Başla

Ultralytics YOLO26 Tarafından Desteklenen Bilgisayarlı Görü Görevleri

Ultralytics YOLO supported computer vision tasks

Ultralytics YOLO26 birden fazla bilgisayarlı görü görevini destekler: algılama, segmentasyon, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve OBB. Her görevin farklı bir amacı ve kullanım alanı vardır; böylece tek bir çerçeveyle çeşitli bilgisayarlı görü sorunlarını çözebilirsin.

YOLO27 desteği planlanıyor; bilgi için YOLO27 önizlemesine bak. YOLO27 yakında çıkacak ve henüz kullanıma sunulmadı; bu kılavuzda yayımlanmış YOLO26 modelleri kullanılıyor.



İzle: Ultralytics YOLO26 Görevlerini Keşfet: Nesne Algılama, Örnek Segmentasyonu, Anlamsal Segmentasyon, Derinlik Tahmini, Sınıflandırma, Poz Tahmini ve OBB.

Algılama#

Nesne algılama, YOLO26'nın desteklediği temel görevdir. Bir görüntüdeki veya video karesindeki nesneleri belirlemeyi ve çevrelerine sınırlayıcı kutular çizmeyi içerir. Algılanan nesneler, özelliklerine göre farklı kategorilere ayrılır. YOLO26, tek bir görüntüde veya video karesinde birden fazla nesneyi gözetim sistemleri ve otonom araçlar gibi gerçek zamanlı uygulamalara yetecek hızda algılar.

Tespit Örnekleri

Örnek Segmentasyonu#

Örnek segmentasyonu, her nesne için piksel düzeyinde maskeler oluşturarak nesne algılamayı bir adım ileri taşır. Bu hassasiyet; tıbbi görüntüleme, tarımsal analiz ve üretimde kalite kontrolü gibi uygulamalarda kullanışlıdır.

Segmentasyon Örnekleri

Anlamsal Segmentasyon#

Anlamsal segmentasyon, bir görüntüdeki her piksele sınıf etiketi atayarak tüm sahneyi kapsayan yoğun bir sınıf haritası oluşturur. Örnek segmentasyonundan farklı olarak aynı sınıftaki tek tek nesneleri birbirinden ayırmaz. Bu nedenle, tek tek nesneleri belirlemekten çok tüm mekânsal düzeni anlamanın önemli olduğu otonom sürüş, sahne ayrıştırma ve arazi örtüsü haritalama için uygundur.

Anlamsal Segmentasyon Örnekleri

Derinlik Tahmini#

Monoküler derinlik tahmini, tek bir RGB görüntüsünden metre cinsinden piksel başına derinlik haritası tahmin eder. Çıktı, giriş görüntüsüyle hizalanmış yoğun bir kayan noktalı haritadır; bu da onu tek bir kameradan mekânsal düzenin çıkarılması gereken 3B sahne yeniden yapılandırma, robot navigasyonu ve AR/VR uygulamaları için uygun kılar.

Derinlik Tahmini Örnekleri

Sınıflandırma#

Görüntü sınıflandırma, görüntülerin içeriğine göre bütün olarak kategorilere ayrılmasını içerir. Bu görev; e-ticarette ürün sınıflandırması, içerik denetimi ve vahşi yaşamı izleme gibi uygulamalarda kullanışlıdır.

Sınıflandırma Örnekleri

Poz Tahmini#

Poz tahmini, hareketleri izlemek veya pozları tahmin etmek için görüntülerdeki ya da video karelerindeki belirli kilit noktaları algılar. Bu noktalar insan eklemlerini, yüz özelliklerini veya ilgi çekici diğer önemli noktaları temsil edebilir. YOLO26 poz modelleri kilit noktaları gerçek zamanlı algılar; bu özellik onları fitness uygulamaları, spor analitiği ve insan-bilgisayar etkileşimi için kullanışlı kılar.

Poz Örnekleri

OBB#

Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılama, döndürülmüş nesnelerin konumunu daha iyi belirlemek için geleneksel nesne algılamaya yön açısı ekler. Bu özellik; nesnelerin farklı açılarda göründüğü hava görüntüsü analizi, belge işleme ve endüstriyel uygulamalar için özellikle değerlidir. YOLO26 OBB modelleri, DOTAv1 hava görüntüsü veri kümesiyle önceden eğitilmiştir.

