Link to this sectionYapılandırma#
YOLO ayarları ve hiperparametreler, modelin performansı, hızı ve doğruluğu üzerinde kritik bir rol oynar. Bu ayarlar, eğitim, doğrulama ve tahmin dahil olmak üzere modelin çeşitli aşamalardaki davranışını etkileyebilir.
Watch: Mastering Ultralytics YOLO: Configuration
Ultralytics komutları aşağıdaki sözdizimini kullanır:
Örnek
yolo TASK MODE ARGSBurada:
TASK(isteğe bağlı), şunlardan biridir: (detect, segment, semantic, classify, pose, obb)MODE(gerekli), şunlardan biridir: (train, val, predict, export, track, benchmark)ARGS(optional) arearg=valuepairs likeimgsz=640that override defaults.
Varsayılan ARG değerleri bu sayfada tanımlanmıştır ve cfg/default.yaml dosyasından gelir.
Link to this sectionGörevler#
Ultralytics YOLO modelleri, aşağıdakiler dahil olmak üzere çeşitli bilgisayarlı görü görevlerini gerçekleştirebilir:
- Detect: Nesne algılama, bir görüntü veya video içindeki nesneleri tanımlar ve konumlandırır.
- Segment: Örnek segmentasyonu, bir görüntüyü veya videoyu farklı nesnelere veya sınıflara karşılık gelen bölgelere ayırır.
- Anlamsal segmentasyon (
semantic): Anlamsal segmentasyon, yoğun sahne anlayışı için görüntüdeki her piksele bir sınıf etiketi atar. - Classify: Görüntü sınıflandırma, bir girdi görüntüsünün sınıf etiketini tahmin eder.
- Pose: Poz tahmini, nesneleri tanımlar ve bir görüntü veya videodaki kilit noktalarını tahmin eder.
- OBB: Yönlendirilmiş Sınırlayıcı Kutular, uydu veya tıbbi görüntüler için uygun olan döndürülmüş sınırlayıcı kutular kullanır.
| Argüman | Varsayılan | Açıklama |
|---|---|---|
task | 'detect' | Specifies the YOLO task: detect for object detection, segment for instance segmentation, semantic for semantic segmentation, classify for classification, pose for pose estimation, and obb for oriented bounding boxes. Each task is tailored to specific outputs and problems in image and video analysis. |
Link to this sectionModlar#
Ultralytics YOLO modelleri, her biri model yaşam döngüsünün belirli bir aşaması için tasarlanmış farklı modlarda çalışır:
- Train: Özel bir veri kümesi üzerinde bir YOLO modeli eğit.
- Val: Eğitilmiş bir YOLO modelini doğrula.
- Predict: Yeni görüntüler veya videolar üzerinde tahmin yapmak için eğitilmiş bir YOLO modeli kullan.
- Export: Dağıtım için bir YOLO modelini dışa aktar.
- Track: Bir YOLO modeli kullanarak nesneleri gerçek zamanlı olarak izle.
- Benchmark: YOLO dışa aktarımlarının (ONNX, TensorRT, vb.) hızını ve doğruluğunu kıyasla.
| Argüman | Varsayılan | Açıklama |
|---|---|---|
mode | 'train' | YOLO modelinin çalışma modunu belirtir: model eğitimi için train, doğrulama için val, çıkarım için predict, dağıtım formatlarına dönüştürme için export, nesne izleme için track ve performans değerlendirmesi için benchmark. Her mod, geliştirmeden dağıtıma kadar farklı aşamaları destekler. |
Link to this sectionEğitim Ayarları#
YOLO modelleri için eğitim ayarları, modelin performansını, hızını ve doğruluğunu etkileyen hiperparametreleri ve yapılandırmaları içerir. Temel ayarlar arasında yığın boyutu, öğrenme oranı, momentum ve ağırlık azaltma bulunur. Optimizer seçimi, kayıp fonksiyonu ve veri kümesi bileşimi de eğitimi etkiler. Optimizasyon ve deney, en iyi performans için çok önemlidir. Daha fazla ayrıntı için Ultralytics giriş noktası fonksiyonuna bak.
| Argüman | Tip | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Eğitim için model dosyasını belirtir. Bir .pt önceden eğitilmiş modeline veya bir .yaml yapılandırma dosyasına giden bir yolu kabul eder. Model yapısını tanımlamak veya ağırlıkları başlatmak için gereklidir. |
data | str | None | Veri seti yapılandırma dosyasına giden yol (örn. coco8.yaml). Bu dosya, eğitim ve doğrulama verilerine giden yollar, sınıf adları ve sınıf sayısı dahil olmak üzere veri setine özgü parametreleri içerir. |
epochs | int | 100 | Toplam eğitim epoch sayısı. Her epoch, tüm veri seti üzerinde tam bir geçişi temsil eder. Bu değeri ayarlamak eğitim süresini ve model performansını etkileyebilir. |
time | float | None | Saat cinsinden maksimum eğitim süresi. Ayarlanırsa, bu epochs argümanını geçersiz kılar ve eğitimin belirtilen süreden sonra otomatik olarak durmasını sağlar. Zaman kısıtlı eğitim senaryoları için yararlıdır. |
patience | int | 100 | Eğitimi erkenden durdurmadan önce doğrulama metriklerinde iyileşme olmadan beklenecek epoch sayısı. Performans durağanlaştığında eğitimi durdurarak aşırı uyumu önlemeye yardımcı olur. |
batch | int veya float | 16 | Batch boyutu, üç mod ile: tam sayı olarak ayarla (örn. batch=16), %60 GPU bellek kullanımı için otomatik mod (batch=-1) veya belirtilen kullanım oranı ile otomatik mod (batch=0.70). |
imgsz | int | 640 | Eğitim için hedef görüntü boyutu. Görüntüler, belirtilen değere eşit kenarlı karelere yeniden boyutlandırılır (rect=False ise), YOLO modelleri için en boy oranını korur ancak RT-DETR için korumaz. Model doğruluğunu ve hesaplama karmaşıklığını etkiler. |
save | bool | True | Eğitim kontrol noktalarının ve nihai model ağırlıklarının kaydedilmesini etkinleştirir. Eğitimi devam ettirmek veya model dağıtımı için yararlıdır. |
save_period | int | -1 | Model kontrol noktalarının kaydedilme sıklığı, epoch cinsinden belirtilir. -1 değeri bu özelliği devre dışı bırakır. Uzun eğitim oturumları sırasında ara modelleri kaydetmek için yararlıdır. |
cache | bool | False | Veri seti görüntülerinin bellekte (True/ram), diskte (disk) önbelleğe alınmasını sağlar veya devre dışı bırakır (False). Artan bellek kullanımı pahasına disk I/O'sunu azaltarak eğitim hızını artırır. |
