Link to this sectionUltralytics'i yükle#
Ultralytics, pip, conda ve Docker dahil olmak üzere çeşitli yükleme yöntemleri sunar. YOLO'yu en son kararlı sürüm için ultralytics pip paketi aracılığıyla veya en güncel sürüm için Ultralytics GitHub deposunu klonlayarak yükleyebilirsin. Docker, paketi yerel kuruluma gerek kalmadan yalıtılmış bir kapsayıcı içinde çalıştırmak için de bir seçenektir.
Watch: Ultralytics YOLO Quick Start Guide
Install or update the ultralytics package using pip by running pip install -U ultralytics. For more details on the ultralytics package, visit the Python Package Index (PyPI).
# Install or upgrade the ultralytics package from PyPI
pip install -U ultralyticsultralytics paketini doğrudan Ultralytics GitHub deposundan da yükleyebilirsin. Bu, en son geliştirme sürümünü istiyorsan yararlı olabilir. Git komut satırı aracının yüklü olduğundan emin ol ve ardından şunu çalıştır:
# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@mainBağımlılıkların listesi için ultralytics pyproject.toml dosyasına bak. Yukarıdaki tüm örneklerin gerekli tüm bağımlılıkları yüklediğini unutma.
Link to this sectionBaşsız (Headless) Sunucu Kurulumu#
For server environments without a display (e.g., cloud VMs, Docker containers, CI/CD pipelines), use the ultralytics-opencv-headless package. This is identical to the standard ultralytics package but depends on opencv-python-headless instead of opencv-python, avoiding unnecessary GUI dependencies and potential libGL errors.
pip install ultralytics-opencv-headlessHer iki paket de aynı işlevselliği ve API'yi sağlar. Başsız varyant, yalnızca OpenCV'nin görüntüleme kitaplıkları gerektiren GUI bileşenlerini hariç tutar.
Link to this sectionGelişmiş Kurulum#
Standart kurulum yöntemleri çoğu kullanım durumunu kapsasa da, geliştirme veya özel yapılandırmalar için daha özel bir kuruluma ihtiyacın olabilir.
Kalıcı özel değişikliklere ihtiyacın varsa, Ultralytics deposunu çatallayabilir (fork), pyproject.toml veya diğer kodlarda değişiklik yapabilir ve kendi fork'undan kurulum yapabilirsin.
- Ultralytics GitHub deposunu kendi GitHub hesabına fork'la.
- 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 pyproject.tomlveya diğer dosyalarda gereken değişikliklerini yap.- Değişikliklerini commit'le ve push'la:
git add . git commit -m "My custom changes" git push origin my-custom-branch - Kendi dalını işaret eden
git+httpssözdizimi ile pip kullanarak kurulum yap:pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@my-custom-branch
Link to this sectionUltralytics'i CLI ile Kullan#
Ultralytics komut satırı arayüzü (CLI), bir Python ortamına ihtiyaç duymadan basit tek satırlık komutlara olanak tanır. CLI hiçbir özelleştirme veya Python kodu gerektirmez; yolo komutuyla tüm görevleri terminalden çalıştırabilirsin. YOLO'nun komut satırından kullanımı hakkında daha fazla bilgi için CLI Rehberine bak.
Ultralytics yolo komutları şu sözdizimini kullanır:
yolo TASK MODE ARGSTASK(isteğe bağlı) şunlardan biridir: (detect, segment, semantic, classify, pose, obb)MODE(gerekli) şunlardan biridir: (train, val, predict, export, track, benchmark)ARGS(optional) arearg=valuepairs likeimgsz=640that override defaults.
Tüm ARGS parametrelerini tam Yapılandırma Rehberinde veya yolo cfg CLI komutu ile görebilirsin.
Arguments must be passed as arg=value pairs, split by an equals = sign and delimited by spaces. Do not use -- argument prefixes or commas , between arguments.
