─░├žeri─če ge├ž

Nesne Alg─▒lama

Nesne alg─▒lama ├Ârnekleri

Nesne alg─▒lama, bir g├Âr├╝nt├╝ veya video ak─▒┼č─▒ndaki nesnelerin konumunu ve s─▒n─▒f─▒n─▒ tan─▒mlamay─▒ i├žeren bir g├Ârevdir.

Bir nesne alg─▒lay─▒c─▒n─▒n ├ž─▒kt─▒s─▒, her kutu i├žin s─▒n─▒f etiketleri ve g├╝ven puanlar─▒yla birlikte g├Âr├╝nt├╝deki nesneleri ├ževreleyen bir dizi s─▒n─▒rlay─▒c─▒ kutudur. Nesne alg─▒lama, bir sahnedeki ilgi ├žekici nesneleri tan─▒mlaman─▒z gerekti─činde, ancak nesnenin tam olarak nerede oldu─čunu veya tam ┼čeklini bilmeniz gerekmedi─činde iyi bir se├žimdir.



─░zle: ├ľnceden E─čitilmi┼č Ultralytics YOLOv8 Modeli ile Nesne Alg─▒lama.

─░pucu

YOLOv8 Tespit modelleri varsay─▒lan YOLOv8 modelleridir, yani yolov8n.pt ve ├Ânceden e─čitilmi┼č COCO.

Modeller

YOLOv8 ├Ân e─čitimli Detect modelleri burada g├Âsterilmektedir. Detect, Segment ve Pose modelleri COCO veri k├╝mesi ├╝zerinde, Classify modelleri ise ImageNet veri k├╝mesi ├╝zerinde ├Ân e─čitime tabi tutulmu┼čtur.

Modeller ilk kullan─▒mda en son Ultralytics s├╝r├╝m├╝nden otomatik olarak indirilir.

Model boyut
(piksel)
mAPval
50-95
H─▒z
CPU ONNX
(ms)
H─▒z
A100 TensorRT
(ms)
params
(M)
FLOP'lar
(B)
YOLOv8n 640 37.3 80.4 0.99 3.2 8.7
YOLOv8s 640 44.9 128.4 1.20 11.2 28.6
YOLOv8m 640 50.2 234.7 1.83 25.9 78.9
YOLOv8l 640 52.9 375.2 2.39 43.7 165.2
YOLOv8x 640 53.9 479.1 3.53 68.2 257.8
  • mAPval de─čerleri tek model tek ├Âl├žek i├žindir. COCO val2017 veri k├╝mesi.
    Taraf─▒ndan ├žo─čalt─▒n yolo val detect data=coco.yaml device=0
  • H─▒z kullan─▒larak COCO val g├Âr├╝nt├╝leri ├╝zerinde ortalamas─▒ al─▒nm─▒┼čt─▒r. Amazon EC2 P4d ├Ârnek.
    Taraf─▒ndan ├žo─čalt─▒n yolo val detect data=coco8.yaml batch=1 device=0|cpu

Tren

YOLOv8n adresini 640 g├Âr├╝nt├╝ boyutunda 100 epok i├žin COCO8 veri k├╝mesi ├╝zerinde e─čitin. Kullan─▒labilir arg├╝manlar─▒n tam listesi i├žin Yap─▒land─▒rma sayfas─▒na bak─▒n.

├ľrnek

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 k├╝mesi format─▒

YOLO alg─▒lama veri k├╝mesi format─▒ Veri K├╝mesi K─▒lavuzunda ayr─▒nt─▒l─▒ olarak bulunabilir. Mevcut veri setinizi di─čer formatlardan (COCO vb.) YOLO format─▒na d├Ân├╝┼čt├╝rmek i├žin l├╝tfen Ultralytics adresindeki JSON2YOLO arac─▒n─▒ kullan─▒n.

Val

COCO8 veri k├╝mesi ├╝zerinde e─čitilmi┼č YOLOv8n model do─črulu─čunu do─črulay─▒n. Herhangi bir arg├╝man ge├žilmesine gerek yoktur. model e─čitimini s├╝rd├╝r├╝r data ve model ├Âznitelikleri olarak arg├╝manlar.

├ľrnek

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

G├Âr├╝nt├╝ler ├╝zerinde tahminler y├╝r├╝tmek i├žin e─čitilmi┼č bir YOLOv8n modeli kullan─▒n.

├ľrnek

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

Tamam─▒ g├Âr├╝n predict modunun ayr─▒nt─▒lar─▒ Tahmin Et Sayfa.

─░hracat

Bir YOLOv8n modelini ONNX, CoreML, vb. gibi farkl─▒ bir formata aktar─▒n.

├ľrnek

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 d─▒┼ča aktarma formatlar─▒ a┼ča─č─▒daki tabloda yer almaktad─▒r. kullanarak herhangi bir formata d─▒┼ča aktarabilirsiniz. format arg├╝man─▒, yani format='onnx' veya format='engine'. Do─črudan d─▒┼ča aktar─▒lan modeller ├╝zerinde tahmin veya do─črulama yapabilirsiniz, ├Ârn. yolo predict model=yolov8n.onnx. D─▒┼ča aktarma tamamland─▒ktan sonra modeliniz i├žin kullan─▒m ├Ârnekleri g├Âsterilir.

Bi├žim format Tart─▒┼čma Model Metadata Arg├╝manlar
PyTorch - yolov8n.pt Ôťů -
TorchScript torchscript yolov8n.torchscript Ôťů imgsz, optimize, batch
ONNX onnx yolov8n.onnx Ôťů imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ Ôťů imgsz, half, int8, batch
TensorRT engine yolov8n.engine Ôťů imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage Ôťů imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ Ôťů imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb ÔŁî imgsz, batch
TF Lite tflite yolov8n.tflite Ôťů imgsz, half, int8, batch
TF Kenar TPU edgetpu yolov8n_edgetpu.tflite Ôťů imgsz
TF.js tfjs yolov8n_web_model/ Ôťů imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ Ôťů imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ Ôťů imgsz, half, batch

Tamam─▒ g├Âr├╝n export detaylar ─░hracat Sayfa.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (19), Burhan-Q (4), Laughing-q (1)

Yorumlar