Ultralytics YOLO ile Nesne Tespiti#

Nesne tespiti, bir görüntü veya video akışındaki nesnelerin konumunu ve sınıfını belirlemeyi içeren bir görevdir.

Bir nesne dedektörünün çıktısı, görüntüdeki nesneleri çevreleyen bir dizi sınırlayıcı kutu ile birlikte her kutu için sınıf etiketleri ve güven puanlarıdır. Nesne algılama, bir sahnede ilgilendiğin nesneleri tanımlaman gerektiğinde, ancak nesnenin tam olarak nerede olduğunu veya kesin şeklini bilmene gerek olmadığında iyi bir seçimdir.

Modeller#

YOLO26 ön eğitilmiş Detect modelleri burada gösterilmektedir. Detect, Segment ve Pose modelleri COCO veri kümesi üzerinde, Semantic modelleri Cityscapes üzerinde ve Classify modelleri ImageNet veri kümesi üzerinde ön eğitilmiştir.

Models, ilk kullanımda en son Ultralytics release sürümünden otomatik olarak indirilir.

• mAP^val değerleri COCO val2017 veri kümesinde tek model ve tek ölçek içindir.
  Şununla yeniden üretin: yolo val detect data=coco.yaml device=0
• Speed, bir Amazon EC2 P4d örneği kullanılarak COCO val görüntüleri üzerinden ortalama olarak hesaplanmıştır.
  Şu komutla yeniden üretebilirsin: yolo val detect data=coco.yaml batch=1 device=0|cpu
• Params ve FLOPs değerleri, Conv ve BatchNorm katmanlarını birleştiren ve uçtan uca modeller için yardımcı bire çok algılama başlığını kaldıran model.fuse() sonrasındaki birleştirilmiş model içindir. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

Eğit (Train)#

YOLO26n modelini COCO8 veri kümesi üzerinde 640 görüntü boyutunda 100 epoch boyunca eğit. Mevcut argümanların tam listesi için Configuration sayfasına bak.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Tam train modu detaylarını Train sayfasında gör. Algılama modelleri ayrıca Ultralytics Platform cloud training ile eğitilebilir.

Veri kümesi biçimi#

YOLO algılama veri kümesi formatı hakkında ayrıntılı bilgi Dataset Guide içinde bulunabilir. Mevcut veri kümeni diğer formatlardan (COCO vb.) YOLO formatına dönüştürmek için lütfen Ultralytics tarafından sunulan JSON2YOLO aracını kullan. Ayrıca algılama veri kümelerini Ultralytics Platform's AI-assisted annotation tools ile etiketleyebilir ve yönetebilirsin.

Doğrula (Val)#

Eitilmiş YOLO26n model accuracy değerini COCO8 veri kümesi üzerinde doğrula. model, eğitim data verilerini ve argümanlarını model öznitelikleri olarak koruduğu için herhangi bir argümana gerek yoktur.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Tahmin Et (Predict)#

Görüntüler üzerinde tahminler çalıştırmak için eğitilmiş bir YOLO26n modeli kullan.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xywh = result.boxes.xywh  # center-x, center-y, width, height
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # top-left-x, top-left-y, bottom-right-x, bottom-right-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # class name of each box
    confs = result.boxes.conf  # confidence score of each box

Tam predict modu ayrıntılarını Tahmin sayfasında görün.

Sonuç Çıktısı#

Nesne tespiti, görüntü başına bir Results nesnesi döndürür. Birincil tahmin alanı, algılanan her nesne için kutu koordinatlarını, sınıf kimliklerini ve güven skorlarını içeren result.boxes alanıdır.

Her görev genelinde göreve özgü Results alanları için Göreve Göre Tahmin Sonuçları bölümüne bakın.

Dışa Aktar (Export)#

Bir YOLO26n modelini ONNX, CoreML vb. gibi farklı bir formata dışa aktar.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

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

Mevcut YOLO26 dışa aktarma formatları aşağıdaki tabloda yer almaktadır. format argümanını, yani format='onnx' veya format='engine' kullanarak herhangi bir forma dışa aktarabilirsin. Dışa aktarılan modeller üzerinde doğrudan tahmin veya doğrulama yapabilirsin, yani yolo predict model=yolo26n.onnx. Kullanım örnekleri dışa aktarma tamamlandıktan sonra modelin için gösterilir.

Tam export ayrıntılarını Dışa Aktar sayfasında görün.

SSS#