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❌ (virgül,kullanma)yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25❌ (--kullanma)yolo solution model=yolo26n.pt imgsz=640 conf=0.25❌ (usesolutions, notsolution)
Link to this sectionUltralytics'i Python ile Kullan#
Ultralytics YOLO Python arayüzü, Python projelerine sorunsuz entegrasyon sunarak modelleri yüklemeyi, çalıştırmayı ve çıktılarını işlemeyi kolaylaştırır. Basitlik için tasarlanan Python arayüzü, kullanıcıların nesne tespiti, örnek segmentasyonu, anlamsal segmentasyon ve sınıflandırma işlemlerini hızlıca uygulamalarına 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 modeli yükleyebilir, eğitebilir, performansını değerlendirebilir ve ONNX formatına aktarabilir. YOLO'yu Python projeleriniz içinde kullanma hakkında daha fazla bilgi edinmek için Python Rehberini keşfet.
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")Link to this sectionUltralytics Ayarları#
Ultralytics kütüphanesi, deneyler üzerinde hassas kontrol için bir SettingsManager içerir ve kullanıcıların ayarlara kolayca erişmesini ve bunları değiştirmesini sağlar. Ortamın kullanıcı yapılandırma dizininde bir JSON dosyasında saklanan bu ayarlar, Python ortamında veya Komut Satırı Arayüzü (CLI) aracılığıyla görüntülenebilir veya değiştirilebilir.
Link to this sectionAyarları İnceleme#
Mevcut ayarlarının yapılandırmasını görüntülemek için:
Use Python to view your settings by importing the settings object from the ultralytics module. Print and return settings with these commands:
from ultralytics import settings
# View all settings
print(settings)
# Return a specific setting
value = settings["runs_dir"]Link to this sectionAyarları Değiştirme#
Ultralytics, ayarları şu yollarla değiştirmeyi kolaylaştırır:
In Python, use the update method on the settings object:
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()Link to this sectionAyarları 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 | '0.0.6' | 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 |
hub | True | bool | Option to use Ultralytics Platform integration |
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.
Link to this sectionSSS#
Link to this sectionpip kullanarak Ultralytics'i nasıl kurarım?#
pip ile Ultralytics'i şu şekilde kur:
pip install -U ultralyticsBu, ultralytics paketinin en son kararlı sürümünü PyPI kaynağından kurar. Geliştirme sürümünü doğrudan GitHub'dan kurmak için:
pip install git+https://github.com/ultralytics/ultralytics.gitSisteminde Git komut satırı aracının yüklü olduğundan emin ol.
Link to this sectionconda kullanarak Ultralytics YOLO kurabilir miyim?#
Evet, Ultralytics YOLO'yu conda ile şu şekilde kur:
conda install -c conda-forge ultralyticsBu yöntem pip'e harika bir alternatiftir ve diğer paketlerle uyumluluğu sağlar. CUDA ortamları için çakışmaları çözmek amacıyla ultralytics, pytorch ve pytorch-cuda paketlerini birlikte kur:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralyticsDaha fazla talimat için Conda quickstart guide sayfasına bak.
Link to this sectionUltralytics YOLO'yu çalıştırmak için Docker kullanmanın avantajları nelerdir?#
Docker, Ultralytics YOLO için izole ve tutarlı bir ortam sağlayarak sistemler arası sorunsuz performans garantiler ve yerel kurulum karmaşalarından kaçınmanı sağlar. Resmi Docker görüntüleri Docker Hub üzerinde GPU, CPU, ARM64, NVIDIA Jetson ve Conda varyantlarıyla 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 --runtime=nvidia --gpus all ultralytics/ultralytics:latestAyrıntılı Docker talimatları için Docker quickstart guide sayfasına bak.
Link to this sectionGeliştirme 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 katkıda bulunmanı veya en son kaynak kodla denemeler yapmanı sağlar. Detaylar için Ultralytics GitHub repository sayfasını ziyaret et.
Link to this sectionNeden 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 ARGSÖrneğin, bir algılama modeli eğitmek için:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Daha fazla komut ve kullanım örneğini tam CLI Guide içerisinde keşfet.