device | int veya str veya list | None | Eğitim için hesaplama cihazını/cihazlarını belirtir: tek bir GPU (device=0), birden fazla GPU (device=[0,1]), CPU (device=cpu), Apple silicon için MPS (device=mps), Huawei Ascend NPU (device=npu veya device=npu:0) veya en boşta olan GPU'nun otomatik seçimi (device=-1) ya da birden fazla boşta olan GPU (device=[-1,-1]) |
workers | int | 8 | Veri yükleme için çalışan iş parçacığı sayısı (Çoklu GPU eğitimi ise RANK başına). Veri ön işleme hızını ve modele beslemeyi etkiler, özellikle çoklu GPU kurulumlarında yararlıdır. |
project | str | None | Eğitim çıktılarının kaydedildiği proje dizininin adı. Farklı deneylerin düzenli bir şekilde saklanmasına olanak tanır. |
name | str | None | Eğitim çalışmasının adı. Proje klasörü içinde eğitim günlüklerinin ve çıktılarının depolandığı bir alt dizin oluşturmak için kullanılır. |
exist_ok | bool | False | Eğer True ise, mevcut bir proje/isim dizininin üzerine yazılmasına izin verir. Önceki çıktıları manuel olarak temizlemeye gerek kalmadan yinelemeli denemeler yapmak için yararlıdır. |
pretrained | bool veya str | True | Eğitime önceden eğitilmiş ağırlıklarla mı başlanacağını belirler. Bir boolean değeri veya yüklenecek ağırlıkların dize yolu olabilir. pretrained=False, model mimarisini korurken rastgele başlatılmış ağırlıklarla eğitir. |
optimizer | str | 'auto' | Eğitim için optimize edici seçimi. Seçenekler arasında SGD, MuSGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp veya model yapılandırmasına göre otomatik seçim için auto bulunur. Yakınsama hızını ve kararlılığını etkiler. |
seed | int | 0 | Eğitim için rastgele tohum değerini ayarlar, aynı yapılandırmalarla yapılan çalışmalarda sonuçların tekrarlanabilirliğini sağlar. |
deterministic | bool | True | Belirlenmiş algoritma kullanımını zorunlu kılar, tekrarlanabilirliği sağlar ancak belirlenmiş olmayan algoritmalar üzerindeki kısıtlama nedeniyle performansı ve hızı etkileyebilir. |
verbose | bool | True | Eğitim sırasında ayrıntılı çıktıyı etkinleştirir; ilerleme çubuklarını, dönem başı metriklerini ve konsolda ek eğitim bilgilerini görüntüler. |
single_cls | bool | False | Çok sınıflı veri setlerindeki tüm sınıfları eğitim sırasında tek bir sınıf olarak ele alır. İkili sınıflandırma görevleri için veya sınıflandırmadan ziyade nesne varlığına odaklanırken yararlıdır. |
classes | list[int] | None | Eğitimde kullanılacak sınıf kimliklerinin listesini belirtir. Eğitim sırasında yalnızca belirli sınıfları filtrelemek ve bunlara odaklanmak için yararlıdır. |
rect | bool | False | Minimum dolgu stratejisini etkinleştirir—bir gruptaki görüntüler, en uzun kenarları imgsz'ye eşit olacak şekilde ortak bir boyuta ulaşmak için minimum düzeyde doldurulur. Verimliliği ve hızı artırabilir ancak model doğruluğunu etkileyebilir. |
multi_scale | float | 0.0 | imgsz değerini her grupta +/- multi_scale oranında (örneğin 0.25 -> 0.75x ila 1.25x) rastgele değiştirir ve model adımı katlarına yuvarlar; 0.0 çok ölçekli eğitimi devre dışı bırakır. |
cos_lr | bool | False | Kosinüs öğrenme oranı zamanlayıcısını kullanarak öğrenme oranını dönemler boyunca bir kosinüs eğrisini izleyecek şekilde ayarlar. Daha iyi yakınsama için öğrenme oranını yönetmeye yardımcı olur. |
close_mosaic | int | 10 | Tamamlanmadan önce eğitimi stabilize etmek için son N dönemde mozaik veri artırma işlemini devre dışı bırakır. 0 olarak ayarlanması bu özelliği kapatır. |
resume | bool | False | Eğitime son kaydedilen kontrol noktasından devam eder. Model ağırlıklarını, optimize edici durumunu ve dönem sayısını otomatik olarak yükleyerek eğitime sorunsuz bir şekilde devam etmeni sağlar. |
amp | bool | True | Otomatik Karma Hassasiyet (AMP) eğitimini etkinleştirir, bellek kullanımını azaltır ve doğruluk üzerinde minimum etkiyle eğitimi hızlandırabilir. |
fraction | float | 1.0 | Eğitim için kullanılacak veri seti oranını belirtir. Deneyler veya kaynakların sınırlı olduğu durumlar için yararlı olan tam veri setinin bir alt kümesi üzerinde eğitime olanak tanır. |
profile | bool | False | Eğitim sırasında ONNX ve TensorRT hızlarının profillenmesini etkinleştirir, model dağıtımını optimize etmek için yararlıdır. |
freeze | int veya list | None | Modelin ilk N katmanını veya dizine göre belirtilen katmanları dondurarak eğitilebilir parametre sayısını azaltır. İnce ayar veya transfer öğrenimi için yararlıdır. |
lr0 | float | 0.01 | Başlangıç öğrenme oranı (örneğin SGD=1E-2, Adam=1E-3). Bu değeri ayarlamak, model ağırlıklarının ne kadar hızlı güncelleneceğini etkileyerek optimizasyon süreci için kritik öneme sahiptir. |
lrf | float | 0.01 | Başlangıç oranının bir fraksiyonu olarak nihai öğrenme oranı = (lr0 * lrf), zaman içinde öğrenme oranını ayarlamak için zamanlayıcılarla birlikte kullanılır. |
momentum | float | 0.937 | SGD için momentum faktörü veya Adam optimize ediciler için beta1, geçmiş gradyanların mevcut güncellemeye dahil edilmesini etkiler. |
weight_decay | float | 0.0005 | Aşırı öğrenmeyi önlemek için büyük ağırlıkları cezalandıran L2 düzenlileştirme terimi. |
warmup_epochs | float | 3.0 | Öğrenme oranı ısınma dönemleri sayısı; eğitimi erkenden stabilize etmek için öğrenme oranını düşük bir değerden başlangıç öğrenme oranına kademeli olarak artırır. |
warmup_momentum | float | 0.8 | Isınma aşaması için başlangıç momentumu, ısınma süresi boyunca ayarlanan momentuma kademeli olarak uyarlanır. |
warmup_bias_lr | float | 0.1 | Isınma aşamasında sapma (bias) parametreleri için öğrenme oranı, ilk dönemlerde model eğitimini stabilize etmeye yardımcı olur. |
box | float | 7.5 | Kayıp fonksiyonunda kutu kaybı bileşeninin ağırlığı, sınırlayıcı kutu koordinatlarını doğru tahmin etmeye ne kadar önem verildiğini etkiler. |
