Ultralytics Çözümleri: YOLO26 ile Gerçek Dünya Sorunlarını Çöz#
Ultralytics Çözümleri, nesne sayımı, bulanıklaştırma ve güvenlik sistemleri gibi gerçek dünya çözümleri sunarak YOLO modellerinin en yeni uygulamalarını sağlar; çeşitli sektörlerde verimliliği ve doğruluğu artırır. Pratik ve etkili uygulamalarda YOLO26'nın gücünü keşfet.
İzle: Ultralytics Çözümleri Komut Satırından Nasıl Çalıştırılır (CLI) | Ultralytics YOLO26 🚀
Çözümler#
Harika bilgisayarlı görü projeleri oluşturmak için kullanabileceğin, özenle seçilmiş Ultralytics çözümleri listemiz burada.
- Analitik: Betimleyici, tahmine dayalı ve kuralcı analitik için YOLO26'dan yararlanarak kalıpları keşfetmek ve bilinçli kararlar almak üzere kapsamlı veri analizleri gerçekleştir.
- Mesafe Hesaplama: Uzamsal analiz için vazgeçilmez olan YOLO26'da, nesneler arasındaki mesafeleri sınırlayıcı kutu merkez noktalarını kullanarak hesapla.
- Isı Haritaları: Bilgisayarlı görü görevlerinde net içgörüler sağlamak için bir matris genelindeki veri yoğunluğunu görselleştirmek üzere algılama ısı haritalarından yararlan.
- Nesne Takibiyle Örnek Segmentasyonu: Hassas nesne sınırları elde etmek ve sürekli izleme sağlamak için YOLO26 ile örnek segmentasyonu ve nesne takibini uygula.
- Streamlit ile Canlı Çıkarım: Kullanıcı dostu bir Streamlit arayüzü üzerinden doğrudan web tarayıcında gerçek zamanlı nesne algılama için YOLO26'nın gücünden yararlan.
- Nesne Bulanıklaştırma: Görüntü ve video işlemede gizliliği korumak için YOLO26 ile nesneleri bulanıklaştır.
- Nesne Sayımı: YOLO26 ile gerçek zamanlı nesne sayımını nasıl yapacağını öğren. Canlı video akışlarındaki nesneleri doğru şekilde sayma becerisi kazan.
- Bölgelerde Nesne Sayımı: Farklı alanlarda doğru algılama için YOLO26 kullanarak belirli bölgelerdeki nesneleri say.
- Nesne Kırpma: Görüntü ve videolardan nesneleri hassas biçimde çıkarmak için YOLO26 ile nesne kırpma konusunda uzmanlaş.
- Park Yönetimi: Alan kullanımını ve kullanıcı deneyimini iyileştirmek için YOLO26 ile park alanlarındaki araç akışını düzenle ve yönlendir.
- Kuyruk Yönetimi: YOLO26 kullanarak bekleme sürelerini en aza indiren ve verimliliği artıran etkili kuyruk yönetimi sistemleri uygula.
- Güvenlik Alarm Sistemi: Yeni nesneler algılandığında uyarıları tetikleyen bir güvenlik alarm sistemini YOLO26 ile oluştur. Sistemi özel ihtiyaçlarına göre uyarla.
- Benzerlik Araması: Gömme vektörlerini kosinüs benzerliği aramasıyla birleştirerek akıllı görüntü erişimi sağla; böylece "çanta tutan kişi" veya "hareket hâlindeki araçlar" gibi doğal dil sorguları kullanabilirsin. OpenAI CLIP
- Hız Tahmini: Otonom araçlar ve trafik izleme gibi uygulamalar için kritik olan nesne hızını YOLO26 ve nesne izleme teknikleriyle tahmin et.
- Bölgedeki Nesneleri İzleme: Hassas ve verimli izleme için YOLO26 kullanarak video karelerinin belirli bölgelerindeki nesneleri nasıl izleyeceğini öğren.
