Modeller
Ultralytics Platformu, YOLO modellerini eğitmek, analiz etmek ve dağıtmak için kapsamlı model yönetimi sağlar. Önceden eğitilmiş modelleri yükleyebilir veya yeni modelleri doğrudan Platform üzerinde eğitebilirsiniz.
Model Yükle
Mevcut model ağırlıklarını Platforma yükleyin:
- Projenize gidin
- Model Yükle'ye tıklayın
- Seçiminizi yapın
.ptdosyası - Ad ve açıklama ekleyin
- Yükle'ye tıklayın
Desteklenen model formatları:
| Format | Uzantı | Açıklama |
|---|---|---|
| PyTorch | .pt | Yerel Ultralytics formatı |
Yüklemeden sonra Platform, model meta verilerini ayrıştırır:
- Görev türü (detect, segment, pose, obb, classify)
- Mimarlık (YOLO26n, YOLO26s vb.)
- Sınıf adları ve sayısı
- Giriş boyutu ve parametreleri
Model Eğitimi
Doğrudan Platform üzerinde yeni bir model eğitin:
- Projenize gidin
- Modeli Eğit'e tıklayın
- Veri kümesi seçin
- Temel modeli seçin
- Eğitim parametrelerini yapılandırın
- Eğitime başlayın
Ayrıntılı talimatlar için Bulut Eğitimi bölümüne bakın.
Modele Genel Bakış
Her model sayfası şunları gösterir:
| Bölüm | İçerik |
|---|---|
| Genel Bakış | Model meta verileri, görev türü, mimari |
| Metrikler | Eğitim kaybı ve performans grafikleri |
| Çizimler | Karmaşıklık 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 | Sınırlayıcı kutu regresyon kaybı |
| Sınıf | Sınıflandırma kaybı |
| DFL | Dağılım Odak Kaybı |
Performans Metrikleri
| Metrik | Açıklama |
|---|---|
| mAP50 | IoU 0.50'de Ortalama Hassasiyet |
| mAP50-95 | IoU 0.50-0.95'te 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 arasındaki ödünleşim |
| F1-Güven | Farklı güven seviyelerinde F1 skoru |
| Hassasiyet-Güven | Farklı güven seviyelerinde hassasiyet |
| Geri Çağırma-Güven | Farklı güven seviyelerinde geri çağırma |
Modeli Dışa Aktar
Modelinizi 17 dağıtım formatına aktarın:
- Dışa Aktar sekmesine gidin
- Hedef formatı seçin
- Dışa Aktar'a tıklayın
- Tamamlandığında indirin
Desteklenen Formatlar (Toplam 17)
| # | Format | Dosya Uzantısı | Kullanım Durumu |
|---|---|---|---|
| 1 | ONNX | .onnx | Çapraz platform, web, çoğu çalışma zamanı |
| 2 | TorchScript | .torchscript | Python olmadan PyTorch |
| 3 | OpenVINO | .xml, .bin | Intel , GPU'lar, VPU'lar |
| 4 | TensorRT | .engine | NVIDIA (en hızlı çıkarım) |
| 5 | CoreML | .mlpackage | Apple iOS, macOS, watchOS |
| 6 | TF Lite | .tflite | Mobil (Android, iOS), kenar |
| 7 | TF SavedModel | saved_model/ | TensorFlow |
| 8 | TF GraphDef | .pb | TensorFlow .x |
| 9 | TF Edge TPU | .tflite | Google cihazları |
| 10 | TF.js | .json, .bin | Tarayıcı çıkarım |
| 11 | PaddlePaddle | .pdmodel | Baidu PaddlePaddle |
| 12 | NCNN | .param, .bin | Mobil (iOS), optimize edilmiş |
| 13 | MNN | .mnn | Alibaba mobil çalışma zamanı |
| 14 | RKNN | .rknn | Rockchip NPU'lar |
| 15 | IMX500 | .imx | Sony IMX500 sensör |
| 16 | Axelera | .axelera | Axelera AI hızlandırıcıları |
Format Seçim Kılavuzu
NVIDIA için: TensorRT kullanın
Intel için: OpenVINO kull Intel .
Apple Cihazlar için: CoreMLiOS, macOS, Apple Silicon için
Android için: TF veya NCNN kullanın.
Web Tarayıcıları için: TF.js veya ONNX ( ONNX Web ile)
Edge Cihazlar için: Coral için TF TPU, Rockchip için RKNN kullanın.
Genel Uyumluluk için: ONNX — çoğu çıkarım çalışma zamanıyla uyumludur
Dışa Aktarma Süresi
Dışa aktarma süresi formata göre değişir. TensorRT dışa aktarımları, motor optimizasyonu nedeniyle birkaç dakika sürebilir.
Veri Seti Bağlantısı
Modeller, kaynak veri kümelerine bağlanabilir:
- Eğitim için hangi veri kümesinin kullanıldığını görüntüleyin
- Model sayfasından veri kümesine erişin
- Veri soyunu track edin
Platform veri kümeleriyle eğitim yaparken ul:// URI formatını kullanarak, bağlama otomatiktir.
Görünürlük Ayarları
Modelinizi kimlerin görebileceğini kontrol edin:
| Ayar | Açıklama |
|---|---|
| Özel | Sadece siz erişebilirsiniz |
| Herkese Açık | Herkes Keşfet sayfasında görüntüleyebilir |
Görünürlüğü değiştirmek için:
- Model eylemleri menüsünü açın
- Düzenle'ye tıklayın
- Görünürlüğü değiştir
- Kaydet'e tıklayın
Modeli Sil
Artık ihtiyacınız olmayan bir modeli kaldırın:
- Model eylemleri menüsünü açın
- Sil'e tıklayın
- Silme işlemini onaylayın
Çöp Kutusu ve Geri Yükleme
Silinen modeller 30 gün boyunca Çöp Kutusu'na gider. Ayarlar > Çöp Kutusu'ndan geri yükleyin.
SSS
Hangi model mimarileri desteklenmektedir?
Ultralytics Platformu tüm YOLO mimarilerini destekler:
- YOLO26: n, s, m, l, x varyantları (önerilen)
- YOLO11: n, s, m, l, x varyantları
- YOLOv10: Eski sürüm desteği
- YOLOv8: Eski sürüm desteği
- YOLOv5: Eski sürüm desteği
Eğitilmiş modelimi indirebilir miyim?
Evet, model ağırlıklarınızı model sayfasından indirin:
- İndirme simgesine tıklayın
- Formatı seçin (orijinal
.ptveya dışa aktarılmış) - İndirme otomatik olarak başlar
Projeler arası 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 sınır yoktur, ancak çok büyük modeller (>2GB) daha uzun yükleme ve işleme sürelerine sahip olabilir.
Önceden eğitilmiş modellere ince ayar yapabilir miyim?
Evet! Önceden eğitilmiş bir model yükleyin, ardından veri setinizle o kontrol noktasından eğitime başlayın. Platform, yüklenen modeli otomatik olarak başlangıç noktası olarak kullanır.