cls | float | 0.5 | Toplam kayıp fonksiyonundaki sınıflandırma kaybının ağırlığı, doğru sınıf tahmininin diğer bileşenlere göre önemini etkiler. |
cls_pw | float | 0.0 | Ters sınıf frekansını kullanarak sınıf dengesizliğini yönetmek için sınıf ağırlıklandırma gücü. 0.0 sınıf ağırlıklandırmayı devre dışı bırakır, 1.0 tam ters frekans ağırlıklandırmasını uygular. 0 ile 1 arasındaki değerler kısmi ağırlıklandırma sağlar. |
dfl | float | 1.5 | Belirli YOLO sürümlerinde ince taneli sınıflandırma için kullanılan dağılım odak kaybının (distribution focal loss) ağırlığı. |
pose | float | 12.0 | Poz tahmini için eğitilen modellerde poz kaybının ağırlığı, poz anahtar noktalarının doğru tahmin edilmesine verilen önemi etkiler. |
kobj | float | 1.0 | Poz tahmini modellerinde anahtar nokta nesnellik (objectness) kaybının ağırlığı, tespit güveni ile poz doğruluğunu dengeler. |
rle | float | 1.0 | Poz tahmini modellerinde artık log-olabilirlik tahmini kaybının ağırlığı, anahtar nokta yerelleştirme hassasiyetini etkiler. |
angle | float | 1.0 | Obb modellerinde açı kaybının ağırlığı, yönlendirilmiş sınırlayıcı kutu açı tahminlerinin hassasiyetini etkiler. |
nbs | int | 64 | Kaybın normalizasyonu için nominal grup boyutu. |
overlap_mask | bool | True | Nesne maskelerinin eğitim için tek bir maske halinde birleştirilip birleştirilmeyeceğini veya her nesne için ayrı tutulacağını belirler. Çakışma durumunda, birleştirme sırasında daha küçük maske, daha büyük olanın üzerine bindirilir. |
mask_ratio | int | 4 | Segmentasyon maskeleri için aşağı örnekleme (downsample) oranı, eğitim sırasında kullanılan maskelerin çözünürlüğünü etkiler. |
dropout | float | 0.0 | Sınıflandırma görevlerinde düzenlileştirme için dropout oranı, eğitim sırasında birimleri rastgele atlayarak aşırı öğrenmeyi önler. |
val | bool | True | Eğitim sırasında doğrulamayı etkinleştirerek model performansının ayrı bir veri setinde periyodik olarak değerlendirilmesini sağlar. |
plots | bool | True | Eğitim ve doğrulama metriklerinin grafiklerini ve tahmin örneklerini oluşturup kaydeder, model performansı ve öğrenme ilerleyişine ilişkin görsel içgörüler sağlar. |
compile | bool veya str | False | PyTorch 2.x torch.compile grafik derlemesini backend='inductor' ile etkinleştirir. True → "default", False → devre dışı bırakır veya "default", "reduce-overhead", "max-autotune-no-cudagraphs" gibi bir dize modu kabul eder. Desteklenmiyorsa bir uyarı ile eager moduna geri döner. |
max_det | int | 300 | Eğitimin doğrulama aşamasında tutulan maksimum nesne sayısını belirtir. |
Grup Boyutu Ayarları Hakkında Not
batch bağımsız değişkeni üç yapılandırma seçeneği sunar:
- Sabit Yığın Boyutu: Bir tam sayı ile yığın başına görüntü sayısını belirt (örneğin
batch=16). - Otomatik Mod (%60 GPU Belleği): Yaklaşık %60 CUDA bellek kullanımına otomatik ayar için
batch=-1kullan. - Kullanım Oranı ile Otomatik Mod: Belirtilen bir GPU bellek kullanımına göre ayarlamak için bir oran (örneğin
batch=0.70) ayarla.
Link to this sectionTahmin Ayarları#
YOLO modelleri için tahmin ayarları, çıkarım sırasında performansı, hızı ve doğruluğu etkileyen hiperparametreleri ve yapılandırmaları içerir. Temel ayarlar arasında güven eşiği, Maksimum Olmayan Bastırma (NMS) eşiği ve sınıf sayısı bulunur. Girdi verisi boyutu, formatı ve maskeler gibi ek özellikler de tahminleri etkiler. Bu ayarların optimize edilmesi, en iyi performans için çok önemlidir.
Çıkarım bağımsız değişkenleri:
| Argüman | Tip | Varsayılan | Açıklama |
|---|---|---|---|
source | str veya int veya None | None | Çıkarım için veri kaynağını belirtir. Bir görüntü yolu, video dosyası, dizin, URL veya canlı yayınlar için cihaz kimliği olabilir. Belirtilmezse bir uyarı kaydedilir ve model yerleşik demo varlıklarına (ultralytics/assets veya OBB için bir demo URL) geri döner. Çok çeşitli formatları ve kaynakları destekleyerek farklı girdi türleri arasında esnek uygulama sağlar. |
conf | float | 0.25 | Algılamalar için minimum güven eşiğini ayarlar. Bu eşiğin altındaki güvenle algılanan nesneler dikkate alınmayacaktır. Bu değeri ayarlamak, yanlış pozitifleri azaltmaya yardımcı olabilir. |
iou | float | 0.7 | Maksimum Olmayan Bastırma (NMS) için Örtüşme Üzerinden Kesişim (IoU) eşiği. Daha düşük değerler, örtüşen kutuları ortadan kaldırarak daha az algılama sağlar; kopyaları azaltmak için kullanışlıdır. |
imgsz | int veya tuple | 640 | Letterbox target. An integer gives a square N×N; a tuple gives (height, width). With rect=True, the actual tensor may be smaller than this target due to minimum-rectangle padding. Use rect=False for a fixed size. See Fixed shape vs minimum rectangle. |
rect | bool | True | True ise, mümkün olduğunda minimum dikdörtgen dolgusu kullan (aynı şekilli yığın ve desteklenen arka uç). False ise, her zaman tam imgsz değerine kadar doldur. Sabit şekil ile minimum dikdörtgen konusuna bak. |
half | bool | False | Doğruluk üzerinde minimum etkiyle desteklenen GPU'larda model çıkarımını hızlandırabilen yarım hassasiyetli (FP16) çıkarımı etkinleştirir. |
device | str | None | Çıkarım için cihazı belirtir (örneğin cpu, cuda:0, 0, npu veya npu:0). Kullanıcıların CPU, belirli bir GPU, Huawei Ascend NPU veya model yürütme için diğer bilgi işlem cihazları arasında seçim yapmasına olanak tanır. |
batch | int | 1 | Çıkarım için yığın boyutunu belirtir (yalnızca kaynak bir dizin, video dosyası veya .txt dosyası olduğunda çalışır). Daha büyük bir yığın boyutu, daha yüksek verim sağlayarak çıkarım için gereken toplam süreyi kısaltabilir. |
max_det | int | 300 | Görüntü başına izin verilen maksimum algılama sayısı. Modelin tek bir çıkarımda algılayabileceği toplam nesne sayısını sınırlar, yoğun sahnelerde aşırı çıktıları önler. |
