Ultralytics'i yükle
Ultralytics, pip, conda ve Docker dahil olmak üzere çeşitli yükleme yöntemleri sunar. En son kararlı sürüm için YOLO'yu ultralytics pip paketi aracılığıyla yükleyebilir veya en güncel sürüm için Ultralytics GitHub deposunu kopyalayabilirsin. Docker, paketi yerel yüklemeden kaçınarak izole bir kapsayıcıda 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 ultralyticsAyrıca ultralytics paketini doğrudan Ultralytics GitHub deposundan da yükleyebilirsin. En son geliştirme sürümünü istiyorsan bu yöntem 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.
Başsız (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 görüntüleme kitaplıklarını gerektiren OpenCV'nin GUI bileşenlerini hariç tutar.
Gelişmiş Kurulum
Standart kurulum yöntemleri çoğu kullanım durumunu kapsasa da, geliştirme veya özel yapılandırmalar için daha özelleştirilmiş bir kuruluma ihtiyaç duyabilirsin.
Kalıcı özel değişikliklere ihtiyacın varsa, Ultralytics deposunu çatallayabilir (fork), pyproject.toml veya diğer kodlarda değişiklikler yapabilir ve kendi çatalladığın depodan yükleyebilirsin.
- Ultralytics GitHub deposunu kendi GitHub hesabına çatalla (fork).
- Çatalladığın depoyu yerel olarak klonla:
git clone https://github.com/YOUR_USERNAME/ultralytics.git cd ultralytics - Değişikliklerin için yeni bir dal (branch) oluştur:
git checkout -b my-custom-branch pyproject.tomlveya diğer dosyalarda gerektiği gibi değişikliklerini yap.- Değişikliklerini commit'le ve push'la:
git add . git commit -m "My custom changes" git push origin my-custom-branch - Dalını belirterek
git+httpssözdizimi ile pip kullanarak yükle:pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@my-custom-branch
Ultralytics'i CLI ile kullanma
Ultralytics komut satırı arayüzü (CLI), bir Python ortamına ihtiyaç duymadan basit tek satırlık komutlara olanak tanır. CLI herhangi bir özelleştirme veya Python kodu gerektirmez; tüm görevleri terminalden yolo komutuyla çalıştır. Komut satırından YOLO kullanımı hakkında daha fazla bilgi için CLI Rehberine bak.
Ultralytics yolo komutları aşağıdaki sözdizimini kullanır:
yolo TASK MODE ARGSTASK(isteğe bağlı) şunlardan biridir (detect, segment, classify, pose, obb, semantic)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 komutuyla 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)
Ultralytics'i Python ile kullanma
Ultralytics YOLO Python arayüzü, Python projelerine sorunsuz entegrasyon sunarak modelleri yüklemeyi, çalıştırmayı ve çıktılarını işlemeyi kolaylaştırır. Basitlik için tasarlanan Python arayüzü, kullanıcıların nesne tespiti, bölümleme ve sınıflandırmayı hızla 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 dışa aktarabilir. YOLO'yu Python projelerinde kullanma hakkında daha fazla bilgi edinmek için Python Rehberini incele.
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")Ultralytics Ayarları
Ultralytics kütüphanesi, deneyler üzerinde hassas kontrol için bir SettingsManager içerir ve kullanıcıların ayarlara kolayca erişmesini ve bunları değiştirmesini sağlar. Ortamın kullanıcı yapılandırma dizinindeki bir JSON dosyasında saklanan bu ayarlar, Python ortamında veya Komut Satırı Arayüzü (CLI) aracılığıyla görüntülenebilir veya değiştirilebilir.
Ayarları İnceleme
Ayarlarının mevcut 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"]Ayarları 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()Ayarları Anlama
Aşağıdaki tablo, örnek değerler, veri tipleri ve açıklamalar dahil olmak üzere Ultralytics içindeki ayarlanabilir ayarları özetler.
| İsim | Örnek Değer | Veri Tipi | Açıklama |
|---|---|---|---|
settings_version | '0.0.4' | str | Ultralytics settings version (distinct from the Ultralytics pip version) |
datasets_dir | '/path/to/datasets' | str | Veri setlerinin 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 | Geçerli 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 | True | bool | Option to use TensorBoard for visualization |
wandb | True | 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. |
Optimum yapılandırmayı sağlamak için projeler veya deneyler boyunca ilerlerken bu ayarları tekrar gözden geçir.
SSS
pip kullanarak nasıl Ultralytics kurabilirim?
Ultralytics'i pip ile şu komutla kur:
pip install -U ultralyticsThis installs the latest stable release of the ultralytics package from PyPI. To install the development version directly from GitHub:
pip install git+https://github.com/ultralytics/ultralytics.gitSisteminde Git komut satırı aracının kurulu olduğundan emin ol.
conda kullanarak Ultralytics YOLO kurabilir miyim?
Evet, Ultralytics YOLO'yu conda ile şu şekilde kurabilirsin:
conda install -c conda-forge ultralyticsBu yöntem, diğer paketlerle uyumluluğu sağlayarak pip'e harika bir alternatiftir. 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 bölümüne bak.
Docker kullanarak Ultralytics YOLO çalıştırmanın avantajları nelerdir?
Docker provides an isolated, consistent environment for Ultralytics YOLO, ensuring smooth performance across systems and avoiding local installation complexities. Official Docker images are available on Docker Hub, with variants for GPU, CPU, ARM64, NVIDIA Jetson, and Conda. To pull and run the latest image:
# 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:latestDetaylı Docker talimatları için Docker quickstart guide bölümüne bak.
Geliştirme için Ultralytics deposunu nasıl klonlarım?
Ultralytics deposunu klonla ve şu komutla bir geliştirme ortamı oluştur:
# 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 bulunmana veya en son kaynak kodu ile denemeler yapmana olanak tanır. Detaylar için Ultralytics GitHub repository adresini ziyaret et.
Neden Ultralytics YOLO CLI kullanmalıyım?
Ultralytics YOLO CLI, Python kodu olmadan nesne algılama görevlerini çalıştırmayı basitleştirir; doğrudan terminalinden eğitim, doğrulama ve tahmin için tek satırlık komutlara olanak tanır. 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 komutu ve kullanım örneğini tam CLI Guide içerisinde keşfet.