- VisionEye Görünümüyle Nesne Eşleme: İnsan gözünün belirli nesnelere odaklanmasını taklit eden sistemler geliştirerek bilgisayarın ayrıntıları ayırt etme ve önceliklendirme becerisini artır.
- Antrenman İzleme: YOLO26 ile antrenmanların nasıl izleneceğini keşfet. Çeşitli fitness rutinlerini gerçek zamanlı olarak izlemeyi ve analiz etmeyi öğren.
Çözüm Bağımsız Değişkenleri#
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Ultralytics YOLO model dosyasının yolu. |
region | list veya dict | None | İlgi bölgesini tanımlayan noktalar; (x, y) demetlerinin listesi veya birden fazla bölge için bölge adlarını nokta listelerine eşleyen bir sözlük (yalnızca RegionCounter). None olduğunda, bölge gerektiren çözümler önceden tanımlanmış varsayılan bölgeye döner. |
show_in | bool | True | Video akışında giriş sayılarının görüntülenip görüntülenmeyeceğini denetleyen bayrak. |
show_out | bool | True | Video akışında çıkış sayılarının görüntülenip görüntülenmeyeceğini denetleyen bayrak. |
analytics_type | str | 'line' | Grafik türü; yani line, bar, area veya pie. |
colormap | int | cv2.COLORMAP_DEEPGREEN | Isı haritasında kullanılacak renk haritası. |
line_width | int | 2 | Çözümün çizdiği kutular, anahtar noktalar ve sayılar için çizgi kalınlığı. |
verbose | bool | True | Çözümün her kare için girdi şekli, sınıf sayıları ve işleme hızına ilişkin günlüğünü etkinleştirir. İzleme çağrısının kendisi her zaman sessizdir. |
json_file | str | None | Tüm park koordinatı verilerini içeren JSON dosyasının yolu. |
up_angle | float | 145.0 | 'Yukarı' pozu için açı eşiği. |
kpts | list[int] | [6, 8, 10] | Antrenmanları izlemek için kullanılan üç anahtar nokta indeksinin listesi. Bu anahtar noktalar; şınav, barfiks, squat ve karın egzersizleri gibi hareketlerde omuz, dirsek ve bilek gibi vücut eklemlerine veya bölümlerine karşılık gelir. |
down_angle | float | 90.0 | 'Aşağı' pozu için açı eşiği. |
blur_ratio | float | 0.5 | Bulanıklık yoğunluğu yüzdesini 0.1 - 1.0 aralığındaki değerlere göre ayarlar. |
crop_dir | str | 'cropped-detections' | Kırpılmış tespitleri depolamak için kullanılan dizinin adı. |
records | int | 5 | Güvenlik alarm sistemiyle e-posta gönderilmesini tetikleyecek toplam tespit sayısı. |
vision_point | tuple[int, int] | (20, 20) | VisionEye Solution ile nesnelerin izleneceği ve yolların çizileceği nokta. |
source | str | None | Girdi kaynağının yolu (video, RTSP vb.). Yalnızca Solutions komut satırı arayüzü (CLI) ile kullanılabilir. |
figsize | tuple[float, float] | (12.8, 7.2) | Analytics grafikleri için inç cinsinden şekil boyutu; (12.8, 7.2), 1280×720 boyutunda bir kare oluşturur. |
fps | float | 30.0 | Hız hesaplamalarında kullanılan saniyedeki kare sayısı. |
max_hist | int | 5 | Hız/yön hesaplamaları için nesne başına izlenecek en fazla geçmiş nokta sayısı. |
meter_per_pixel | float | 0.05 | Piksel mesafesini gerçek dünya birimlerine dönüştürmek için kullanılan ölçekleme katsayısı. |
max_speed | int | 120 | km/sa cinsinden en yüksek hız; tahmin edilen daha yüksek hızlar bu değerde sınırlandırılır. |
data | str | 'images' | Benzerlik araması için kullanılan görüntü dizininin yolu. |
imgsz | int | 640 | Model çıkarımı için girdi görüntüsü boyutu. |
Çözümler, aşağıdaki çıkarım ve izleme bağımsız değişkenlerini model.track() öğesine iletir.