vid_stride | int | 1 | Video girdileri için kare adımı. İşlemeyi hızlandırmak için videolardaki kareleri atlamaya izin verir, ancak bu zamansal çözünürlük pahasına yapılır. 1 değeri her kareyi işler, daha yüksek değerler kareleri atlar. |
stream_buffer | bool | False | Video akışları için gelen karelerin kuyruğa alınıp alınmayacağını belirler. False ise, yeni kareleri yerleştirmek için eski kareler atılır (gerçek zamanlı uygulamalar için optimize edilmiştir). True ise, yeni kareleri bir arabelleğe alır, hiçbir karenin atlanmamasını sağlar, ancak çıkarım FPS'si akış FPS'sinden düşükse gecikmeye neden olur. |
visualize | bool | False | Çıkarım sırasında model özelliklerinin görselleştirilmesini etkinleştirir ve modelin ne "gördüğüne" dair bilgiler sağlar. Hata ayıklama ve model yorumlama için kullanışlıdır. |
augment | bool | False | Tahminler için test zamanı artırmayı (TTA) etkinleştirir, çıkarım hızı pahasına algılama sağlamlığını potansiyel olarak artırır. |
agnostic_nms | bool | False | Farklı sınıfların örtüşen kutularını birleştiren sınıftan bağımsız Maksimum Olmayan Bastırmayı (NMS) etkinleştirir. Sınıf örtüşmesinin yaygın olduğu çok sınıflı algılama senaryolarında kullanışlıdır. Uçtan uca modeller için (YOLO26, YOLOv10), bu yalnızca aynı algılamanın birden fazla sınıf etiketiyle (IoU=1.0 kopyaları) görünmesini engeller ve farklı kutular arasında IoU-eşik tabanlı bastırma gerçekleştirmez. |
classes | list[int] | None | Tahminleri bir sınıf kimliği setine filtreler. Yalnızca belirtilen sınıflara ait algılamalar döndürülecektir. Çok sınıflı algılama görevlerinde ilgili nesnelere odaklanmak için kullanışlıdır. |
retina_masks | bool | False | Yüksek çözünürlüklü segmentasyon maskeleri döndürür. Etkinleştirilirse, döndürülen maskeler (masks.data) orijinal görüntü boyutuyla eşleşecektir. Devre dışı bırakılırsa, çıkarım sırasında kullanılan görüntü boyutuna sahip olurlar. |
embed | list[int] | None | Özellik vektörlerinin veya gömülülerin çıkarılacağı katmanları belirtir. Kümeleme veya benzerlik arama gibi sonraki görevler için kullanışlıdır. |
project | str | None | save etkinleştirildiğinde tahmin çıktılarının kaydedildiği proje dizininin adı. |
name | str | None | Tahmin çalışmasının adı. save etkinleştirildiğinde tahmin çıktılarının depolandığı proje klasörü içinde bir alt dizin oluşturmak için kullanılır. |
stream | bool | False | Tüm kareleri aynı anda belleğe yüklemek yerine Results nesnelerinden oluşan bir jeneratör döndürerek uzun videolar veya çok sayıda görüntü için bellek açısından verimli işlemeyi etkinleştirir. |
verbose | bool | True | Tahmin süreci hakkında gerçek zamanlı geri bildirim sağlayan terminaldeki ayrıntılı çıkarım günlüklerinin görüntülenip görüntülenmeyeceğini kontrol eder. |
compile | bool veya str | False | PyTorch 2.x torch.compile grafik derlemesini backend='inductor' ile etkinleştirir. True → "default", False → devre dışı bırakır veya "default", "reduce-overhead", "max-autotune-no-cudagraphs" gibi bir dize modu kabul eder. Desteklenmiyorsa bir uyarı ile eager moduna geri döner. |
end2end | bool | None | NMS içermeyen çıkarımı destekleyen YOLO modellerinde (YOLO26, YOLOv10) uçtan uca modu geçersiz kılar. False olarak ayarlamak, geleneksel NMS boru hattını kullanarak tahmin yapmanızı sağlar ve ek olarak iou bağımsız değişkenini kullanmanıza olanak tanır. Ayrıntılar için Uçtan Uca Algılama kılavuzuna bak. |
Görselleştirme bağımsız değişkenleri:
| Argüman | Tip | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | True ise, açıklamalı görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim için kullanışlıdır. |
save | bool | False or True | Açıklamalı görüntülerin veya videoların dosyalara kaydedilmesini etkinleştirir. Belgeleme, daha fazla analiz veya sonuçları paylaşmak için kullanışlıdır. CLI kullanılırken varsayılan olarak True, Python'da kullanılırken False değerini alır. |
save_frames | bool | False | Videoları işlerken, tek tek kareleri görüntü olarak kaydeder. Belirli kareleri çıkarmak veya ayrıntılı kare kare analiz için kullanışlıdır. |
save_txt | bool | False | Algılama sonuçlarını [class] [x_center] [y_center] [width] [height] [confidence] formatını izleyerek bir metin dosyasında kaydeder. Diğer analiz araçlarıyla entegrasyon için kullanışlıdır. |
save_conf | bool | False | Kaydedilen metin dosyalarına güven puanlarını dahil eder. Son işlem ve analiz için mevcut ayrıntıları geliştirir. |
save_crop | bool | False | Algılamaların kırpılmış görüntülerini kaydeder. Veri kümesi artırma, analiz veya belirli nesneler için odaklanmış veri kümeleri oluşturma için kullanışlıdır. |
show_labels | bool | True | Görsel çıktıda her bir tespit için etiketleri görüntüler. Tespit edilen nesnelerin anında anlaşılmasını sağlar. |
show_conf | bool | True | Her tespit için güven skorunu etiketin yanında görüntüler. Her bir tespit için modelin kesinliği hakkında içgörü sağlar. |
show_boxes | bool | True | Algılanan nesnelerin etrafına sınırlayıcı kutular çizer. Görüntülerdeki veya video karelerindeki nesnelerin görsel tanımlaması ve konumu için gereklidir. |
line_width | int or None | None | Sınırlayıcı kutuların çizgi genişliğini belirtir. None ise, çizgi genişliği görüntü boyutuna göre otomatik olarak ayarlanır. Netlik için görsel özelleştirme sağlar. |
Link to this sectionDoğrulama Ayarları#
YOLO modelleri için doğrulama ayarları, bir doğrulama veri kümesi üzerindeki performansı değerlendirmek için hiperparametreleri ve yapılandırmaları içerir. Bu ayarlar performansı, hızı ve doğruluğu etkiler. Yaygın ayarlar arasında yığın boyutu, doğrulama sıklığı ve performans metrikleri bulunur. Doğrulama veri kümesinin boyutu ve bileşimi, belirli görevle birlikte süreci de etkiler.
