmiş Ayarlar: Eğitim iletişim kutusundaki yerleşik YAML düzenleyicisinden istediğin Ultralytics eğitim bağımsız değişkenini geçersiz kıl
  • Proje Düzenleme: İlgili modelleri grupla, deneyleri karşılaştır, etkinlikleri izle
  • 22 dışa aktarma biçimi: ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend ve diğerleri (desteklenen biçimlere bak)

Ultralytics Platform Proje Ekran Görüntüsü

Modelleri web kullanıcı arayüzü (bulut eğitimi) üzerinden veya kendi bilgisayarından (uzak eğitim) eğitebilirsin:

  1. Projene git
  2. New Model öğesine tıkla
  3. Veri kümesini, modeli, GPU'yu ve epoch sayısını seç
  4. Kayıp eğrilerini ve metrikleri gerçek zamanlı izle

Dağıtım#

  • Çıkarım Testi: Kendi görüntülerinle, web kamerası görüntüsüyle veya yerleşik örneklerle modelleri doğrudan tarayıcıda test et
  • Özel Uç Noktalar: Varsayılan olarak sıfıra ölçeklemeyle (tek etkin örnek) dünya genelindeki 42 bölgeye dağıt
  • İzleme: Gerçek zamanlı metrikler, istek günlükleri ve performans panoları

Dağıtım tamamlandıktan sonra uç noktanı herhangi bir dilden çağırabilirsin. conf, iou ve imgsz isteğe bağlı form alanlarıdır ve varsayılan olarak 0.25, 0.7 ve modelin eğitim görüntüsü boyutunu (mevcut değilse 640) kullanır:

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

Hesap Yönetimi#

  • Ekipler ve Kuruluşlar: Ekip üyeleriyle iş birliği yap, rolleri ve davetleri yönet, çalışma alanları arasında hesap menüsünden geçiş yap
  • API Anahtarları: Uzaktan eğitim ve API erişimi için güvenli anahtar yönetimi
  • Krediler ve Faturalandırma: Şeffaf fiyatlandırmayla kullandıkça öde eğitimi ve 5 ila 1.000 $ arasında bakiye yükleme
  • Etkinlik Akışı: Tüm hesap olaylarını ve işlemlerini takip et
  • Çöp Kutusu ve Geri Yükleme: Öğeleri kurtarmak için 30 günlük geçici silme
  • GDPR Uyumluluğu: Veri dışa aktarma ve hesap silme
Plan Seviyeleri

Güncel limitler, GPU erişimi, iş birliği ve lisanslama bilgileri için kapsamlı Ücretsiz, Pro ve Kurumsal karşılaştırmasına göz at.

Şu kaynaklarla başla:

  • Hızlı Başlangıç: İlk projenizi oluşturun ve dakikalar içinde bir model eğitin
  • Keşfet: Herkese açık veri kümelerine ve projelere göz atıp bunları klonla, ayrıca görselleri gösterdiklerine göre ara
  • Veri: Veri kümesi hazırlığına genel bakış
  • Veri Kümeleri: Eğitim verilerini yükleyin ve yönetin
  • Etiketleme: Verilerini manuel ve yapay zekâ destekli araçlarla etiketle
  • Eğit: Eğitime genel bakış
  • Projeler: Modellerini ve deneylerini düzenle
  • Modeller: Model sayfaları, indirmeler ve dışa aktarımlar
  • Bulut Eğitimi: Bulut GPU'larında eğitim yap
  • Dağıt: Dağıtıma genel bakış
  • Çıkarım: Modellerini test et
  • Uç Noktalar: Modelleri üretim ortamına dağıt
  • İzleme: Dağıtım performansını takip et
  • Hesap: Hesaba genel bakış
  • Ayarlar: Profil ve çalışma alanı tercihleri
  • Ekipler: Üyeler, roller ve davetler
  • API Anahtarları: API erişimini yönet
  • Faturalandırma: Krediler ve ödemeler
  • Etkinlikler: Hesap olaylarını takip et
  • Çöp Kutusu: Silinen öğeleri kurtar
  • Entegrasyonlar: Bulut depolama, etiketleme araçları ve Slack
  • REST API: API başvuru kılavuzu