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Kullanılacak izleme algoritmasını belirtir. Yerleşik seçenekler: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Algılamalar için güven eşiğini belirler; düşük değerler daha fazla nesnenin izlenmesine olanak tanır ancak yanlış pozitifleri de içerebilir. |
iou | float | 0.7 | Çakışan algılamaları filtrelemek için Kesişim-Birleşim Oranı (IoU) eşiğini belirler. |
classes | list | None | Sonuçları sınıf dizinine göre filtreler. Örneğin, classes=[0, 2, 3] yalnızca belirtilen sınıfları izler. |
device | str | None | Çıkarım için kullanılacak cihazı belirtir (ör. cpu, cuda:0 veya 0). Kullanıcıların model yürütme için CPU, belirli bir GPU veya başka hesaplama cihazları arasında seçim yapmasına olanak tanır. |
imgsz | int or tuple | 640 | Hedef çıkarım görüntü boyutu: kare görüntüler için bir tam sayı veya bir (height, width) çifti. Boyutlar model adım değerine göre ayarlanır. |
max_det | int | 300 | Yoğun sahnelerde bir çözümün işleyeceği nesne sayısını sınırlamak için izleme öncesinde kare başına tutulan en yüksek algılama sayısı. |
quantize | int or str | None | Çıkarım hassasiyeti: CPU dışında PyTorch ve TorchScript modelleri için 16 (FP16) veya 32/unset (FP32); diğer biçimler, model yapıtının ve çalışma zamanının seçtiği hassasiyeti kullanır. Kullanımdan kaldırılan half argümanının yerini alır. |
Görselleştirmeyi özelleştirmek için show_conf, show_labels ve belirtilen diğer bağımsız değişkenleri kullanabilirsin.
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | True ise açıklama eklenmiş görüntüleri veya videoları bir pencerede gösterir. Geliştirme veya test sırasında anında görsel geri bildirim almak için kullanışlıdır. |
show_conf | bool | True | Her algılamanın güven puanını etiketinin yanında gösterir. Modelin her algılamaya ne kadar güvendiğini görmeni sağlar. |
show_labels | bool | True | Görsel çıktıda her algılama için etiketleri gösterir. Algılanan nesnelerin hemen anlaşılmasını sağlar. |
SolutionAnnotator Kullanımı#
Tüm Ultralytics Çözümleri, ana Annotator sınıfını genişleten ayrı bir SolutionAnnotator sınıfını kullanır ve şu yöntemlere sahiptir:
| Yöntem | Dönüş Türü | Açıklama |
|---|---|---|
draw_region() | None | Belirtilen noktaları, renkleri ve kalınlığı kullanarak bir bölge çizer. |
queue_counts_display() | None | Belirtilen bölgede kuyruk sayılarını görüntüler. |
display_analytics() | None | Park alanı yönetimine ilişkin genel istatistikleri görüntüler. |
estimate_pose_angle() | float | Bir nesne pozundaki üç nokta arasındaki açıyı hesaplar. |
draw_specific_kpts() | np.ndarray | Görüntüde belirli kilit noktaları çizer. |
plot_workout_information() | int | Görüntü üzerine etiketli bir metin kutusu çizer. |
plot_angle_and_count_and_stage() | None | Antrenman izleme için açı, adım sayısı ve aşamayı görselleştirir. |
plot_distance_and_line() | None | Merkez noktaları arasındaki mesafeyi görüntüler ve noktaları bir çizgiyle birleştirir. |
display_objects_labels() | None | Sınıf etiketlerini sınırlayıcı kutulara ekler. |
sweep_annotator() | None | Dikey bir tarama çizgisini ve isteğe bağlı etiketi görselleştirir. |
visioneye() | None | Nesne merkez noktalarını görsel bir "göz" noktasına eşler ve bunları birbirine bağlar. |
adaptive_label() | None | Sınırlayıcı kutunun ortasında dairesel veya dikdörtgen bir arka plan etiketi çizer. |
SolutionResults ile Çalışma#
Similarity Search dışında her Solution çağrısı bir SolutionResults nesnesi döndürür.