| Argüman | Tip | Varsayılan | Açıklama |
|---|---|---|---|
data | str | None | Veri kümesi yapılandırma dosyasına (örneğin coco8.yaml) giden yolu belirtir. Bu dosya, doğrulama verilerine giden yolu içermelidir. |
imgsz | int | 640 | Girdi görüntülerinin boyutunu tanımlar. Tüm görüntüler işlenmeden önce bu boyuta yeniden boyutlandırılır. Daha büyük boyutlar küçük nesneler için doğruluğu artırabilir ancak işlem süresini uzatır. |
batch | int | 16 | Yığın başına görüntü sayısını ayarlar. Daha yüksek değerler GPU belleğini daha verimli kullanır ancak daha fazla VRAM gerektirir. Kullanılabilir donanım kaynaklarına göre ayarla. |
save_json | bool | False | True ise, daha fazla analiz, diğer araçlarla entegrasyon veya COCO gibi değerlendirme sunucularına gönderim için sonuçları bir JSON dosyasına kaydeder. |
conf | float | 0.001 | Algılamalar için minimum güven eşiğini ayarlar. Daha düşük değerler geri çağırmayı (recall) artırır ancak daha fazla yanlış pozitif getirebilir. Hassasiyet-geri çağırma eğrilerini hesaplamak için doğrulama sırasında kullanılır. Bellek kullanımını azaltmak için OBB doğrulaması için varsayılan olarak 0.01 değerindedir. |
iou | float | 0.7 | Sets the Intersection Over Union threshold for Non-Maximum Suppression. Controls duplicate detection elimination. |
max_det | int | 300 | Görüntü başına maksimum algılama sayısını sınırlar. Aşırı algılamaları önlemek ve bilgi işlem kaynaklarını yönetmek için yoğun sahnelerde kullanışlıdır. |
half | bool | False | Enables half-precision (FP16) computation, reducing memory usage and potentially increasing speed with minimal impact on accuracy. |
device | str | None | Doğrulama için cihazı belirtir (cpu, cuda:0, npu, npu:0 vb.). None olduğunda, otomatik olarak mevcut en iyi cihazı seçer. Birden çok CUDA cihazı virgülle ayrılarak belirtilebilir. |
dnn | bool | False | True değerine ayarlandığında, ONNX model çıkarımı için OpenCV DNN modülünü kullanır ve PyTorch çıkarım yöntemlerine bir alternatif sunar. |
plots | bool | True | True değerine ayarlandığında, model performansının görsel değerlendirmesi için tahminlerin gerçek değerlere karşı çizimlerini, karışıklık matrislerini ve PR eğrilerini oluşturur ve kaydeder. |
classes | list[int] | None | Değerlendirilecek sınıf kimliklerinin listesini belirtir. Değerlendirme sırasında sadece belirli sınıflara odaklanmak ve diğerlerini filtrelemek için kullanışlıdır. |
rect | bool | True | True değerine ayarlandığında, toplu işlemler için dikdörtgen çıkarım kullanır; bu da görüntüleri orijinal en-boy oranlarında işleyerek dolguyu azaltır ve hız ile verimliliği potansiyel olarak artırır. |
split | str | 'val' | Doğrulama için kullanılacak veri kümesi bölümünü (val, test veya train) belirler. Performans değerlendirmesi için veri segmenti seçiminde esneklik sağlar. |
project | str | None | Doğrulama çıktılarının kaydedildiği proje dizininin adı. Farklı deneylerden veya modellerden gelen sonuçları düzenlemeye yardımcı olur. |
name | str | None | Doğrulama çalıştırmasının adı. Proje klasörü içinde doğrulama günlüklerinin ve çıktılarının depolandığı bir alt dizin oluşturmak için kullanılır. |
verbose | bool | True | True değerine ayarlandığında, doğrulama süreci boyunca sınıf başına metrikler, toplu ilerleme ve ek hata ayıklama bilgileri dahil olmak üzere ayrıntılı bilgileri görüntüler. |
save_txt | bool | False | True değerine ayarlandığında, tespit sonuçlarını her görüntü için bir dosya olacak şekilde metin dosyalarına kaydeder; bu, ileri analiz, özel son işlem veya diğer sistemlerle entegrasyon için kullanışlıdır. |
save_conf | bool | False | True değerine ayarlandığında, save_txt etkinleştirildiğinde kaydedilen metin dosyalarına güven değerlerini dahil eder ve analiz ile filtreleme için daha ayrıntılı çıktı sağlar. |
workers | int | 8 | Veri yükleme için çalışan iş parçacığı sayısı. Daha yüksek değerler veri ön işlemesini hızlandırabilir ancak CPU kullanımını artırabilir. 0 olarak ayarlanması ana iş parçacığını kullanır, bu da bazı ortamlarda daha kararlı olabilir. |
augment | bool | False | Doğrulama sırasında test zamanı artırmayı (TTA) etkinleştirir. Girdinin dönüştürülmüş sürümleri üzerinde çıkarım çalıştırarak, çıkarım hızı maliyetiyle tespit doğruluğunu potansiyel olarak artırır. |
agnostic_nms | bool | False | Sınıf bağımsız Non-Maximum Suppression özelliğini etkinleştirir; bu, tahmin edilen sınıfına bakılmaksızın çakışan kutuları birleştirir. Örnek odaklı uygulamalar için yararlıdır. Uçtan uca modeller (YOLO26, YOLOv10) için bu, yalnızca aynı tespitin birden fazla sınıf etiketiyle görünmesini engeller (IoU=1.0 kopyaları) ve farklı kutular arasında IoU eşiğine dayalı eleme gerçekleştirmez. |
single_cls | bool | False | Doğrulama sırasında tüm sınıfları tek bir sınıf olarak ele alır. İkili tespit görevlerinde veya sınıf ayrımlarının önemli olmadığı durumlarda model performansını değerlendirmek için yararlıdır. |
visualize | bool | False | Her görüntü için gerçek değerleri, doğru pozitifleri, yanlış pozitifleri ve yanlış negatifleri görselleştirir. Hata ayıklama ve model yorumlama için kullanışlıdır. |
show_labels | bool | True | visualize=True olduğunda doğrulama görselleştirmelerinde sınıf etiketlerini görüntüler. Eşleşmelerin ve hataların daha net bir görünümü için False olarak ayarlayın. |
show_conf | bool | True | visualize=True olduğunda doğrulama görselleştirmelerinde güven puanlarını görüntüler. Eşleşmelerin ve hataların daha net bir görünümü için False olarak ayarlayın. |
compile | bool veya str | False | PyTorch 2.x torch.compile grafik derlemesini backend='inductor' ile etkinleştirir. True → "default", False → devre dışı bırakır veya "default", "reduce-overhead", "max-autotune-no-cudagraphs" gibi bir dize modu kabul eder. Desteklenmiyorsa bir uyarı ile eager moduna geri döner. |
end2end | bool | None | NMS içermeyen çıkarımı destekleyen YOLO modellerindeki (YOLO26, YOLOv10) uçtan uca modu geçersiz kılar. False olarak ayarlamak, doğrulamayı geleneksel NMS hattını kullanarak çalıştırmanıza ve ayrıca iou argümanını kullanmanıza olanak tanır. |
Optimum performansı sağlamak, aşırı öğrenmeyi tespit etmek ve önlemek için dikkatli ayarlama ve deney yapma çok önemlidir.
