Ultralytics YOLO ile Nesne Algılama#

Nesne algılama, bir görüntüdeki veya video akışındaki nesnelerin konumunu ve sınıfını belirlemeyi içeren bir görevdir.

Bir nesne algılayıcının çıktısı, görüntüdeki nesneleri çevreleyen sınırlayıcı kutuların yanı sıra her kutu için sınıf etiketleri ve güven skorlarından oluşur. Nesne algılama, bir sahnedeki ilgili nesneleri belirlemen gerektiğinde, ancak nesnenin tam olarak nerede olduğunu veya kesin şeklini bilmen gerekmediğinde iyi bir tercihtir.

Modeller#

YOLO26 önceden 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 önceden eğitilmiştir.

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

• mAP^val değerleri, COCO val2017 veri kümesi üzerinde tek model ve tek ölçek içindir.
  Yeniden üretmek için yolo val detect data=coco.yaml device=0 kullan. uçtan uca (e2e) sütununu yeniden üretmek için nms=False ekle.
• Hız, bir Amazon EC2 P4d örneği kullanılarak COCO val görüntüleri üzerinde ortalanmıştır.
  yolo val detect data=coco.yaml batch=1 device=0|cpu nms=False ile yeniden üretin
• Parametreler ve FLOP değerleri, Conv/BatchNorm katlama işlemi ve kullanılmayan algılama dalının kaldırılmasından sonraki birleştirilmiş modeller içindir. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

COCO nesne tespiti ön sonuçları için yayınlanmamış YOLO27 önizlemesine göz at.

Eğit#

COCO8 veri kümesinde YOLO26n modelini, görüntü boyutu 640 olacak şekilde 100 epoch boyunca eğitin. Kullanılabilir bağımsız değişkenlerin tam listesi için Yapılandırma sayfasına bakın.

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 Train sayfasında görebilirsin. Algılama modelleri Ultralytics Platform bulut eğitimi ile de eğitilebilir.

Veri kümesi biçimi#

YOLO nesne tespiti veri seti formatını Dataset Guide içinde ayrıntılı olarak bulabilirsin. Mevcut bir COCO JSON veri setini YOLO formatına dönüştürmek için COCO to YOLO guide içinde açıklanan yerleşik convert_coco fonksiyonunu kullanabilirsin. Ayrıca Ultralytics Platform's AI-assisted annotation tools ile nesne tespiti veri setlerini etiketleyebilir ve yönetebilirsin.

Doğrulama#

Eğitilmiş YOLO26n modelinin COCO8 veri kümesindeki doğruluğunu doğrula. model, eğitim data değerini ve bağımsız değişkenleri model öznitelikleri olarak koruduğundan herhangi bir bağımsız değişken gerekmez.

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#

Görüntüler üzerinde tahminler yapmak 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

predict modunun tüm ayrıntıları için Tahmin sayfasına bak.

Sonuç çıktısı#

Nesne algılama, 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 görevdeki göreve özgü Results alanlarının tamamı için Göreve Göre Tahmin Sonuçları bölümüne bak.

Dışa aktarma#

Bir YOLO26n modelini ONNX, CoreML vb. farklı bir biçime 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")

Kullanılabilir YOLO26 aktarım biçimleri aşağıdaki tabloda yer almaktadır. format bağımsız değişkenini kullanarak herhangi bir biçime aktarabilirsin; örneğin format='onnx' veya format='engine'. Dışa aktarılan modeller üzerinde doğrudan tahmin yapabilir veya doğrulama gerçekleştirebilirsin; örneğin yolo predict model=yolo26n.onnx. Kullanım örnekleri, aktarım tamamlandıktan sonra modelin için gösterilir.

nms=None, harici NMS için varsayılan olarak ham çıktıları kullanır. Mevcut bir NMS'siz başlığı seçmek için nms=False değerini ayarla; desteklenmeyen formatlar yerel çıktı yollarına geri döner. Yukarıdaki nms girdileri, NMS'yi nms=True ile gömebilen formatları tanımlar.

Ayrıntıların tamamı için Dışa aktarma sayfasındaki export bilgilerine bak.

SSS#