Sorun Giderme#

Veri Kümesi Sorunları#

SorunÇözüm
Veri kümesi işlenmiyorDosya biçiminin desteklendiğini kontrol et (görüntüler için JPEG, PNG, WebP, TIFF, HEIC, AVIF, BMP, JP2, DNG, MPO). En büyük dosya boyutu: görüntüler 50 MB, videolar 1 GB, veri kümesi arşivleri 10 GB (Ücretsiz) / 20 GB (Pro) / 50 GB (Kurumsal)
Etiketler eksikEtiketlerin, görüntü dosya adlarıyla eşleşen .txt dosyalarıyla YOLO biçiminde olduğunu doğrula veya COCO JSON yükle
"Eğitim bölümü gerekli"Veri kümesi yapına train/ klasörünü ekle veya bölümleri bölme çubuğu üzerinden yeniden dağıt
Sınıf adları tanımlanmamışnames: listesi içeren bir data.yaml dosyası ekle (YOLO biçimine bak) veya sınıfları Sınıflar sekmesinde tanımla

Eğitim Sorunları#

SorunÇözüm
Eğitim başlamıyorAyarlar > Faturalandırma bölümünden kredi bakiyeni kontrol et. Bakiyenin pozitif olması gerekir
Bellek yetersiz hatasıYığın boyutunu azalt, daha küçük bir model (n/s) kullan veya daha fazla VRAM'e sahip bir GPU seç
Düşük metriklerVeri kümesi kalitesini kontrol et, epoch sayısını artır, veri artırmayı dene ve sınıf dengesini doğrula
Eğitim yavaşDaha hızlı bir GPU seç, görüntü boyutunu azalt ve darboğazın veri kümesinden kaynaklanmadığını kontrol et

Dağıtım Sorunları#

SorunÇözüm
Uç nokta yanıt vermiyorUç nokta durumunu kontrol et (Hazır veya Durduruldu). Boştaki bir uç noktanın ilk istekte soğuk başlatılması bir dakika kadar sürebilir
401 YetkisizAPI anahtarının etkin olduğunu ve doğru kopyalandığını doğrula
Yavaş çıkarımModel boyutunu kontrol et, TensorRT dışa aktarımını değerlendirmeyi ve daha yakın bir bölge seçmeyi düşün
Dışa aktarma başarısız olduBazı biçimler belirli model mimarileri gerektirir. En geniş uyumluluk için ONNX biçimini dene

Sık Sorulan Sorular#

Kayıt olduktan sonra kullanıcı adımı değiştirebilir miyim?

Hayır, kullanıcı adları kalıcıdır ve değiştirilemez. Kayıt sırasında dikkatlice seç.

Veri bölgemi değiştirebilir miyim?

Veri bölgen, ilk kurulum sırasında seçilir ve kendin değiştiremezsin. Bölgeleri değiştirmek için destek ekibiyle iletişime geçerek bölge değişikliği talep et.

Nasıl daha fazla kredi alabilirim?

Ayarlar > Faturalandırma bölümüne git ve Bakiye Yükle'ye tıkla. 5 ila 1.000 $ arasında kredi satın alabilirsin. Satın alınan kredilerin süresi dolmaz.

Eğitim başarısız olursa ne olur?

Bulut bilişim başladıysa geçen GPU süresi ücretlendirilir. GPU başlamadan önceki hatalarda bilişim kullanımı ücreti alınmaz.

Eğittiğim modeli indirebilir miyim?

Evet. Model sayfasındaki indirme simgesine tıklayarak .pt ağırlıklarını indirebilir veya tamamlanmış dışa aktarma biçimleri için Dışa Aktar sekmesini açabilirsin.

Çalışmalarımı herkese açık olarak nasıl paylaşabilirim?

Projeyi veya veri kümesini aç, üst gezinme çubuğundaki Özel rozetine tıkla ve Herkese açık yap seçeneğini onayla. Herkese açık içerik Keşfet sayfasında görünür.

Dosya boyutu sınırları nelerdir?

Görüntüler: 50 MB, videolar: 1 GB, veri kümeleri: Ücretsiz planda 10 GB, Pro'da 20 GB, Kurumsal'da 50 GB. Daha büyük dosyalar için dosyaları birden fazla yüklemeye böl.

Silinen öğeler Çöp Kutusu'nda ne kadar süre tutulur?