Link to this sectionDışa Aktarma Ayarları#
YOLO modelleri için dışa aktarma ayarları, modelin farklı ortamlarda kullanılması için kaydedilmesine veya dışa aktarılmasına yönelik yapılandırmaları içerir. Bu ayarlar performansı, boyutu ve uyumluluğu etkiler. Temel ayarlar arasında dışa aktarılan dosya formatı (örneğin, ONNX, TensorFlow SavedModel), hedef cihaz (örneğin, CPU, GPU) ve maskeler gibi özellikler bulunur. Modelin görevi ve hedef ortamın kısıtlamaları da dışa aktarma sürecini etkiler.
| Argüman | Tip | Varsayılan | Açıklama |
|---|---|---|---|
format | str | 'torchscript' | Modelin dışa aktarılacağı hedef format; örneğin 'onnx', 'torchscript', 'engine' (TensorRT) veya diğerleri. Her format farklı dağıtım ortamlarıyla uyumluluk sağlar. |
imgsz | int veya tuple | 640 | Desired image size for the model input. Can be an integer for square images (e.g., 640 for 640×640) or a tuple (height, width) for specific dimensions. |
keras | bool | False | TensorFlow SavedModel için Keras formatına dışa aktarmayı etkinleştirir, TensorFlow sunumu ve API'leriyle uyumluluk sağlar. |
optimize | bool | False | TorchScript'e dışa aktarırken mobil cihazlar için optimizasyon uygular, potansiyel olarak model boyutunu küçültür ve çıkarım performansını artırır. NCNN formatı veya CUDA cihazlarıyla uyumlu değildir. DEEPX için, çıkarım gecikmesini azaltan ve derleme süresini artıran daha yüksek bir derleyici optimizasyonunu etkinleştirir. |
half | bool | False | FP16 (yarı hassasiyetli) nicemlemeyi etkinleştirerek model boyutunu küçültür ve desteklenen donanımlarda çıkarımı hızlandırabilir. INT8 nicemleme veya sadece CPU dışa aktarımlarıyla uyumlu değildir. Yalnızca belirli formatlar için kullanılabilir, örneğin ONNX (aşağıya bakın). |
int8 | bool | False | INT8 nicemlemeyi etkinleştirerek modeli daha fazla sıkıştırır ve minimum doğruluk kaybıyla çıkarımı hızlandırır; öncelikle uç cihazlar için kullanılır. TensorRT ile kullanıldığında, eğitim sonrası nicemleme (PTQ) gerçekleştirir. |
dynamic | bool | False | TorchScript, ONNX, OpenVINO, TensorRT ve CoreML dışa aktarımları için dinamik giriş boyutlarına izin vererek değişen görüntü boyutlarını işlemede esnekliği artırır. |
simplify | bool | True | ONNX dışa aktarımları için model grafiğini onnxslim ile sadeleştirerek performansı ve çıkarım motorlarıyla uyumluluğu potansiyel olarak artırır. |
opset | int | None | Farklı ONNX ayrıştırıcıları ve çalışma zamanlarıyla uyumluluk için ONNX opset sürümünü belirtir. Ayarlanmazsa, desteklenen en son sürümü kullanır. |
workspace | float veya None | None | TensorRT optimizasyonları için GiB cinsinden maksimum çalışma alanı boyutunu ayarlar, bellek kullanımı ile performans arasında denge kurar. TensorRT tarafından cihaz maksimumuna kadar otomatik tahsis için None kullanın. |
nms | bool | False | Desteklendiğinde (bkz. Dışa Aktarma Formatları) dışa aktarılan modele Non-Maximum Suppression (NMS) ekleyerek tespit son işleme verimliliğini artırır. Uçtan uca modeller için mevcut değildir. |
batch | int | 1 | Dışa aktarılan modelin toplu çıkarım boyutunu veya dışa aktarılan modelin predict modunda eşzamanlı olarak işleyeceği maksimum görüntü sayısını belirtir. Edge TPU dışa aktarımları için bu otomatik olarak 1'e ayarlanır. |
device | str | None | Dışa aktarma cihazını belirtir: GPU (device=0), CPU (device=cpu), Apple silikon için MPS (device=mps), Huawei Ascend NPU (device=npu veya device=npu:0) veya NVIDIA Jetson için DLA (device=dla:0 veya device=dla:1). TensorRT dışa aktarımları otomatik olarak GPU kullanır. |
data | str | 'coco8.yaml' | INT8 nicemleme kalibrasyonu için gerekli olan veri kümesi yapılandırma dosyasına giden yol. INT8 etkinleştirildiğinde belirtilmezse, kalibrasyon için yedek olarak coco8.yaml kullanılır. |
fraction | float | 1.0 | INT8 nicemleme kalibrasyonu için kullanılacak veri kümesi oranını belirtir. Deneyler veya kaynakların sınırlı olduğu durumlar için yararlı olan tam veri kümesinin bir alt kümesinde kalibrasyona izin verir. INT8 etkinleştirildiğinde belirtilmezse, veri kümesinin tamamı kullanılır. |
end2end | bool | None | NMS içermeyen çıkarımı destekleyen YOLO modellerindeki (YOLO26, YOLOv10) uçtan uca modu geçersiz kılar. False olarak ayarlamak, bu modelleri geleneksel NMS tabanlı son işleme hattıyla uyumlu olacak şekilde dışa aktarmanıza olanak tanır. Ayrıntılar için Uçtan Uca Tespit kılavuzuna bakın. |
Düşünceli yapılandırma, dışa aktarılan modelin kullanım durumu için optimize edilmesini ve hedef ortamda etkili bir şekilde çalışmasını sağlar.
