Link to this sectionNesne Algılama#

Nesne algılama, 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.

Link to this sectionModeller#

YOLO26 önceden eğitilmiş Detect modelleri burada gösterilmektedir. Detect, Segment ve Pose modelleri COCO veri kümesi üzerinde, Semantic modeller 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.
  Bunu yolo val detect data=coco.yaml device=0 ile yeniden üretebilirsin.
• Hız, bir Amazon EC2 P4d örneği kullanılarak COCO val görüntüleri üzerinde ortalaması alınmıştır.
  Bunu yolo val detect data=coco.yaml batch=1 device=0|cpu ile yeniden üretebilirsin.
• Params (Parametreler) ve FLOPs değerleri, Conv ve BatchNorm katmanlarını birleştiren ve uçtan uca modeller için yardımcı bire-çok tespit başlığını kaldıran model.fuse() işleminden sonraki birleştirilmiş model içindir. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

Link to this sectionEğit (Train)#

YOLO26n modelini COCO8 veri kümesinde 640 görüntü boyutunda 100 epoch boyunca eğit. Mevcut 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)

train modu ile ilgili tüm detaylar için Train sayfasına göz at. Algılama modelleri ayrıca Ultralytics Platform aracılığıyla bulut GPU'larında eğitilebilir.

Link to this sectionVeri kümesi biçimi#

YOLO algılama veri kümesi formatı Veri Kümesi Kılavuzu bölümünde ayrıntılı olarak bulunabilir. Mevcut veri kümeni diğer formatlardan (COCO vb.) YOLO formatına dönüştürmek için lütfen Ultralytics tarafından sağlanan JSON2YOLO aracını kullan. Ayrıca, AI destekli etiketleme araçlarıyla doğrudan Ultralytics Platform üzerinde algılama veri kümelerini etiketleyebilir ve yönetebilirsin.

Link to this sectionDoğrula (Val)#

Eğitilmiş YOLO26n modelinin doğruluğunu COCO8 veri kümesi üzerinde doğrula. model, eğitim datasını 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 (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

Tüm predict modu ayrıntılarını Tahmin (Predict) sayfasında görebilirsin.

Link to this sectionSonuç Çıktısı#

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

Her görev için göreve özel Results alanlarını görmek istersen, Göreve Göre Tahmin Sonuçları bölümüne bak.

Link to this sectionDışa 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 verilmiştir. format argümanını kullanarak, yani format='onnx' veya format='engine' şeklinde, istediğin formata dışa aktarabilirsin. Dışa aktarılan modeller üzerinde doğrudan tahmin veya doğrulama yapabilirsin, örneğin: yolo predict model=yolo26n.onnx. Dışa aktarma tamamlandıktan sonra kullanım örnekleri modelin için gösterilecektir.

Tüm export ayrıntılarını Export sayfasında bulabilirsin.

Link to this sectionSSS#

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

Evet. Ultralytics Platform, veri kümelerini etiketlemek, bulut GPU'larında algılama modelleri eğitmek ve bunları çıkarım uç noktalarına dağıtmak için tarayıcı tabanlı bir iş akışı sağlar. Başlamak için Platform hızlı başlangıç sayfasına bak.

Link to this sectionKendi özel veri kümemde bir YOLO26 modelini nasıl eğitirim?#

Özel bir veri kümesinde bir YOLO26 modelini eğitmek birkaç adım içerir:

1. Veri Kümesini Hazırla: Veri kümenin YOLO formatında olduğundan emin ol. Rehberlik için Veri Kümesi Kılavuzu bölümümüze başvur.
2. Modeli Yükle: Önceden eğitilmiş bir modeli 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)

Ayrıntılı yapılandırma seçenekleri için Yapılandırma sayfasını ziyaret et.

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

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

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

Ayrıntılı bir liste ve performans metrikleri için Modeller bölümüne başvur.

Link to this sectionEğitilmiş YOLO modelimin doğruluğunu nasıl doğrulayabilirim?#

Eğitilmiş 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 ayrıntısı için Val sayfasını ziyaret et.

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

Ultralytics YOLO26, farklı platformlar ve cihazlar genelinde uyumluluğu sağlamak için modelleri ONNX, TensorRT, CoreML ve daha fazlası gibi çeşitli formatlara dışa aktarmana olanak tanır.

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 sectionNesne algılama için neden Ultralytics YOLO26 kullanmalıyım?#

Ultralytics YOLO26; nesne algılama, örnek bölümleme, anlamsal bölümleme ve poz kestirimi 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 kümeleri üzerinde önceden eğitilmiş modelleri kullan.
2. Yüksek Doğruluk: Etkileyici mAP skorlarına ulaşarak güvenilir nesne algılama sağlar.
3. Hız: Gerçek zamanlı çıkarım için optimize edilmiştir, bu da onu hızlı işleme gerektiren uygulamalar için ideal kılar.
4. Esneklik: Modelleri birden fazla platformda dağıtmak için ONNX ve TensorRT gibi çeşitli formatlara dışa aktar.

YOLO26'nın iş başında olduğu kullanım örnekleri ve başarı hikayeleri için Blog sayfamızı keşfet.