Ultralytics'i yükle#

Ultralytics, pip, conda ve Docker dahil olmak üzere çeşitli kurulum yöntemleri sunar. En son kararlı sürüm için YOLO'yu ultralytics pip paketi aracılığıyla veya en güncel sürüm için Ultralytics GitHub repository deposunu klonlayarak kurabilirsin. Docker da paketi izole edilmiş bir kapsayıcıda çalıştırmak ve yerel kurulum karmaşasından kaçınmak için bir seçenektir.

Watch: Ultralytics YOLO Quick Start Guide

Yükle

ultralytics paketini pip kullanarak pip install -U ultralytics komutunu çalıştırarak yükleyin veya güncelleyin. ultralytics paketi hakkında daha fazla ayrıntı için Python Package Index (PyPI) adresini ziyaret edin.

# Install or upgrade the ultralytics package from PyPI
pip install -U ultralytics

ultralytics paketini doğrudan Ultralytics GitHub repository adresinden de kurabilirsin. Bu, en son geliştirme sürümünü istiyorsan faydalı olabilir. Git komut satırı aracının kurulu olduğundan emin ol ve ardından şunu çalıştır:

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

Bağımlılıkların bir listesi için ultralytics pyproject.toml dosyasına bak. Yukarıdaki tüm örneklerin gerekli tüm bağımlılıkları kurduğunu unutma.

İpucu

PyTorch gereksinimleri işletim sistemine ve CUDA gereksinimlerine göre değişir, bu nedenle önce PyTorch adresindeki talimatları izleyerek PyTorch'u kur.

PyTorch installation selector for different platforms

Başsız (Headless) Sunucu Kurulumu#

Ekranı olmayan sunucu ortamları için (örneğin bulut sanal makineleri, Docker kapsayıcıları, CI/CD hatları) ultralytics-opencv-headless paketini kullanın. Bu, standart ultralytics paketiyle aynıdır, ancak opencv-python yerine opencv-python-headless paketine bağlıdır; gereksiz GUI bağımlılıklarından ve olası libGL hatalarından kaçınır.

Başsız (Headless) Kurulum

pip install ultralytics-opencv-headless

Her iki paket de aynı işlevselliği ve API'yi sağlar. Başsız varyant, yalnızca OpenCV'nin görüntüleme kitaplıkları gerektiren GUI bileşenlerini hariç tutar.

Gelişmiş Kurulum#

Standart kurulum yöntemleri çoğu kullanım durumunu kapsasa da, geliştirme veya özel yapılandırmalar için daha özel bir kuruluma ihtiyacın olabilir.

Gelişmiş Yöntemler

Kalıcı özel değişikliklere ihtiyacın varsa, Ultralytics deposunu çatallayabilir (fork), pyproject.toml veya diğer kodlarda değişiklik yapabilir ve çatalladığın depodan kurulum yapabilirsin.

Ultralytics GitHub repository deposunu kendi GitHub hesabına Fork et.

Fork'unu yerel olarak klonla:

git clone https://github.com/YOUR_USERNAME/ultralytics.git
cd ultralytics

Değişikliklerin için yeni bir dal oluştur:
```
git checkout -b my-custom-branch
```
Gerektiği gibi pyproject.toml veya diğer dosyalar üzerinde değişikliklerini yap.

Değişikliklerini commit'le ve push'la:

git add .
git commit -m "My custom changes"
git push origin my-custom-branch

Dalına (branch) işaret eden git+https sözdizimi ile pip kullanarak Kurulum yap:

pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@my-custom-branch

Ultralytics'i CLI ile Kullan#

Ultralytics komut satırı arayüzü (CLI), Python ortamına ihtiyaç duymadan basit tek satırlık komutlara izin verir. CLI hiçbir özelleştirme veya Python kodu gerektirmez; tüm görevleri terminalden yolo komutuyla çalıştır. Komut satırından YOLO kullanımı hakkında daha fazla bilgi için CLI Guide kılavuzuna göz at.