Link to this sectionÇözüm Ayarları#
Ultralytics Çözümleri yapılandırma ayarları; nesne sayma, ısı haritası oluşturma, egzersiz takibi, veri analizi, bölge takibi, sıra yönetimi ve bölge tabanlı sayma gibi görevler için modelleri özelleştirme esnekliği sunar. Bu seçenekler, belirli ihtiyaçlara göre uyarlanmış doğru ve kullanışlı sonuçlar için kolay ayarlamalara olanak tanır.
| Argüman | Tip | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Bir Ultralytics YOLO model dosyasına giden yol. |
region | list | '[(20, 400), (1260, 400)]' | Sayma bölgesini tanımlayan noktalar listesi. |
show_in | bool | True | Video akışında giriş sayılarını gösterip göstermemeyi kontrol eden bayrak. |
show_out | bool | True | Video akışında çıkış sayılarını gösterip göstermemeyi kontrol eden bayrak. |
analytics_type | str | 'line' | Grafik türü; örn. line (çizgi), bar (çubuk), area (alan) veya pie (pasta). |
colormap | int | cv2.COLORMAP_DEEPGREEN | Isı haritası için kullanılacak renk haritası. |
json_file | str | None | Tüm park koordinatları verilerini içeren JSON dosyasına giden yol. |
up_angle | float | 145.0 | 'yukarı' pozu için açı eşiği. |
kpts | list[int] | '[6, 8, 10]' | Egzersizleri izlemek için kullanılan üç anahtar nokta indeksi listesi. Bu anahtar noktalar; şınav, barfiks, squat ve karın egzersizleri gibi hareketler için omuzlar, dirsekler ve bilekler gibi vücut eklemlerine veya kısımlarına karşılık gelir. |
down_angle | int | 90 | 'aşağı' pozu için açı eşiği. |
blur_ratio | float | 0.5 | 0.1 - 1.0 aralığındaki değerlerle bulanıklık yoğunluğu yüzdesini ayarlar. |
crop_dir | str | 'cropped-detections' | Kırpılmış algılamaları depolamak için dizin adı. |
records | int | 5 | Güvenlik alarm sistemi ile e-posta tetiklemek için gereken toplam algılama sayısı. |
vision_point | tuple[int, int] | (20, 20) | VisionEye Çözümü ile vizyonun nesneleri izleyeceği ve yollar çizeceği nokta. |
source | str | None | Girdi kaynağına (video, RTSP vb.) giden yol. Yalnızca Çözümler komut satırı arayüzü (CLI) ile kullanılabilir. |
figsize | tuple[int, int] | (12.8, 7.2) | Isı haritaları veya grafikler gibi analitik çizelgeleri için şekil boyutu. |
fps | float | 30.0 | Hız hesaplamaları için kullanılan saniye başına kare sayısı. |
max_hist | int | 5 | Hız/yön hesaplamaları için nesne başına izlenecek maksimum geçmiş nokta sayısı. |
meter_per_pixel | float | 0.05 | Piksel mesafesini gerçek dünya birimlerine dönüştürmek için kullanılan ölçeklendirme faktörü. |
max_speed | int | 120 | Görsel katmanlardaki maksimum hız sınırı (uyarılarda kullanılır). |
data | str | 'images' | Benzerlik araması için kullanılan görüntü dizinine giden yol. |
imgsz | int | 640 | Model çıkarımı için girdi görüntü boyutu. |
Link to this sectionArtırma Ayarları#
Veri artırma teknikleri, eğitim verisine değişkenlik katarak YOLO modelinin sağlamlığını ve performansını artırmak için gereklidir ve modelin görülmemiş verilere daha iyi genelleme yapmasına yardımcı olur. Aşağıdaki tablo, her artırma argümanının amacını ve etkisini özetlemektedir:
| Argüman | Tip | Varsayılan | Desteklenen Görevler | Aralık | Açıklama |
|---|---|---|---|---|---|
hsv_h | float | 0.015 | detect, segment, pose, obb, classify | 0.0 - 1.0 | Görüntünün tonunu renk çarkının bir fraksiyonu kadar ayarlar ve renk değişkenliği katar. Modelin farklı aydınlatma koşullarında genelleme yapmasına yardımcı olur. |
hsv_s | float | 0.7 | detect, segment, pose, obb, classify | 0.0 - 1.0 | Görüntünün doygunluğunu bir fraksiyon kadar değiştirerek renklerin yoğunluğunu etkiler. Farklı çevresel koşulları simüle etmek için yararlıdır. |
hsv_v | float | 0.4 | detect, segment, pose, obb, classify | 0.0 - 1.0 | Görüntünün değerini (parlaklığını) bir fraksiyon kadar değiştirir, modelin çeşitli aydınlatma koşullarında iyi performans göstermesine yardımcı olur. |
degrees | float | 0 | detect, segment, pose, obb | 0.0 - 180 | Görüntüyü belirtilen derece aralığında rastgele döndürür, böylece modelin nesneleri çeşitli yönelimlerde tanıma yeteneğini geliştirir. |
translate | float | 0.1 | detect, segment, pose, obb | 0.0 - 1.0 | Görüntüyü görüntü boyutunun bir kesri kadar yatay ve dikey olarak kaydırır, bu da kısmen görünen nesneleri tespit etmeyi öğrenmeye yardımcı olur. |
scale | float | 0.5 | detect, segment, pose, obb, classify | 0 - 1 | Görüntüyü bir kazanç faktörüyle ölçeklendirir, böylece kameradan farklı mesafelerdeki nesneleri simüle eder. |
shear | float | 0 | detect, segment, pose, obb | -180 - +180 | Görüntüyü belirtilen bir derecede eğerek, nesnelerin farklı açılardan görülme etkisini taklit eder. |
perspective | float | 0 | detect, segment, pose, obb | 0.0 - 0.001 | Görüntüye rastgele bir perspektif dönüşümü uygular, modelin 3D uzaydaki nesneleri anlama yeteneğini artırır. |
flipud | float | 0 | detect, segment, pose, obb, classify | 0.0 - 1.0 | Görüntüyü belirtilen olasılıkla baş aşağı çevirir, nesnenin özelliklerini etkilemeden veri değişkenliğini artırır. |
fliplr | float | 0.5 | detect, segment, pose, obb, classify | 0.0 - 1.0 | Görüntüyü belirtilen olasılıkla soldan sağa çevirir, simetrik nesneleri öğrenmek ve veri kümesi çeşitliliğini artırmak için kullanışlıdır. |
bgr | float | 0 | detect, segment, pose, obb | 0.0 - 1.0 | Görüntü kanallarını belirtilen olasılıkla RGB'den BGR'ye çevirir, yanlış kanal sıralamasına karşı dayanıklılığı artırmak için kullanışlıdır. |
mosaic | float | 1 | detect, segment, pose, obb | 0.0 - 1.0 | Dört eğitim görüntüsünü bir araya getirerek farklı sahne kompozisyonlarını ve nesne etkileşimlerini simüle eder. Karmaşık sahneleri anlamada oldukça etkilidir. |
mixup | float | 0 | detect, segment, pose, obb | 0.0 - 1.0 | İki görüntüyü ve etiketlerini harmanlayarak kompozit bir görüntü oluşturur. Etiket gürültüsü ve görsel değişkenlik ekleyerek modelin genelleme yeteneğini geliştirir. |
cutmix | float | 0 | detect, segment, pose, obb | 0.0 - 1.0 | İki görüntünün bölümlerini birleştirerek, belirgin bölgeleri korurken kısmi bir karışım oluşturur. Tıkanma senaryoları yaratarak modelin dayanıklılığını artırır. |
copy_paste | float | 0 | segment | 0.0 - 1.0 | Nesne örneklerini artırmak için nesneleri görüntüler arasında kopyalayıp yapıştırır. |
copy_paste_mode | str | flip | segment | - | Kullanılacak copy-paste stratejisini belirtir. Seçenekler arasında 'flip' ve 'mixup' bulunur. |
auto_augment | str | randaugment | classify | - | Görsel çeşitlilik yoluyla model performansını artırmak için önceden tanımlanmış bir artırma politikası ('randaugment', 'autoaugment' veya 'augmix') uygular. |
erasing | float | 0.4 | classify | 0.0 - 1.0 | Modelin daha az belirgin özelliklere odaklanmasını teşvik etmek için eğitim sırasında görüntünün bölgelerini rastgele siler. |
augmentations | list | `` | detect, segment, pose, obb | - | Gelişmiş veri artırma için özel Albumentations dönüşümleri (yalnızca Python API). Özel artırma ihtiyaçları için bir dönüşüm nesneleri listesi kabul eder. |
Bu ayarları veri kümesi ve görev gereksinimlerini karşılayacak şekilde düzenleyin. Farklı değerlerle denemeler yapmak, en iyi model performansı için optimal artırma stratejisini bulmaya yardımcı olabilir.
