Ultralytics Platform Hızlı Başlangıç

Ultralytics Platform, kullanıcı dostu ve sezgisel olacak şekilde tasarlanmıştır; kullanıcıların veri kümelerini hızlıca yüklemesine ve yeni YOLO modellerini eğitmesine olanak tanır. Kullanıcıların kolayca başlamasını sağlayan çeşitli önceden eğitilmiş modeller sunar. Bir model eğitildikten sonra doğrudan tarayıcıda test edilebilir ve tek tıklamayla üretime dağıtılabilir.

journey
    title Your First Model in 5 Minutes
    section Sign Up
      Create account: 5: User
      Select region: 5: User
    section Prepare Data
      Upload dataset: 5: User
      Review images: 4: User
    section Train
      Configure training: 5: User
      Monitor progress: 3: Platform
    section Deploy
      Test model: 5: User
      Deploy endpoint: 5: User

Başlangıç

Ultralytics Platformu, çeşitli kolay kayıt seçenekleri sunar. Google veya GitHub hesaplarınızı ya da e-posta adresinizi kullanarak kaydolabilir ve giriş yapabilirsiniz.

Bölge Seçimi

İlk katılım sırasında, veri bölgenizi seçmeniz istenecektir. Platform, her bölgeye olan gecikmeyi otomatik olarak ölçer ve en yakın olanı önerir. Bu, verilerinizin, modellerinizin ve dağıtımlarınızın nerede depolanacağını belirlediği için önemli bir seçimdir.

Ücretsiz Krediler

Her yeni hesap, bulut GPU eğitimi için ücretsiz kredi alır:

Profilinizi Tamamlayın

Bölgenizi seçmeden önce, profilinizi bir görünen ad, kullanıcı adı, isteğe bağlı şirket ve birincil kullanım durumu ile tamamlayacaksınız. İlk katılım akışı üç adımdan oluşur: Profil, Veri Bölgesi ve Tamamlama.

Ana Sayfa Paneli

Giriş yaptıktan sonra, Ultralytics Platform'un Ana sayfasına yönlendirileceksiniz; bu sayfa, çalışma alanı istatistiklerini, veri kümelerine, projelere ve depolama alanına hızlı erişimi ve son etkinlik akışını içeren bir hoş geldiniz kartı sunar.

Kenar Çubuğu Navigasyonu

Kenar çubuğu, tüm Platform bölümlerine erişim sağlar:

Hoş Geldiniz Kartı

Hoş geldiniz kartı, profilinizi, plan rozetinizi ve çalışma alanı istatistiklerinizi bir bakışta gösterir:

Hızlı Eylemler

Hoş geldiniz kartının altında, kontrol paneli üç kart gösterir:

• Veri Kümeleri: Yeni bir veri kümesi oluşturun veya yüklemek için görüntüleri, videoları veya ZIP dosyalarını sürükleyip bırakın. Son veri kümelerinizi gösterir.
• Projeler: Yeni bir proje oluşturun veya sürükleyip bırakın .pt model dosyalarını yüklemek için. Son projelerinizi gösterir.
• Depolama: Plan limitleriyle birlikte depolama kullanımınızın (veri kümeleri, modeller, dışa aktarımlar) genel görünümü.

Alttaki bir Son Etkinlik tablosu, en son veri kümelerinizi, modellerinizi ve eğitim çalışmalarınızı gösterir.

İlk Veri Kümenizi Yükleyin

Şuraya gidin: Annotate kenar çubuğunda ve tıklayın New Dataset eğitim verilerinizi eklemek için. Dosyaları doğrudan Ana kontrol panelindeki Veri Kümeleri kartına da sürükleyip bırakabilirsiniz.

Ultralytics Platform birden çok yükleme formatını destekler (tüm detaylar Veri Kümeleri bölümünde):

graph LR
    A[Drop Files] --> B[Auto-Package ZIP]
    B --> C[Upload to Storage]
    C --> D[Backend Worker]
    D --> E[Resize & Thumbnail]
    E --> F[Parse Labels]
    F --> G[Compute Statistics]
    G --> H[Dataset Ready]

Yüklemeden sonra platform verilerinizi otomatik olarak işler:

1. 4096 pikselden büyük görüntüler yeniden boyutlandırılır (en boy oranı korunarak)
2. Hızlı göz atma için 256 piksel küçük resimler oluşturulur
3. Etiketler ayrıştırılır ve doğrulanır (YOLO .txt formatı)
4. İstatistikler hesaplanır (sınıf dağılımı, ısı haritaları, boyutlar)

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

Veri kümeleri ve detect, segment, pose, obb ve classify için desteklenen formatlar hakkında daha fazla bilgi edinin.

İlk Projenizi Oluşturun

Projeler, ilgili modelleri ve deneyleri düzenlemenize yardımcı olur. Projeler'e gidin ve "Proje Oluştur"a tıklayın.

Projeniz için bir ad ve isteğe bağlı bir açıklama girin. Projeler şunları içerir:

• Modeller: Eğitilmiş kontrol noktaları
• Etkinlik Günlüğü: Değişiklik geçmişi

Projeler hakkında daha fazla bilgi edinin.

