Modeller
Ultralytics , YOLO eğitimi, analizi ve dağıtımı için kapsamlı model yönetimi sağlar. Önceden eğitilmiş modelleri yükleyin veya yeni modelleri doğrudan Platformda eğitin.
Model Yükle
Mevcut model ağırlıklarını Platforma yükleyin:
- Projenize gidin
- Modeli Yükle'yi tıklayın
- Seçiniz
.ptdosyası - Ad ve açıklama ekle
- Yükle'yi tıklayın
Desteklenen model formatları:
| Format | Uzatma | Açıklama |
|---|---|---|
| PyTorch | .pt | Yerel Ultralytics |
Yükleme işleminden sonra Platform, model meta verilerini ayrıştırır:
- Görev türü (detect, segment, poz, OBB, classify)
- Mimarlık (YOLO11n, YOLO11s vb.)
- Sınıf adları ve sayısı
- Giriş boyutu ve parametreler
Model Eğitimi
Yeni modeli doğrudan Platform üzerinde eğitin:
- Projenize gidin
- Tren Modelini Tıklayın
- Veri setini seçin
- Temel modeli seçin
- Eğitim parametrelerini yapılandırın
- Eğitime başla
Ayrıntılı talimatlar için Bulut Eğitimi bölümüne bakın.
Modele Genel Bakış
Her model sayfasında şunlar görüntülenir:
| Bölüm | İçerik |
|---|---|
| Genel Bakış | Model meta verileri, görev türü, mimari |
| Metrikler | Eğitim kaybı ve performans grafikleri |
| Arsalar | Karışıklık matrisi, PR eğrileri, F1 eğrileri |
| Test | Etkileşimli çıkarım testi |
| Dağıt | Uç nokta oluşturma ve yönetimi |
| Dışa aktar | Format dönüştürme ve indirme |
Eğitim Metrikleri
Gerçek zamanlı ve geçmiş eğitim metriklerini görüntüleyin:
Kayıp Eğrileri
| Kayıp | Açıklama |
|---|---|
| Kutu | Sınır kutusu regresyon kaybı |
| Sınıf | Sınıflandırma kaybı |
| DFL | Dağıtım Odak Kaybı |
Performans Metrikleri
| Metrik | Açıklama |
|---|---|
| mAP50 | IoU ,50'de ortalama hassasiyet ortalaması |
| mAP50 | IoU ,50-0,95'te ortalama ortalama hassasiyet |
| Kesinlik | Doğru pozitif tahminlerin oranı |
| Duyarlılık (Recall) | Tespit edilen gerçek pozitiflerin oranı |
Doğrulama Grafikleri
Eğitim tamamlandıktan sonra, ayrıntılı doğrulama analizini görüntüleyin:
Karışıklık Matrisi
Sınıf başına tahmin doğruluğunu gösteren etkileşimli ısı haritası:
PR/F1 Eğrileri
Farklı güven eşiklerinde performans eğrileri:
| Eğri | Açıklama |
|---|---|
| Hassasiyet-Geri Çağırma | Hassasiyet ve geri çağırma arasında denge |
| F1-Güven | F1 puanı farklı güven düzeylerinde |
| Hassasiyet-Güven | Farklı güven düzeylerinde hassasiyet |
| Geri Çağırma Güveni | Farklı güven düzeylerinde geri çağırma |
İhracat Modeli
Modelinizi 17 dağıtım formatına aktarın:
- Dışa Aktar sekmesine gidin
- Hedef formatı seçin
- Dışa Aktar'ı tıklayın
- Tamamlandığında indir
Desteklenen Formatlar
| Format | Açıklama | Kullanım Örneği |
|---|---|---|
| ONNX | Açık Sinir Ağı Değişimi | Çapraz platform dağıtımı |
| TorchScript | Seri hale getirilmiş PyTorch | PyTorch |
| OpenVINO | Intel | Intel |
| TensorRT | NVIDIA | NVIDIA |
| CoreML | Elma optimizasyonu | iOS |
| TFLite | TensorFlow Lite | Mobil/gömülü |
| TF SavedModel | TensorFlow | TensorFlow |
| TF GraphDef | TensorFlow | Eski TensorFlow |
| PaddlePaddle | Baidu çerçevesi | PaddlePaddle |
| NCNN | Mobil çıkarım | Android |
| Kenar TPU | Google TPU | Mercan cihazları |
| TF.js | TensorFlow.js | Tarayıcı dağıtımı |
| MNN | Alibaba çerçevesi | Mobil optimizasyon |
| RKNN | Rockchip NPU | Rockchip cihazları |
| IMX | NXP i.MX | NXP platformları |
| Axelera | Metis Yapay Zeka | Kenar AI hızlandırıcıları |
| ExecuTorch | Meta çerçeve | Meta platformları |
Dışa Aktarma Süresi
Dışa aktarma süresi biçime göre değişir. TensorRT , motor optimizasyonu nedeniyle birkaç dakika sürebilir.
Veri Kümesi Bağlantısı
Modeller, kaynak veri setlerine bağlanabilir:
- Eğitim için hangi veri kümesinin kullanıldığını görüntüleyin
- Model sayfasından veri setine erişin
- Veri kökenini izle
Platform veri kümeleriyle ul:// URI formatında, bağlantı otomatik olarak kurulur.
Görünürlük Ayarları
Modelinizi kimlerin görebileceğini kontrol edin:
| Ayar | Açıklama |
|---|---|
| Özel | Sadece siz erişebilirsiniz |
| Halka açık | Herkes Keşfet sayfasında görüntüleyebilir |
Görünürlüğü değiştirmek için:
- Model eylemleri menüsünü aç
- Düzenle'yi tıklayın
- Görünürlüğü değiştir
- Kaydet'i tıklayın
Modeli Sil
Artık ihtiyacınız olmayan bir modeli kaldırın:
- Model eylemleri menüsünü aç
- Sil'i tıklayın
- Silmeyi onayla
Çöp Kutusu ve Geri Yükle
Silinen modeller 30 gün boyunca Çöp Kutusu'na gönderilir. Ayarlar > Çöp Kutusu'ndan geri yükleyin.
SSS
Hangi model mimarileri desteklenmektedir?
Ultralytics tüm YOLO destekler:
- YOLO11: n, s, m, l, x varyantları
- YOLO26: En yeni nesil (mevcut olduğunda)
- YOLOv10: Eski sürüm desteği
- YOLOv8: Eski sürüm desteği
- YOLOv5: Eski sürüm desteği
Eğitimli modelimi indirebilir miyim?
Evet, model ağırlıklarını model sayfasından indirin:
- İndirme simgesine tıklayın
- Biçim seç (orijinal)
.ptveya ihraç edilen) - İndirme otomatik olarak başlar
Projeler arasında modelleri nasıl karşılaştırırım?
Şu anda, model karşılaştırması projeler içinde yapılmaktadır. Projeler arasında karşılaştırma yapmak için:
- Modelleri tek bir projeye aktarın veya
- Metrikleri dışa aktarın ve harici olarak karşılaştırın
Maksimum model boyutu nedir?
Kesin bir sınırlama yoktur, ancak çok büyük modellerin (>2 GB) yükleme ve işleme süreleri daha uzun olabilir.
Önceden eğitilmiş modelleri ince ayar yapabilir miyim?
Evet! Önceden eğitilmiş bir modeli yükleyin, ardından veri setinizle bu kontrol noktasından eğitime başlayın. Platform, yüklenen modeli otomatik olarak başlangıç noktası olarak kullanır.