- Nesne sayımı sonuçları
in_count,out_countveclasswise_countöğelerini içerir.
import cv2
from ultralytics import solutions
im0 = cv2.imread("path/to/img")
region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
counter = solutions.ObjectCounter(
show=True, # çıktıyı görüntüle
region=region_points, # bölge noktalarını ilet
model="yolo26n.pt", # OBB modeliyle nesne sayımı için model="yolo26n-obb.pt".
# classes=[0, 2], # COCO üzerinde önceden eğitilmiş modelle belirli sınıfları, ör. kişi ve araba, say.
# tracker="botsort.yaml" # İzleyicileri seç; ör. "bytetrack.yaml"
)
results = counter(im0)
print(results.in_count) # display in_counts
print(results.out_count) # display out_counts
print(results.classwise_count) # display classwise_countSolutionResults nesneleri şu özniteliklere sahiptir:
| Öznitelik | Tür | Açıklama |
|---|---|---|
plot_im | np.ndarray | Sayımlar, bulanıklaştırma efektleri veya çözüme özgü iyileştirmeler gibi görsel katmanlar içeren görüntü. |
in_count | int | Video akışında tanımlı bölgeye girerken algılanan nesnelerin toplam sayısı. |
out_count | int | Video akışında tanımlı bölgeden çıkarken algılanan nesnelerin toplam sayısı. |
classwise_count | dict[str, dict[str, int] | int] | Sınıf başına sayımlar: ObjectCounter ve Heatmap için {"IN": int, "OUT": int} veya Analytics için bir int. |
queue_count | int | Önceden tanımlanmış bir kuyrukta veya bekleme alanında şu anda bulunan nesne sayısı (kuyruk yönetimine uygundur). |
workout_count | list[int] | AI Gym'deki iz başına antrenman tekrar sayıları (o anda izlenen her kişi için bir girdi). |
workout_angle | list[float] | AI Gym'deki iz başına egzersiz açıları (o anda izlenen her kişi için bir girdi). |
workout_stage | list[str] | AI Gym'de iz başına geçerli antrenman aşaması (o anda izlenen her kişi için bir girdi). |
pixels_distance | float | İki nesne veya nokta (ör. sınırlayıcı kutular) arasındaki piksel cinsinden mesafe. (Mesafe hesaplamaya uygundur). |
available_slots | int | İzlenen bir alandaki boş park yeri sayısı (park yönetimine uygundur). |
filled_slots | int | İzlenen bir alandaki dolu park yeri sayısı. (park yönetimine uygundur) |
email_sent | bool | Bir bildirimin veya uyarı e-postasının başarıyla gönderilip gönderilmediğini belirtir (güvenlik alarmına uygundur). |
total_tracks | int | Video analizi sırasında gözlemlenen benzersiz nesne izlerinin toplam sayısı. |
region_counts | Dict[str, int] | Kullanıcı tanımlı bölgeler veya zonlar içindeki nesne sayıları. |
speed_dict | Dict[int, int] | Hız analizi için kullanışlı olan, SpeedEstimator'dan elde edilen km/sa cinsinden tahmini nesne hızlarının iz kimliğine göre sözlüğü. |
total_crop_objects | int | ObjectCropper çözümü tarafından oluşturulan kırpılmış nesne görüntülerinin toplam sayısı. |
speed | Dict[str, float] | İzleme ve çözüm işleme performans metriklerini içeren sözlük. |
Daha fazla bilgi için SolutionResults sınıfı belgelerine başvur.