OBB Örnekleri

Sırada ne var?#

Bir görev seçtin mi? Verilerini Veri Kümeleri kılavuzuyla bu göreve uygun biçimde düzenle, ardından kendi görüntülerinle eğitim yap.

Sık Sorulan Sorular#

  • Ultralytics YOLO26 aşağıdaki bilgisayarlı görü görevlerini destekler:

    • Nesne Tespiti: Görüntülerdeki veya video karelerindeki nesneleri, çevrelerine sınırlayıcı kutular çizerek tanımlama ve konumlandırma.
    • Örnek Segmentasyonu: Tespit edilen her nesne için, tıbbi görüntüleme gibi uygulamalarda kullanışlı olan piksel düzeyinde bir maske oluşturma.
    • Anlamsal Segmentasyon: Yoğun sahne analizi için görüntüdeki her piksele bir sınıf etiketi atama.
    • Derinlik Tahmini: Tek bir RGB görüntüsünden piksel başına derinlik haritasını metre cinsinden tahmin etme.
    • Sınıflandırma: Görüntülerin tamamını içeriklerine göre kategorilere ayırma.
    • Poz Tahmini: Hareketleri veya pozları izlemek için görüntü ya da video karesindeki belirli kilit noktaları tespit etme.
    • Yönlendirilmiş Nesne Tespiti (OBB): Daha yüksek doğruluk için ek bir yönelim açısıyla döndürülmüş nesneleri tespit etme.
  • Ultralytics YOLO26'yı nesne tespiti için kullanmak üzere şu adımları izle:

    1. Veri kümeni uygun biçimde hazırla.
    2. YOLO26 modelini tespit göreviyle eğit.
    3. Yeni görüntüleri veya video karelerini modele vererek tahminler yap.
    Örnek
    from ultralytics import YOLO
    
    # Önceden eğitilmiş bir YOLO modeli yükle (gerektiğinde model türünü ayarla)
    model = YOLO("yolo26n.pt")  # n, s, m, l, x sürümleri mevcut
    
    # Bir görüntüde nesne algılama yap
    results = model.predict(source="image.jpg")  # Video, dizin, URL vb. de kullanılabilir
    
    # Sonuçları görüntüle
    results[0].show()  # İlk görüntünün sonuçlarını göster

    Daha ayrıntılı yönergeler için tespit örneklerimize göz at.

  • YOLO26'yı segmentasyon görevlerinde kullanmak çeşitli avantajlar sağlar:

    1. Yüksek Doğruluk: Segmentasyon görevi, piksel düzeyinde hassas maskeler sağlar.
    2. Hız: YOLO26, gerçek zamanlı uygulamalar için optimize edilmiştir ve yüksek çözünürlüklü görüntülerde bile hızlı işleme sunar.
    3. Çok Sayıda Uygulama: Tıbbi görüntüleme, otonom sürüş ve ayrıntılı görüntü segmentasyonu gerektiren diğer uygulamalar için idealdir.

    YOLO26'nın segmentasyon alanındaki avantajları ve kullanım örnekleri hakkında görüntü segmentasyonu bölümünden daha fazla bilgi edin.

  • Evet. YOLO26 poz modelleri, insan eklemleri gibi kilit noktaları görüntülerde ve video karelerinde algılar ve bunları birleştirerek pozları oluşturur. Bu özellik, spor analitiği, sağlık hizmetleri ve insan-bilgisayar etkileşimi uygulamalarında hareketleri izlemek için kullanışlıdır.

    Daha fazla ayrıntı ve uygulama ipucu için poz tahmini örneklerimizi ziyaret et.

  • YOLO26 ile Yönlendirilmiş Nesne Algılama (OBB), her kutu için ek bir açı parametresi tahmin eder; böylece döndürülmüş nesnelerin konumu eksenlere hizalı kutulara kıyasla daha hassas belirlenir. Bu özellik, hava görüntüsü analizi ve depo otomasyonu gibi döndürülmüş nesnelerin konumunun hassas biçimde belirlenmesini gerektiren uygulamalarda yararlıdır.

