Link to this sectionNesne Tespiti#

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

Bir nesne dedektörünün çıktısı, görüntüdeki nesneleri çevreleyen sınırlayıcı kutuların (bounding boxes) yanı sıra her kutu için sınıf etiketleri ve güven puanlarından oluşan bir kümedir. Nesne tespiti, bir sahnedeki ilgilendiğin nesneleri tanımlaman gerektiğinde, ancak nesnenin tam olarak nerede olduğunu veya kesin şeklini bilmene ihtiyaç duymadığında iyi bir seçimdir.

Link to this sectionModeller#

YOLO26 önceden eğitilmiş Detect modelleri burada gösterilmiştir. Detect, Segment ve Pose modelleri COCO veri kümesinde, Semantic modeller Cityscapes veri kümesinde ve Classify modeller ImageNet veri kümesinde önceden eğitilmiştir.

Modeller, ilk kullanımda en son Ultralytics sürümünden otomatik olarak indirilir.

• mAP^val değerleri COCO val2017 veri kümesi üzerinde tek model ve tek ölçek içindir.
  yolo val detect data=coco.yaml device=0 komutuyla yeniden oluşturabilirsin.
• Hız değerleri, bir Amazon EC2 P4d örneği kullanılarak COCO val görüntüleri üzerinden ortalama olarak hesaplanmıştır.
  yolo val detect data=coco.yaml batch=1 device=0|cpu komutuyla yeniden oluşturabilirsin.
• Params ve FLOPs değerleri, Conv ve BatchNorm katmanlarını birleştiren ve uçtan uca modeller için yardımcı bire çok (one-to-many) tespit başlığını kaldıran model.fuse() sonrasındaki birleştirilmiş model içindir. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

Link to this sectionEğit#

YOLO26n modelini COCO8 veri kümesi üzerinde 640 görüntü boyutunda 100 epoch boyunca eğit. Mevcut tüm argümanların tam listesi için Yapılandırma 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 ayrıntılarını Eğitim sayfasında bulabilirsin. Tespit modelleri ayrıca Ultralytics Platform aracılığıyla bulut GPU'larında eğitilebilir.

Link to this sectionVeri kümesi formatı#

YOLO tespit veri kümesi formatı ile ilgili ayrıntılar Veri Kümesi Kılavuzu sayfasında bulunabilir. Mevcut veri kümeni diğer formatlardan (COCO vb.) YOLO formatına dönüştürmek için lütfen Ultralytics tarafından sağlanan JSON2YOLO aracını kullan. Ayrıca, AI destekli etiketleme araçlarıyla Ultralytics Platform üzerinden doğrudan tespit veri kümelerini etiketleyebilir ve yönetebilirsin.

Link to this sectionDoğrula#

Eğitilmiş bir YOLO26n modelinin COCO8 veri kümesi üzerindeki doğruluğunu doğrula. model, eğitim data'sını ve argümanlarını model nitelikleri 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

Link to this sectionTahmin Et#

Görüntüler üzerinde tahmin yürütmek 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 bulabilirsin.

Link to this sectionSonuç Çıktısı#

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

Her görevdeki göreve özel Results alanları için Göreve Göre Tahmin Sonuçları bölümüne bak.

Link to this sectionDışa Aktar#

Bir YOLO26n modelini ONNX, CoreML 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 kullanarak, yani format='onnx' veya format='engine' gibi, herhangi bir formata dışa aktarabilirsin. Dışa aktarılan modeller üzerinde doğrudan tahmin yapabilir veya doğrulayabilirsin, yani yolo predict model=yolo26n.onnx gibi. Kullanım örnekleri, dışa aktarma tamamlandıktan sonra modelin için gösterilir.

Tam export detaylarını Export sayfasında görebilirsin.

Link to this sectionSSS#

Link to this sectionKod yazmadan tespit modellerini eğitebilir ve dağıtabilir miyim?#

Evet. Ultralytics Platform, veri setlerini etiketlemek, bulut GPU'larında tespit modelleri eğitmek ve bunları çıkarım uç noktalarına dağıtmak için tarayıcı tabanlı bir iş akışı sunar. Başlamak için Platform hızlı başlangıç kılavuzuna göz at.

Link to this sectionKendi veri setimde nasıl YOLO26 modeli eğitebilirim?#

Kendi veri setinde bir YOLO26 modeli eğitmek birkaç adımdan oluşur:

1. Veri Setini Hazırla: Veri setinin YOLO formatında olduğundan emin ol. Rehberlik için Veri Seti Kılavuzumuza bakabilirsin.
2. Modeli Yükle: Önceden eğitilmiş bir model yüklemek veya bir YAML dosyasından yeni bir model oluşturmak için Ultralytics YOLO kütüphanesini kullan.
3. Modeli Eğit: Python'da train metodunu veya CLI'da yolo detect train komutunu çalıştır.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

Detaylı yapılandırma seçenekleri için Yapılandırma sayfasını ziyaret et.

Link to this sectionYOLO26'da hangi önceden eğitilmiş modeller mevcut?#

Ultralytics YOLO26, nesne tespiti, örnek bölümleme, anlamsal bölümleme ve poz tahmini için çeşitli önceden eğitilmiş modeller sunar. Bu modeller COCO veri seti, anlamsal bölümleme için Cityscapes veya sınıflandırma görevleri için ImageNet üzerinde önceden eğitilmiştir. İşte mevcut modellerden bazıları:

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

Detaylı bir liste ve performans metrikleri için Modeller bölümüne bak.

Link to this sectionEğittiğim YOLO modelinin doğruluğunu nasıl doğrulayabilirim?#

Eğittiğin YOLO26 modelinin doğruluğunu doğrulamak için Python'da .val() metodunu veya CLI'da yolo detect val komutunu kullanabilirsin. Bu, mAP50-95, mAP50 ve daha fazlası gibi metrikleri sağlayacaktır.

from ultralytics import YOLO

# Load the model
model = YOLO("path/to/best.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # mAP50-95

Daha fazla doğrulama detayı için Val sayfasını ziyaret et.

Link to this sectionBir YOLO26 modelini hangi formatlara dışa aktarabilirim?#

Ultralytics YOLO26, farklı platform ve cihazlarda uyumluluğu sağlamak için modelleri ONNX, TensorRT, CoreML ve daha fazlası gibi çeşitli formatlara dışa aktarmaya izin verir.

from ultralytics import YOLO

# Load the model
model = YOLO("yolo26n.pt")

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

Desteklenen formatların tam listesini ve talimatları Dışa Aktarma sayfasında kontrol et.

Link to this sectionNeden nesne tespiti için Ultralytics YOLO26 kullanmalıyım?#

Ultralytics YOLO26, nesne tespiti, örnek bölümleme, anlamsal bölümleme ve poz tahmini için en son teknoloji performans sunacak şekilde tasarlanmıştır. İşte bazı temel avantajlar:

1. Önceden Eğitilmiş Modeller: Daha hızlı geliştirme için COCO ve ImageNet gibi popüler veri setlerinde önceden eğitilmiş modellerden yararlan.
2. Yüksek Doğruluk: Etkileyici mAP skorlarına ulaşarak güvenilir nesne tespiti sağlar.
3. Hız: Gerçek zamanlı çıkarım için optimize edilmiştir, bu da onu hızlı işlem gerektiren uygulamalar için ideal kılar.
4. Esneklik: Birçok platformda dağıtım için modelleri ONNX ve TensorRT gibi çeşitli formatlara dışa aktar.

YOLO26'nın kullanımda olduğu örnekler ve başarı hikayeleri için Blog sayfamıza göz at.