İlk Modelinizi Eğitin

Projenizden, tıklayın Train Model bulut eğitimini başlatmak için.

Eğitim Yapılandırması

1. Veri Kümesini Seçin: Yüklediğiniz veri kümelerinden seçin (yalnızca bir train bölme gösterilmektedir)
2. Model Seçin: Bir temel model seçin — resmi Ultralytics modelleri veya kendi eğitilmiş modelleriniz
3. Dönemleri Ayarlayın: Eğitim iterasyonlarının sayısı (varsayılan: 100)
4. GPU Seçin: Bütçenize ve model boyutunuza göre hesaplama kaynaklarını seçin

Eğitimi İzle

Eğitim başladıktan sonra, ilerlemeyi üç alt sekme aracılığıyla gerçek zamanlı olarak izleyebilirsiniz:

Metrikler, SSE (Sunucu Tarafından Gönderilen Olaylar) aracılığıyla gerçek zamanlı olarak aktarılır. Eğitim tamamlandıktan sonra, karmaşıklık matrisi, PR eğrileri ve F1 eğrileri dahil olmak üzere doğrulama grafikleri oluşturulur.

Bulut eğitimi hakkında daha fazla bilgi edinin.

Modelinizi Test Edin

Eğitim tamamlandıktan sonra, modelinizi doğrudan tarayıcıda test edin:

1. Modelinizin şuraya gidin Predict sekmesi
2. Bir görüntü yükleyin, sürükleyip bırakın veya örnek görüntüler kullanın (bırakmada otomatik çıkarım)
3. Tuval üzerinde işlenmiş sınırlayıcı kutularla çıkarım sonuçlarını görüntüleyin

Çıkarım parametrelerini ayarlayın:

Predict sekmesi, gerçek API anahtarınız önceden doldurulmuş olarak kullanıma hazır kod örnekleri sağlar:

import requests

url = "https://platform.ultralytics.com/api/models/{model_id}/predict"
headers = {"Authorization": "Bearer your_api_key"}

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

print(response.json())

curl -X POST "https://platform.ultralytics.com/api/models/{model_id}/predict" \
  -H "Authorization: Bearer your_api_key" \
  -F "file=@image.jpg"

Çıkarım hakkında daha fazla bilgi edinin.

Üretime Dağıtın

Modelinizi üretim kullanımı için özel bir uç noktaya dağıtın:

1. Modelinizin şuraya gidin Deploy sekmesi
2. Etkileşimli dünya haritasından bir bölge seçin (43 mevcut bölge)
3. The map shows real-time latency measurements with traffic light colors (green < 100ms, yellow < 200ms, red > 200ms)
4. Tıklayın Deploy uç noktanızı oluşturmak için

graph LR
    A[Select Region] --> B[Deploy]
    B --> C[Provisioning ~1 min]
    C --> D[Running]
    D --> E{Lifecycle}
    E --> F[Stop]
    E --> G[Delete]
    F --> H[Resume]
    H --> D

Uç noktanız yaklaşık bir dakika içinde hazır olacaktır:

• Benzersiz URL: API çağrıları için HTTPS uç noktası
• Otomatik Ölçeklendirme: Trafiğe göre otomatik olarak ölçeklenir
• İzleme: İstek metrikleri ve günlükleri

Dağıtımdan sonra, tüm uç noktalarınızı Deploy kenar çubuğundaki bölümden yönetebilirsiniz; bu bölüm, aktif dağıtımları, genel bakış metriklerini ve tüm uç noktaların bir listesini içeren küresel bir harita gösterir.

Uç noktalar hakkında daha fazla bilgi edinin.

Uzaktan Eğitim (İsteğe Bağlı)

Kendi donanımınızda eğitim yapmayı tercih ediyorsanız, API anahtarınızı kullanarak metrikleri platforma aktarabilirsiniz. Bu, Weights & Biases gibi çalışır — her yerde eğitim yapın, platformda izleyin.

1. İçinde bir API anahtarı oluşturun Settings > Profile (API Anahtarları bölümü)
2. Ortam değişkenini ayarlayın ve bir ile eğitin project/name biçimi:

export ULTRALYTICS_API_KEY="ul_your_api_key_here"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

API anahtarları, veri kümesi URI'leri ve uzaktan eğitim hakkında daha fazla bilgi edinin.

Geri Bildirim

Geri bildirimlerinize değer veriyoruz! Platformu geliştirmemize yardımcı olmak için geri bildirim düğmesini kullanın.

Yardıma mı İhtiyacınız Var?

Herhangi bir sorunla karşılaşırsanız veya sorularınız varsa:

• Dokümantasyon: Ayrıntılı kılavuzlar için bu belgelere göz atın
• Discord: Tartışmalar için Discord topluluğumuza katılın
• GitHub: Sorunları GitHub'da bildirin

📅 1 ay önce oluşturuldu ✏️ 4 gün önce güncellendi

Yorumlar