CLI ile Çözümleri Kullanma#
Çözümlerin çoğu doğrudan komut satırı arayüzü üzerinden kullanılabilir.
Sözdizimi
yolo SOLUTIONS SOLUTION_NAME ARGS
- SOLUTIONS zorunlu bir anahtar kelimedir.
- SOLUTION_NAME, şunlardan biridir:
['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye', 'region', 'security', 'parking']. - ARGS (isteğe bağlı), varsayılan ayarları geçersiz kılmak için kullanılan
arg=valueçiftleri (ör.show_in=True) gibi özel değerlerdir.
yolo solutions count show=True # for object counting
yolo solutions count source="path/to/video.mp4" # specify video file pathÇözümlerimize Katkıda Bulun#
Topluluğun katkılarını memnuniyetle karşılıyoruz! Ultralytics YOLO'nun çözümlerimizde henüz ele alınmamış belirli bir konusunda uzmanlaştıysan, uzmanlığını paylaşmanı öneririz. Bir kılavuz yazmak, topluluğa katkıda bulunmanın ve belgelerimizi daha kapsamlı ve kullanıcı dostu hâle getirmemize yardımcı olmanın harika bir yoludur.
Başlamak için, Pull Request (PR) açma yönergeleri için lütfen Katkıda Bulunma Kılavuzumuzu oku 🛠️. Katkılarını bekliyoruz!
Ultralytics YOLO ekosistemini daha güçlü ve çok yönlü hâle getirmek için birlikte çalışalım 🙏!
Sık Sorulan Sorular#
Ultralytics YOLO26, gelişmiş nesne algılama yeteneklerinden yararlanarak gerçek zamanlı nesne sayımı için kullanılabilir. YOLO26'yı canlı video akışı analizine hazırlamak için Nesne Sayımı konulu ayrıntılı kılavuzumuzu izleyebilirsin. YOLO26'yı yükle, modelini yükle ve nesneleri dinamik olarak saymak için video karelerini işle.
Ultralytics YOLO26, gerçek zamanlı nesne algılama ve uyarı mekanizmaları sunarak güvenlik sistemlerini geliştirir. YOLO26'yı kullanarak gözetim alanında yeni nesneler algılandığında uyarı veren bir güvenlik alarm sistemi oluşturabilirsin. Güçlü güvenlik izleme için YOLO26 ile bir Güvenlik Alarm Sistemi kurmayı öğren.
Ultralytics YOLO26, kuyruklardaki kişileri doğru biçimde sayıp izleyerek kuyruk yönetimi sistemlerini önemli ölçüde geliştirebilir; böylece bekleme sürelerini azaltmaya ve hizmet verimliliğini en üst düzeye çıkarmaya yardımcı olur. Etkili kuyruk izleme ve analizi için YOLO26'yı nasıl uygulayacağını öğrenmek üzere Kuyruk Yönetimi konulu ayrıntılı kılavuzumuzu izle.
Evet, Ultralytics YOLO26 antrenman rutinlerini gerçek zamanlı olarak izleyip analiz ederek antrenmanları etkili biçimde takip etmek için kullanılabilir. Bu, egzersiz formunun ve performansının hassas biçimde değerlendirilmesini sağlar. YOLO26 kullanarak yapay zekâ destekli bir antrenman takip sistemi kurmayı öğrenmek için Antrenman Takibi kılavuzumuzu incele.
Ultralytics YOLO26, belirli bir alandaki veri yoğunluğunu görselleştirmek ve hareketliliğin veya ilginin yüksek olduğu bölgeleri vurgulamak için ısı haritaları oluşturabilir. Bu özellik, çeşitli bilgisayarlı görü görevlerindeki örüntüleri ve eğilimleri anlamak için özellikle kullanışlıdır. Kapsamlı veri analizi ve görselleştirme için YOLO26 ile Isı Haritaları oluşturma ve kullanma hakkında daha fazla bilgi edin.