Örnek

Ultralytics yolo komutları şu sözdizimini kullanır:

yolo TASK MODE ARGS

TASK (isteğe bağlı) şunlardan biridir: (detect, segment, semantic, depth, classify, pose, obb)
MODE (gerekli) şunlardan biridir: (train, val, predict, export, track, benchmark)
ARGS (isteğe bağlı), varsayılanları geçersiz kılan imgsz=640 gibi arg=value çiftleridir.

Tüm ARGS ifadelerini eksiksiz Configuration Guide kılavuzunda veya yolo cfg CLI komutu ile gör.

Uyarı

Argümanlar, eşittir = işaretiyle ayrılmış ve boşluklarla sınırlanmış arg=value çiftleri olarak geçirilmelidir. Argümanlar arasında -- argüman önekleri veya virgül , kullanmayın.

yolo predict model=yolo26n.pt imgsz=640 conf=0.25 ✅
yolo predict model yolo26n.pt imgsz 640 conf 0.25 ❌ (= eksik)
yolo predict model=yolo26n.pt, imgsz=640, conf=0.25 ❌ (, kullanma)
yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25 ❌ (-- kullanma)
yolo solution model=yolo26n.pt imgsz=640 conf=0.25 ❌ (solution yerine solutions kullanın)

CLI Rehberi

Ultralytics'i Python ile Kullan#

Ultralytics YOLO Python arayüzü, Python projelerine kusursuz entegrasyon sunarak model çıktılarını yüklemeyi, çalıştırmayı ve işlemeyi kolaylaştırır. Basitlik için tasarlanan Python arayüzü, kullanıcıların object detection, instance segmentation, semantic segmentation, depth estimation ve classification özelliklerini hızlı bir şekilde uygulamasına olanak tanır. Bu, YOLO Python arayüzünü bu işlevleri Python projelerine dahil etmek için paha biçilmez bir araç haline getirir.

Örneğin kullanıcılar, sadece birkaç satır kodla bir model yükleyebilir, eğitebilir, performansını değerlendirebilir ve ONNX formatına dışarı aktarabilir. Python projeleriniz içinde YOLO kullanma hakkında daha fazla bilgi edinmek için Python Guide kılavuzunu incele.

Örnek

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

Python Rehberi

Ultralytics Ayarları#

Ultralytics kütüphanesi, deneyler üzerinde ayrıntılı kontrol sağlayan ve kullanıcıların ayarları kolayca erişip değiştirmesine olanak tanıyan bir SettingsManager içerir. Ortamın kullanıcı yapılandırma dizininde bir JSON dosyasında depolanan bu ayarlar, Python ortamında veya Komut Satırı Arayüzü (CLI) aracılığıyla görüntülenebilir veya değiştirilebilir.

Ayarları İnceleme#

Mevcut ayarlarının yapılandırmasını görüntülemek için:

Ayarları görüntüle

ultralytics modülünden settings nesnesini içe aktararak ayarlarınızı Python'da görüntüleyin. Ayarları şu komutlarla yazdırın ve döndürün:

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings["runs_dir"]

Ayarları Değiştirme#

Ultralytics, ayarları şu yollarla değiştirmeyi kolaylaştırır:

Ayarları güncelle

Python'da, settings nesnesi üzerindeki update metodunu kullanın:

from ultralytics import settings

# Update a setting
settings.update({"runs_dir": "/path/to/runs"})

# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})

# Reset settings to default values
settings.reset()

Ayarları Anlama#

Aşağıdaki tablo, örnek değerler, veri tipleri ve açıklamalar dahil olmak üzere Ultralytics içindeki ayarlanabilir ayarları genel hatlarıyla sunar.

