Ultralytics'i Kur#
ultralytics paketini pip, conda veya Docker ile ya da kaynaktan kur; ardından önceden eğitilmiş bir YOLO26 modeliyle ilk tahminini çalıştır. Her yöntem, pyproject.toml dosyasında listelenen tüm gerekli bağımlılıkları yükler.
ultralytics paketini Python>=3.8 ve PyTorch>=1.8 ortamında kur veya güncelle:
pip install -U ultralyticsEn yeni geliştirme sürümünü doğrudan Ultralytics GitHub deposundan kur:
pip install git+https://github.com/ultralytics/ultralytics.git@mainPyTorch gereksinimleri işletim sistemine ve CUDA sürümüne göre değişir. Belirli bir derlemeyi kullanmak için önce PyTorch kurulum talimatlarını izleyerek PyTorch'u kur, ardından ultralytics paketini kur. Linux'ta AMD GPU'ları için AMD entegrasyon kılavuzunda açıklandığı gibi PyTorch'un ROCm derlemesini kur.
Ultralytics'ı CLI ile kullan#
Terminalden ilk tahminini yolo komutuyla çalıştır:
yolo predict model=yolo26n.ptÖnceden eğitilmiş yolo26n.pt ağırlıkları otomatik olarak indirilir, model birlikte sunulan iki örnek görüntü üzerinde çalışır ve komut, ilk çalıştırmada açıklama eklenmiş sonuçları kaydettiği yeri (runs/detect/predict) yazdırır. source değerini kendi görüntüne, videona, dizinine, URL'ne veya akışına ya da source=0 ile bir web kamerasına yönlendir:
yolo predict model=yolo26n.pt source=0 show=Truepredict, modelle ne yapılacağını belirten mod değeridir: train, val, predict, export, track veya benchmark. Görev (detect, segment, semantic, depth, classify, pose veya obb) model dosyasından okunur; bu nedenle yolo TASK MODE ARGS sözdiziminde genellikle yalnızca mod ve arg=value çiftleri (ör. imgsz=640) gerekir. Tüm modlar için CLI Kılavuzu, tüm bağımsız değişkenler için Yapılandırma sayfasına bak.
Ultralytics'ı Python ile kullan#
Python'da aynı tahmini yap:
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # önceden eğitilmiş bir YOLO26n algılama modeli yükle
results = model("https://ultralytics.com/images/bus.jpg", save=True) # tahmin yap ve açıklama eklenmiş görüntüyü kaydetresults, her görüntü için bir tane olmak üzere, göreve bağlı olarak kutular, maskeler, anahtar noktalar veya sınıf olasılıkları içeren Results nesnelerinin listesidir. Python Kılavuzu, aynı YOLO sınıfıyla eğitim, doğrulama, dışa aktarma ve izleme konularını ele alır.
İzle: Ultralytics YOLO Hızlı Başlangıç Kılavuzu
Ultralytics ayarları#
Veri kümeleri, ağırlıklar ve çalıştırmalar dizinleri gibi kalıcı ayarlar, Ultralytics Platform API anahtarı ve deney günlükleyici seçenekleri, yolo settings ile yönetilen bir JSON dosyasında tutulur. Ayarları görüntülemek, değiştirmek veya sıfırlamak için Ayarlar sayfasına bak.
Sırada ne var?#
YOLO'nun çalıştığı modlara ve YOLO26 model boyutlarına göz at; ardından verilerini Veri Kümeleri kılavuzuna göre biçimlendirdikten sonra kendi verilerinle eğitim yap.
Geleceğe göz atmak için YOLO27'yi (Yakında) incele. Modelleri henüz kullanıma sunulmadı; yukarıdaki örneklerde yayımlanmış YOLO26 ailesi kullanılıyor.
Sık Sorulan Sorular#
Ultralytics'ı pip ile şu komutu kullanarak kur:
pip install -U ultralyticsBu komut,
ultralyticspaketinin en son kararlı sürümünü PyPI üzerinden kurar. Geliştirme sürümünü doğrudan GitHub'dan kurmak için:pip install git+https://github.com/ultralytics/ultralytics.gitSisteminde Git komut satırı aracının kurulu olduğundan emin ol.
Evet, Python ve Ultralytics YOLO ile tek komutta bir conda ortamı oluşturup ardından etkinleştirebilirsin:
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y conda activate ultralytics-envBu yöntem, diğer paketlerle uyumluluğu sağlayarak pip'e harika bir alternatif sunar. CUDA ortamlarında, conda'nın CUDA destekli PyTorch derlemesini seçmesi için aynı komuta
pytorch-gpumeta paketini ekle:conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y conda activate ultralytics-envDaha fazla talimat için Conda hızlı başlangıç kılavuzuna bak.
Docker, Ultralytics YOLO için yalıtılmış ve tutarlı bir ortam sunarak sistemler arasında sorunsuz performans sağlar ve yerel kurulumun karmaşıklığını ortadan kaldırır. GPU, CPU, ARM64, NVIDIA Jetson ve Conda için çeşitleri bulunan resmî Docker görüntüleri Docker Hub üzerinde mevcuttur. En son görüntüyü çekip çalıştırmak için:
# Pull the latest ultralytics image from Docker Hub sudo docker pull ultralytics/ultralytics:latest # Run the ultralytics image in a container with GPU support sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latestLinux'ta CDI cihaz istekleri için Docker >= 28.2.0 ve NVIDIA Container Toolkit >= 1.18 gerekir. Ayrıntılı Docker talimatları için Docker hızlı başlangıç kılavuzuna bak.
Ultralytics deposunu klonlayıp geliştirme ortamı kurmak için:
# Clone the ultralytics repository git clone https://github.com/ultralytics/ultralytics # Navigate to the cloned directory cd ultralytics # Install the package in editable mode for development pip install -e .Bu sayede projeye katkıda bulunabilir veya en güncel kaynak kodunu deneyebilirsin. Çatallar ve özel bir dala sabitleme hakkında bilgi için Geliştirme Kurulumu sayfasına bak.
Ultralytics YOLO CLI, Python kodu yazmadan nesne algılama görevlerini çalıştırmayı kolaylaştırır; eğitim, doğrulama ve tahmin işlemlerini doğrudan terminalinden tek satırlık komutlarla yapmanı sağlar. Temel sözdizimi şöyledir:
yolo TASK MODE ARGSÖrneğin, bir algılama modelini eğitmek için:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10Daha fazla komut ve kullanım örneği için CLI Kılavuzunun tamamına göz at.