30 gün. Bu sürenin ardından öğeler kalıcı olarak silinir ve kurtarılamaz.

Platform modellerini ticari amaçla kullanabilir miyim?

Ücretsiz ve Pro planlarda AGPL lisansı kullanılır. AGPL gereklilikleri olmadan ticari kullanım için Ultralytics Lisanslama sayfasına bak.

Sık Sorulan Sorular#

  • Ultralytics Platform ile başlamak için:

    1. Kaydol: platform.ultralytics.com adresinde bir hesap oluştur
    2. Bölge Seç: İlk kurulum sırasında veri bölgeni seç (ABD, AB veya AP)
    3. Veri Kümesi Yükle: Kenar çubuğundan Annotate bölümünü aç ve verilerini yükle
    4. Model Eğit: Bir proje oluştur ve bulut GPU'larında eğitime başla
    5. Dağıt: Modelini test et ve özel bir uç noktaya dağıt

    Ayrıntılı bir kılavuz için Hızlı Başlangıç sayfasına bak.

  • Ultralytics Platform şunları sunar:

    • Birleşik İş Akışı: Veri, eğitim ve dağıtım tek bir yerde
    • Çok Bölgeli: Veriler ABD, AB veya AP bölgelerinde barındırılır
    • Kodsuz Eğitim: Kod yazmadan gelişmiş YOLO modellerini eğit
    • Gerçek Zamanlı Metrikler: Eğitim ilerlemesini canlı izle ve dağıtımları takip et
    • 42 Dağıtım Bölgesi: Modelleri dünya genelinde kullanıcılarına yakın konumlarda dağıt
    • 7 Görev Türü: Nesne algılama, örnek bölütleme, anlamsal bölütleme, derinlik tahmini, sınıflandırma, poz ve OBB desteği (görev belgelerine bak)
    • Yapay Zekâ Destekli Etiketleme: Veri hazırlığını hızlandırmak için SAM, YOLO ve sınıf istemleriyle yönlendirilen modellerle akıllı etiketleme (1–200 sınıflı nesne algılama veri kümeleri)
  • Ultralytics Platform, bulut üzerinde eğitim için birden fazla GPU türünü destekler:

    GPUNesilVRAMMaliyet/SaatEn Uygun Kullanım Alanı
    RTX 2000 AdaAda16 GB$0.24Küçük veri kümeleri, test
    RTX A4500Ampere20 GB$0.25Küçük-orta ölçekli veri kümeleri
    RTX 4000 AdaAda20 GB$0.26Orta ölçekli veri kümeleri
    RTX A5000Ampere24 GB$0.27Orta ölçekli veri kümeleri
    L4Ada24 GB$0.39Çıkarım için optimize edilmiş
    A40Ampere48 GB$0.44Daha büyük toplu iş boyutları
    RTX 3090Ampere24 GB$0.46Genel amaçlı eğitim
    RTX A6000Ampere48 GB$0.49Büyük modeller
    RTX PRO 4000Blackwell24 GB$0.57Ekonomik Blackwell
    RTX PRO 4500Blackwell32 GB$0.64Fiyat/performans açısından çok iyi
    RTX 4090Ada24 GB$0.69En iyi fiyat/performans
    RTX 6000 AdaAda48 GB$0.77Büyük toplu işlerle eğitim
    L40SAda48 GB$0.86Büyük toplu işlerle eğitim
    RTX PRO 5000Blackwell48 GB$0.96Büyük toplu işlerle eğitim
    RTX 5090Blackwell32 GB$0.99En yeni tüketici nesli
    L40Ada48 GB$0.99Büyük modeller
    A100 PCIeAmpere80 GB$1.39Üretim eğitimi
    A100 SXMAmpere80 GB$1.49Üretim eğitimi
    RTX PRO 6000Blackwell96 GB$2.09Önerilen varsayılan seçenek
    H100 PCIeHopper80 GB$2.89Yüksek performanslı eğitim
    H100 NVLHopper94 GB$3.19Maksimum performans
    H100 SXMHopper80 GB$3.29En hızlı eğitim
    H200 NVLHopper143 GB$3.39Maksimum bellek
    H200 SXMHopper141 GB$4.39Maksimum performans
    B200Blackwell180 GB$5.89Büyük modeller (Pro+)
    B300Blackwell288 GB$7.39En büyük modeller (Pro+)

    Eksiksiz fiyatlandırma ve GPU seçenekleri için Bulut Eğitimi sayfasına göz at.

