Nesne Algılama

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

Bir nesne algılayıcının çıktısı, her kutu için sınıf etiketleri ve güven puanlarıyla birlikte görüntüdeki nesneleri çevreleyen bir dizi sınırlayıcı kutudur. Nesne algılama, bir sahnedeki ilgi çekici nesneleri tanımlamanız gerektiğinde, ancak nesnenin tam olarak nerede olduğunu veya tam şeklini bilmeniz gerekmediğinde iyi bir seçimdir.

İzle: Önceden Eğitilmiş Ultralytics YOLOv8 Modeli ile Nesne Algılama.

Modeller

YOLOv8 ön eğitimli Detect modelleri burada gösterilmektedir. Detect, Segment ve Pose modelleri COCO veri kümesi üzerinde, Classify modelleri ise ImageNet veri kümesi üzerinde ön eğitime tabi tutulmuştur.

Modeller ilk kullanımda en son Ultralytics sürümünden otomatik olarak indirilir.

• ^mAPval değerleri tek model tek ölçek içindir. COCO val2017 veri kümesi.
  Tarafından çoğaltın yolo val detect data=coco.yaml device=0
• Hız kullanılarak COCO val görüntüleri üzerinde ortalaması alınmıştır. Amazon EC2 P4d örnek.
  Tarafından çoğaltın yolo val detect data=coco8.yaml batch=1 device=0|cpu

Tren

YOLOv8n adresini 640 görüntü boyutunda 100 epok için COCO8 veri kümesi üzerinde eğitin. Kullanılabilir argümanların tam listesi için Yapılandırma sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from YAML
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n.yaml").load("yolov8n.pt")  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

Veri kümesi formatı

YOLO algılama veri kümesi formatı Veri Kümesi Kılavuzunda ayrıntılı olarak bulunabilir. Mevcut veri setinizi diğer formatlardan (COCO vb.) YOLO formatına dönüştürmek için lütfen Ultralytics adresindeki JSON2YOLO aracını kullanın.

Val

COCO8 veri kümesi üzerinde eğitilmiş YOLOv8n model doğruluğunu doğrulayın. Herhangi bir argüman geçilmesine gerek yoktur. model eğitimini sürdürür data ve model öznitelikleri olarak argümanlar.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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 contains map50-95 of each category

yolo detect val model=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Tahmin Et

Görüntüler üzerinde tahminler yürütmek için eğitilmiş bir YOLOv8n modeli kullanın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

Tamamı görün predict modunun ayrıntıları Tahmin Et Sayfa.

İhracat

Bir YOLOv8n modelini ONNX, CoreML, vb. gibi farklı bir formata aktarın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

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

yolo export model=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Mevcut YOLOv8 dışa aktarma formatları aşağıdaki tabloda yer almaktadır. kullanarak herhangi bir formata dışa aktarabilirsiniz. format argümanı, yani format='onnx' veya format='engine'. Doğrudan dışa aktarılan modeller üzerinde tahmin veya doğrulama yapabilirsiniz, örn. yolo predict model=yolov8n.onnx. Dışa aktarma tamamlandıktan sonra modeliniz için kullanım örnekleri gösterilir.

Tamamı görün export detaylar İhracat Sayfa.

SSS

Özel veri kümem üzerinde bir YOLOv8 modelini nasıl eğitebilirim?

Özel bir veri kümesi üzerinde bir YOLOv8 modelinin eğitilmesi birkaç adımdan oluşur:

1. Veri Kümesini Hazırlayın: Veri setinizin YOLO formatında olduğundan emin olun. Rehberlik için Veri Kümesi Kılavuzumuza bakın.
2. Modeli Yükleyin: Önceden eğitilmiş bir modeli yüklemek veya bir YAML dosyasından yeni bir model oluşturmak için Ultralytics YOLO kütüphanesini kullanın.
3. Modeli Eğitin: Yürütmek train yöntemini Python adresinde veya yolo detect train komutunu CLI adresinde bulabilirsiniz.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov8n.pt")

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

yolo detect train data=my_custom_dataset.yaml model=yolov8n.pt epochs=100 imgsz=640

Ayrıntılı yapılandırma seçenekleri için Yapılandırma sayfasını ziyaret edin.

YOLOv8 adresinde hangi ön eğitimli modeller mevcuttur?

Ultralytics YOLOv8 nesne algılama, segmentasyon ve poz tahmini için çeşitli ön eğitimli modeller sunar. Bu modeller, sınıflandırma görevleri için COCO veri kümesi veya ImageNet üzerinde önceden eğitilmiştir. İşte mevcut modellerden bazıları:

• YOLOv8n
• YOLOv8s
• YOLOv8m
• YOLOv8l
• YOLOv8x

Ayrıntılı bir liste ve performans ölçümleri için Modeller bölümüne bakın.

Eğitilmiş YOLOv8 modelimin doğruluğunu nasıl teyit edebilirim?

Eğittiğiniz YOLOv8 modelinin doğruluğunu onaylamak için .val() yöntemini Python adresinde veya yolo detect val komutunu CLI adresinde bulabilirsiniz. Bu, mAP50-95, mAP50 ve daha fazlası gibi ölçümler 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

yolo detect val model=path/to/best.pt

Daha fazla doğrulama detayı için Val sayfasını ziyaret edin.

Bir YOLOv8 modelini hangi formatlarda dışa aktarabilirim?

Ultralytics YOLOv8 farklı platformlar ve cihazlar arasında uyumluluk sağlamak için modelleri ONNX, TensorRT, CoreML ve daha fazlası gibi çeşitli formatlara aktarmaya olanak tanır.

from ultralytics import YOLO

# Load the model
model = YOLO("yolov8n.pt")

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

yolo export model=yolov8n.pt format=onnx

Desteklenen formatların tam listesini ve talimatları Dışa Aktar sayfasından kontrol edin.

Nesne algılama için neden Ultralytics YOLOv8 adresini kullanmalıyım?

Ultralytics YOLOv8 nesne algılama, segmentasyon ve poz tahmini için son teknoloji performans sunmak üzere tasarlanmıştır. İşte bazı önemli avantajlar:

1. Önceden Eğitilmiş Modeller: Daha hızlı geliştirme için COCO ve ImageNet gibi popüler veri kümeleri üzerinde önceden eğitilmiş modelleri kullanın.
2. Yüksek Doğruluk: Etkileyici mAP skorları elde ederek güvenilir nesne tespiti sağlar.
3. Hız: Gerçek zamanlı çıkarım için optimize edilmiştir ve hızlı işlem gerektiren uygulamalar için idealdir.
4. Esneklik: Modelleri ONNX ve TensorRT gibi çeşitli formatlara aktararak birden fazla platforma dağıtabilirsiniz.

YOLOv8 'u iş başında gösteren kullanım örnekleri ve başarı hikayeleri için Blogumuzu keşfedin.

Yorumlar