    • Daha Sıkı Kutular: Döndürülmüş kutular daha az arka plan içerir; bu da yoğun biçimde kümelenmiş veya açılı nesneleri ayırmaya yardımcı olur.
    • Çok Yönlü Uygulamalar: Jeo-uzamsal analiz, robotik vb. görevlerde kullanışlıdır.

    Daha fazla ayrıntı ve örnek için Yönlendirilmiş Nesne Tespiti bölümüne göz at.

Yorumlar15

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. adhinajayGitHub

    I quantized a YOLOv8 model. Now I want to fine tune it, so how can I convert the ONNX file back to a .pt file?

  2. DukeZachariaGitHub

    Yes, you can utilize Explainable AI (XAI) with YOLOv9 or YOLOv11,

    even though these versions are unofficial or experimental extensions beyond YOLOv8.

    YOLO is fundamentally a convolutional neural network (CNN),

    which means that many XAI techniques applicable to CNNs or object detection models can be adapted for use with these versions.

    On Thu, 12 Jun 2025 at 17:27, Md Saimul Haque Shanto < @.***> wrote:

    Can I use XAI with YOLOv11 or YOLOv9 ? If so, how can I apply it to an object detection task?

    — Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/16241#discussioncomment-13443327, or unsubscribe https://github.com/notifications/unsubscribe-auth/AGZSZVZYSGD2CDV75M5O7KD3DE2XNAVCNFSM6AAAAABOCSRMJGVHI2DSMVQWIX3LMV43URDJONRXK43TNFXW4Q3PNVWWK3TUHMYTGNBUGMZTENY . You are receiving this because you were mentioned.Message ID: @.*** com>

  3. Saimul-ShantoGitHub

    Can I use XAI with YOLOv11 or YOLOv9 ? If so, how can I apply it to an object detection task?

  4. AashishThakur1321GitHub

    how can I provide different object ids in videos to same types of objects like there are 5 persons in a video frame, then how to provide different ids to these persons such that it tracks these objects with same id throughout the videos

    1. Glenn JocherUltralytics(düzenlendi)

      @AashishThakur1321 to track multiple persons with unique IDs in videos using YOLO, utilize the built-in tracking mode with tracker=botsort.yaml or tracker=bytetrack.yaml configuration. Example CLI command:
      yolo track model=yolo26n.pt source=video.mp4
      This automatically assigns unique IDs to each person and maintains them across frames. For customization, see our tracking documentation.

    1. Glenn JocherUltralytics

      @DukeZacharia good afternoon! YOLO can be used for real-time human action detection through pose estimation. For more details, please explore the pose estimation section in the Ultralytics documentation.

      1
  5. NasserAlqeifiGitHub

    Hi there! Could anyone point me to the papers for YOLOv8 and YOLOv11 Instance Segmentation? Thank you!

    1. Glenn JocherUltralytics(düzenlendi)

      @NasserAlqeifi hello! Ultralytics has not published formal research papers for YOLOv8 and YOLO11. YOLO26 does have a paper, see the YOLO26 docs. For detailed information on segmentation, please refer to the Ultralytics documentation. If you have further questions, feel free to ask!

      1
    2. NasserAlqeifiGitHub

      Hi @glenn-jocher ,

      Thank you for the information! I'm a master's student currently using the YOLOv8 Instance Segmentation model for my thesis. I've also tried using YOLOv11 and noticed that the documentation mentions it utilizes a variant of the U-Net architecture for segmentation.

      I would love to know more about how segmentation and object detection work in YOLOv11, as well as the key differences between YOLOv8 and YOLOv11 in these tasks. Any additional insights would be greatly appreciated!

      Thank you!

    3. Glenn JocherUltralytics(düzenlendi)

      Thank you for your interest! Instance segmentation in YOLOv8 and YOLO11 is not based on U-Net. It uses the YOLO detection head with an additional prototype-mask branch that produces the masks. For more details, please refer to the segmentation docs; for new projects we recommend YOLO26.

    1. Glenn JocherUltralytics

      @hrbjoern thank you for your suggestion! We currently have tracking examples in our documentation. You can explore them for more insights on implementing tracking with YOLOv8.

    2. hrbjoernGitHub

      OK, thanks. I just figured that since it's mentioned in the beginning of the page (photo), it should also be explained ...