Ad	Örnek Değer	Veri Tipi	Açıklama
`settings_version`	`'0.0.7'`	`str`	Ultralytics settings version (distinct from the Ultralytics pip version)
`datasets_dir`	`'/path/to/datasets'`	`str`	Veri kümelerinin depolandığı dizin
`weights_dir`	`'/path/to/weights'`	`str`	Model ağırlıklarının depolandığı dizin
`runs_dir`	`'/path/to/runs'`	`str`	Deney çalıştırmalarının depolandığı dizin
`uuid`	`'a1b2c3d4'`	`str`	Mevcut ayarlar için benzersiz tanımlayıcı
`sync`	`True`	`bool`	Option to sync analytics and crashes to Ultralytics Platform
`api_key`	`''`	`str`	Ultralytics Platform API Key
`clearml`	`True`	`bool`	Option to use ClearML logging
`comet`	`True`	`bool`	Option to use Comet ML for experiment tracking and visualization
`dvc`	`True`	`bool`	Option to use DVC for experiment tracking and version control
`mlflow`	`True`	`bool`	Option to use MLFlow for experiment tracking
`neptune`	`True`	`bool`	Option to use Neptune for experiment tracking
`raytune`	`True`	`bool`	Option to use Ray Tune for hyperparameter tuning
`tensorboard`	`False`	`bool`	Option to use TensorBoard for visualization
`wandb`	`False`	`bool`	Option to use Weights & Biases logging
`vscode_msg`	`True`	`bool`	When a VS Code terminal is detected, enables a prompt to download the Ultralytics-Snippets extension.

Projelerde veya deneylerde ilerledikçe, optimum yapılandırmayı sağlamak için bu ayarları tekrar gözden geçir.

SSS#

pip kullanarak Ultralytics'i nasıl kurarım?#

pip ile Ultralytics'i şu şekilde 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

Sisteminde Git komut satırı aracının yüklü olduğundan emin ol.

conda kullanarak Ultralytics YOLO kurabilir miyim?#

Evet, Ultralytics YOLO'yu conda ile şu şekilde kur:

conda install -c conda-forge ultralytics

Bu yöntem pip'e harika bir alternatiftir ve diğer paketlerle uyumluluk sağlar. CUDA ortamları için, çakışmaları çözmek üzere ultralytics, pytorch ve pytorch-cuda paketlerini birlikte kur:

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics

Daha fazla talimat için Conda quickstart guide kılavuzuna göz at.

Ultralytics YOLO'yu çalıştırmak için Docker kullanmanın avantajları nelerdir?#

Docker, Ultralytics YOLO için izole ve tutarlı bir ortam sağlayarak sistemler arasında sorunsuz performans sağlar ve yerel kurulum karmaşıklıklarını önler. Resmi Docker imajları; GPU, CPU, ARM64, NVIDIA Jetson ve Conda varyantlarıyla Docker Hub üzerinde mevcuttur. En son imajı 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

Ayrıntılı Docker talimatları için Docker quickstart guide kılavuzuna göz at.

Geliştirme için Ultralytics deposunu nasıl kopyalarım?#

Ultralytics deposunu kopyala ve şu şekilde bir geliştirme ortamı 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 katkı sağlamaya veya en son kaynak koduyla denemeler yapmaya olanak tanır. Ayrıntılar için Ultralytics GitHub repository adresini ziyaret et.

Neden Ultralytics YOLO CLI kullanmalıyım?#

Ultralytics YOLO CLI, Python kodu olmadan nesne algılama görevlerini çalıştırmayı basitleştirerek terminalinden doğrudan eğitim, doğrulama ve tahmin için tek satırlık komutlar kullanmanı 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

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

Katkıda Bulunanlar

GLglenn-jocher³⁵ RIRizwanMunawar⁶ LALaughing-q³ PDpderrenger³ BUBurhan-Q³ RAraimbekovm² ONonuralpszr² JKjk4e² SEsergiuwaxmann¹ BOBovey0809¹ FCfcakyon¹ LAlakshanthad¹ PIpicsalex¹ LEleonnil¹ MAMatthewNoyce¹

Oluşturulma 12 Kas 2023Güncellendi geçen hafta