Ultralytics YOLO27:

Ultralytics Kurulumu#

ultralytics paketini pip, conda, Docker veya kaynaktan yükle ve ardından önceden eğitilmiş bir YOLO26 modeliyle ilk tahminini çalıştır. Her yöntem, pyproject.toml dosyasında listelenen tüm gerekli bağımlılıkları yükler.

Yükleme

ultralytics paketini Python>=3.8 ve PyTorch>=1.8 ortamında yükle veya güncelle:

pip install -U ultralytics

En son geliştirme sürümü için doğrudan Ultralytics GitHub repository adresinden yükle:

pip install git+https://github.com/ultralytics/ultralytics.git@main
İpucu

PyTorch gereksinimleri işletim sistemine ve CUDA sürümüne göre değişir. Belirli bir derlemeyi kullanmak için önce PyTorch installation instructions talimatlarını izleyerek PyTorch'u yükle, ardından ultralytics paketini kur.

Ultralytics'i CLI ile Kullanma#

yolo komutuyla terminalden ilk tahminini çalıştır:

yolo predict model=yolo26n.pt

Önceden eğitilmiş yolo26n.pt ağırlıkları otomatik olarak indirilir, model birlikte verilen iki örnek görüntü üzerinde çalışır ve komut, ek açıklama eklenmiş sonuçları nereye kaydettiğini (ilk çalıştırmada runs/detect/predict) yazdırır. source hedefini kendi görüntüne, videona, dizinine, URL'ne, akışına veya source=0 ile bir web kamerasına yönlendir:

yolo predict model=yolo26n.pt source=0 show=True

predict, modelle ne yapılacağını belirten moddur (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 sözdizimi genellikle yalnızca modu ve imgsz=640 gibi arg=value çiftlerini gerektirir. Her mod için CLI Guide kılavuzuna ve tüm argümanlar için Configuration sayfasına bak.

Ultralytics'i Python ile Kullanma#

Python'da aynı tahmin:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n detection model
results = model("https://ultralytics.com/images/bus.jpg", save=True)  # predict and save the annotated image

results, görüntü başına bir tane olmak üzere, göreve bağlı olarak kutular, maskeler, anahtar noktalar veya sınıf olasılıkları içeren Results nesnelerinden oluşan bir listedir. Python Guide kılavuzu, aynı YOLO sınıfıyla eğitimi, doğrulamayı, dışa aktarmayı ve takibi kapsar.



Watch: Ultralytics YOLO Quick Start Guide

Ultralytics Ayarları#

Veri kümeleri, ağırlıklar ve çalıştırma dizinleri, Ultralytics Platform API anahtarı ve deneme günlüğü (experiment-logger) geçişleri gibi kalıcı ayarlar, yolo settings ile yönetilen bir JSON dosyasında bulunur. Bunları görüntülemek, değiştirmek veya sıfırlamak için Settings sayfasına bak.

Sırada Ne Var?#

YOLO'nun çalıştığı modes modlarına ve YOLO26 model boyutlarına göz at, ardından verilerini Datasets guide kılavuzuyla biçimlendirdikten sonra train on your own data adımıyla kendi verilerin üzerinde eğit.

İlerisine bir göz atmak için YOLO27 (Coming Soon) seçeneğini keşfet. YOLO27 (Coming Soon) modelleri henüz mevcut değil; yukarıdaki örnekler yayınlanan YOLO26 ailesini kullanıyor.

SSS#

  • pip kullanarak Ultralytics'i şununla kur:

    pip install -U ultralytics

    Bu, ultralytics paketinin en son kararlı sürümünü PyPI üzerinden kurar. Geliştirme sürümünü doğrudan GitHub'dan kurmak için:

    pip install git+https://github.com/ultralytics/ultralytics.git

    Git komut satırı aracının sistemine kurulu olduğundan emin ol.

  • Evet, conda kullanarak Ultralytics YOLO'yu şununla kur:

    conda install -c conda-forge ultralytics

    Bu yöntem pip için harika bir alternatiftir ve diğer paketlerle uyumluluk sağlar. CUDA ortamları için, conda'nın CUDA destekli bir PyTorch derlemesi seçmesi adına ultralytics paketini pytorch-gpu üst paketiyle birlikte kur:

    conda install -c conda-forge ultralytics pytorch-gpu

    Daha fazla talimat için Conda quickstart guide kılavuzuna göz at.

  • Docker, Ultralytics YOLO için yalıtılmış ve tutarlı bir ortam sağlayarak sistemler arasında sorunsuz performans garanti eder ve yerel kurulum karmaşıklıklarından kaçınır. Resmi Docker görüntüleri GPU, CPU, ARM64, NVIDIA Jetson ve Conda varyantlarıyla Docker Hub üzerinde mevcuttur. En son görüntüyü çekmek ve 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:latest

    Linux'ta CDI cihaz istekleri Docker >= 28.2.0 ve NVIDIA Container Toolkit >= 1.18 gerektirir. Ayrıntılı Docker talimatları için Docker hızlı başlangıç kılavuzu sayfasına göz at.

  • Ultralytics deposunu klonla ve bir geliştirme ortamını şununla kur:

    # 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, projeye katkıda bulunmayı veya en son kaynak kodla denemeler yapmayı sağlar. Çatallar (forks) ve özel bir dalı (branch) sabitlemek için Development Installation bölümüne bak.

  • Ultralytics YOLO CLI, Python kodu olmadan nesne algılama görevlerini çalıştırmayı basitleştirerek doğrudan terminalinden eğitim, doğrulama ve tahmin için tek satırlık komutlar sağlar. Temel sözdizimi şöyledir:

    yolo TASK MODE ARGS

    Örneğin, bir algılama modeli eğitmek için:

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    Tam CLI Guide kılavuzunda daha fazla komut ve kullanım örneği keşfet.

Katkıda Bulunanlar
GLglenn-jocher39RIRizwanMunawar6RAraimbekovm4LALaughing-q3PDpderrenger3BUBurhan-Q3ONonuralpszr2JKjk4e2SEsergiuwaxmann1BOBovey08091FCfcakyon1LAlakshanthad1PIpicsalex1LEleonnil1MAMatthewNoyce1

Yorumlar