  • Modelleri kendi donanımında eğitebilir ve gerçek zamanlı metrikleri Ultralytics Platform'a aktarabilirsin.

    Paket Sürümü Gereksinimi

    Platform entegrasyonu için Python>=3.11 ve ultralytics>=8.4.120 gerekir. Daha düşük sürümler Platform ile KESİNLİKLE çalışmaz.

    pip install "ultralytics>=8.4.120"
    # Set your API key
    export ULTRALYTICS_API_KEY="YOUR_API_KEY"
    
    # Train with project/name to stream metrics
    yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

    Uzaktan eğitim hakkında daha fazla bilgi için Bulut Eğitimi sayfasına göz at.

  • Platform, aşağıdakileri destekleyen kapsamlı bir etiketleme düzenleyicisi içerir:

    • Manuel Araçlar: Sınırlayıcı kutular, çokgenler, iskelet şablonlarıyla kilit noktalar, yönlendirilmiş kutular, sınıflandırma
    • İskelet Şablonları: Yerleşik (Person, Hand, Dog, Face, Box) veya özel şablonlarla tüm kilit noktaları tek seferde yerleştir
    • Akıllı Etiketleme: Tespit, segmentasyon, anlamsal ve OBB veri kümelerinde tıklamayla etiketleme yapmak için SAM 2.1, SAM 3 veya SAM 3.1 (varsayılan) kullan; bu görevler ve poz için araç çubuğundan önceden eğitilmiş Ultralytics YOLO modellerini ve kendi ince ayar yapılmış YOLO modellerini çalıştır ya da 1–200 sınıflı tespit veri kümelerinde sınıf istemli modeller çalıştır: altı barındırılan açık kaynaklı model (varsayılan olarak Moondream 3.1), barındırılan metin istemli SAM 3 ve SAM 3.1 veya Settings > API Keys bölümündeki sağlayıcı anahtarıyla OpenAI, Anthropic, Google, Meta, SpaceXAI, DeepSeek, Z.ai, Kimi ve Xiaomi MiMo'nun ücretli görüntü modelleri
    • Klavye Kısayolları: Düzenleyicinin kısayol açılır penceresinde listelenen kısayol tuşlarıyla verimli iş akışları
    Kısayolİşlem
    VManuel (çizim) modu
    SAkıllı mod (SAM, YOLO veya sınıf istemli model)
    PTahmin et (Akıllı modda)
    AOtomatik uygulamayı aç/kapat (SAM Akıllı modu)
    1 - 9Numarayla sınıf seç
    HEtiket görünürlüğünü aç/kapat
    Space + sürükle veya orta tuşla sürükleTuvali kaydır
    Delete / BackspaceSeçili etiketi sil
    Ctrl+SEtiketleri kaydet
    Ctrl+ZGeri al
    Ctrl+YYinele
    EscapeKaydet / seçimi kaldır / çık

    Eksiksiz kılavuz için Etiketleme sayfasına göz at.

  • Platform, Ultralytics Dışa Aktar modu ile aynı 22 dağıtım biçimini destekler. Kaynak biçim PyTorch'tur; format bağımsız değişkeni içeren her satır bir dışa aktarma hedefidir.

    Biçimformat bağımsız değişkeniModelÜst verilerBağımsız değişkenler
    PyTorch-yolo26n.pt✅-
    TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
    ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
    OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
    TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
    CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
    Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
    TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
    TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
    TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
    LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
    PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
    MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
    NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, batch, device
    IMX500imxyolo26n_imx_model/✅imgsz, quantize, data, fraction, nms, device
    RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
    ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
    Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
    DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
    Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
    Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
    Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
    AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device

    nms=None, harici NMS için varsayılan olarak ham çıktılar üretir. Kullanılabilir bir NMS içermeyen başlık seçmek için nms=False değerini ayarla; desteklenmeyen biçimler yerel çıktı yoluna döner. Yukarıdaki nms girdileri, nms=True ile NMS içerebilen biçimleri tanımlar.

    Biçime özgü seçenekler için Modelleri Dışa Aktarma, Dışa Aktarma modu kılavuzu ve Entegrasyonlar dizini sayfalarına göz at.

Yorumlar