Link to this sectionGünlükleme, Kontrol Noktaları ve Çizim Ayarları#
YOLO modeli eğitilirken günlükleme, kontrol noktaları, çizim ve dosya yönetimi önemlidir:
- Günlükleme: TensorBoard gibi kütüphaneleri kullanarak veya bir dosyaya yazarak modelin ilerlemesini takip et ve sorunları teşhis et.
- Kontrol Noktaları: Eğitimi sürdürmek veya farklı yapılandırmalarla denemeler yapmak için modeli düzenli aralıklarla kaydet.
- Çizim: Matplotlib veya TensorBoard gibi kütüphaneleri kullanarak performansı ve eğitim ilerlemesini görselleştir.
- Dosya yönetimi: Eğitim sırasında oluşturulan kontrol noktaları, günlük dosyaları ve çizimler gibi dosyaları kolay erişim ve analiz için düzenle.
Bu unsurların etkili yönetimi, ilerlemeyi takip etmeye yardımcı olur ve hata ayıklama ile optimizasyonu kolaylaştırır.
| Argüman | Varsayılan | Açıklama |
|---|---|---|
project | None | Specifies the root directory for saving training runs. If unspecified, runs are saved under runs/<task>. Each run is saved in a separate subdirectory. |
name | None | Deney adını tanımlar. Belirtilmezse, YOLO mod adını kullanır ve üzerine yazmayı önlemek için her çalıştırmada bunu artırır (örneğin, train, train-2). |
exist_ok | False | Mevcut bir deney dizininin üzerine yazılıp yazılmayacağını belirler. True üzerine yazılmasına izin verir; False bunu önler. |
plots | True | Controls the generation and saving of training and validation plots. Set to True to create plots like loss curves, precision-recall curves, and sample predictions for visual tracking of performance. |
save | True | Eğitim kontrol noktalarının ve nihai model ağırlıklarının kaydedilmesini etkinleştirir. Eğitim devamlılığına veya model dağıtımına olanak tanımak için model durumlarını periyodik olarak kaydetmek üzere True olarak ayarlayın. |
Link to this sectionÖzel Yapılandırma Dosyası#
Argümanların tamamını satır içi geçirmeden yeniden kullanmak için kaydedilmiş bir YAML yükle. cfg argümanı default.yaml değerlerini geçersiz kılar, ancak yanında aktarılan ek argümanlar yine de önceliklidir.
| Argüman | Varsayılan | Açıklama |
|---|---|---|
cfg | None | Değerleri default.yaml girdilerini değiştiren bir YAML dosyasına giden yol. Çalışan bir CLI örneği için Varsayılan Yapılandırma Dosyasını Geçersiz Kılma bölümüne bakın. |
Link to this sectionSSS#
Link to this sectionYOLO modelimin eğitim sırasındaki performansını nasıl artırabilirim?#
Toplu boyutu, öğrenme oranı, momentum ve ağırlık azaltma gibi hiperparametreleri ayarlayarak performansı artır. Veri artırma ayarlarını değiştir, doğru optimize ediciyi seç ve erken durdurma veya karma hassasiyet gibi teknikleri kullan. Ayrıntılar için Eğitim Kılavuzuna bak.
Link to this sectionYOLO model doğruluğu için anahtar hiperparametreler nelerdir?#
Doğruluğu etkileyen anahtar hiperparametreler şunlardır:
- Toplu Boyut (
batch): Daha büyük boyutlar eğitimi dengeleyebilir ancak daha fazla bellek gerektirir. - Öğrenme Oranı (
lr0): Daha küçük oranlar ince ayarlar sunar ancak daha yavaş yakınsama sağlar. - Momentum (
momentum): Gradyan vektörlerini hızlandırır ve salınımları sönümler. - Görüntü Boyutu (
imgsz): Daha büyük boyutlar doğruluğu artırır ancak hesaplama yükünü artırır.
Bunları veri kümenize ve donanımınıza göre ayarlayın. Daha fazlasını Eğitim Ayarlarında öğrenin.
Link to this sectionYOLO modelini eğitmek için öğrenme oranını nasıl ayarlarım?#
The learning rate (lr0) is crucial; start with 0.01 for SGD or 0.001 for Adam optimizer. Monitor metrics and adjust as needed. Use cosine learning rate schedulers (cos_lr) or warmup (warmup_epochs, warmup_momentum). Details are in the Train Guide.
Link to this sectionYOLO modelleri için varsayılan çıkarım ayarları nelerdir?#
Varsayılan ayarlar şunları içerir:
- Güven Eşiği (
conf=0.25): Tespitler için minimum güven. - IoU Eşiği (
iou=0.7): Non-Maximum Suppression (NMS) için. - Görüntü Boyutu (
imgsz=640): Girdi görüntülerini yeniden boyutlandırır. - Cihaz (
device=None): CPU, GPU, Apple MPS veya Huawei Ascend NPU (npu) seçer.
Genel bir bakış için Tahmin Ayarlarına ve Tahmin Kılavuzuna bakın.
Link to this sectionYOLO modelleriyle neden karma hassasiyetli eğitim kullanmalıyım?#
Karma hassasiyetli eğitim (amp=True), FP16 ve FP32 kullanarak bellek kullanımını azaltır ve eğitimi hızlandırır. Modern GPU'lar için faydalıdır, önemli bir doğruluk kaybı olmaksızın daha büyük modeller ve daha hızlı hesaplamalar sağlar. Eğitim Kılavuzunda daha fazla bilgi edinin.