Python Kullanımı
Ultralytics YOLO Python Kullanımı dokümantasyonuna hoş geldin! Bu rehber, Ultralytics YOLO'yu nesne algılama, segmentasyon ve sınıflandırma projelerine sorunsuz bir şekilde entegre etmene yardımcı olmak için tasarlandı. Burada, önceden eğitilmiş modelleri nasıl yükleyip kullanacağını, yeni modelleri nasıl eğiteceğini ve görüntüler üzerinde nasıl tahminler yapacağını öğreneceksin. Kullanımı kolay Python arayüzü, YOLO'yu Python projelerine dahil etmek isteyen herkes için değerli bir kaynaktır ve gelişmiş nesne algılama özelliklerini hızla uygulamanı sağlar. Hadi başlayalım!
Watch: Mastering Ultralytics YOLO: Python
Örneğin, kullanıcılar sadece birkaç satır kodla bir model yükleyebilir, eğitebilir, performansını bir doğrulama kümesi üzerinde değerlendirebilir ve hatta ONNX formatına aktarabilir.
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")
# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)
# Evaluate the model's performance on the validation set
results = model.val()
# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")
# Export the model to ONNX format
success = model.export(format="onnx")Eğit (Train)
Eğitim modu, bir YOLO modelini özel bir veri kümesi üzerinde eğitmek için kullanılır. Bu modda model, belirtilen veri kümesi ve hiperparametreler kullanılarak eğitilir. Eğitim süreci, modelin bir görüntüdeki nesnelerin sınıflarını ve konumlarını doğru bir şekilde tahmin edebilmesi için model parametrelerinin optimize edilmesini içerir.
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # pass any model type
results = model.train(epochs=5)Doğrula (Val)
Doğrulama modu, eğitildikten sonra bir YOLO modelini doğrulamak için kullanılır. Bu modda model, doğruluğunu ve genelleme performansını ölçmek için bir doğrulama kümesi üzerinde değerlendirilir. Bu mod, modelin performansını artırmak için hiperparametrelerini ince ayar yapmak amacıyla kullanılabilir.
from ultralytics import YOLO
# Load a YOLO model
model = YOLO("yolo26n.yaml")
# Train the model
model.train(data="coco8.yaml", epochs=5)
# Validate on training data
model.val()Tahmin
Tahmin modu, eğitilmiş bir YOLO modeli kullanarak yeni görüntüler veya videolar üzerinde tahmin yapmak için kullanılır. Bu modda model, bir kontrol noktası dosyasından yüklenir ve kullanıcı çıkarım yapmak için görüntüler veya videolar sağlayabilir. Model, girdi görüntülerindeki veya videolarındaki nesnelerin sınıflarını ve konumlarını tahmin eder.
import cv2
from PIL import Image
from ultralytics import YOLO
model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True) # Display preds. Accepts all YOLO predict arguments
# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True) # save plotted images
# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True) # save predictions as labels
# from list of PIL/ndarray
results = model.predict(source=[im1, im2])Dışa Aktar (Export)
Dışa aktarma modu, bir YOLO modelini dağıtım için kullanılabilecek bir formata aktarmak için kullanılır. Bu modda model, diğer yazılım uygulamaları veya donanım cihazları tarafından kullanılabilen bir formata dönüştürülür. Bu mod, model üretim ortamlarına dağıtılırken kullanışlıdır.
Resmi bir YOLO modelini dinamik yığın boyutu ve görüntü boyutu ile ONNX formatına aktar.
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)Takip Et
Takip modu, bir YOLO modeli kullanarak gerçek zamanlı nesne takibi yapmak için kullanılır. Bu modda model, bir kontrol noktası dosyasından yüklenir ve kullanıcı gerçek zamanlı nesne takibi yapmak için canlı bir video akışı sağlayabilir. Bu mod, gözetim sistemleri veya sürücüsüz arabalar gibi uygulamalar için kullanışlıdır.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load an official detection model
model = YOLO("yolo26n-seg.pt") # load an official segmentation model
model = YOLO("path/to/best.pt") # load a custom model
# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")Kıyaslama
Kıyaslama modu, çeşitli YOLO dışa aktarma formatlarının hız ve doğruluğunu profillemek için kullanılır. Kıyaslamalar, dışa aktarılan formatın boyutu, mAP50-95 metrikleri (nesne algılama ve segmentasyon için) veya accuracy_top5 metrikleri (sınıflandırma için) ve ONNX, OpenVINO, TensorRT gibi çeşitli dışa aktarma formatları genelinde görüntü başına milisaniye cinsinden çıkarım süresi hakkında bilgi sağlar. Bu bilgiler, kullanıcıların hız ve doğruluk gereksinimlerine göre belirli kullanım durumları için en uygun dışa aktarma formatını seçmelerine yardımcı olabilir.
Resmi bir YOLO modelini tüm dışa aktarma formatları genelinde kıyasla.
from ultralytics.utils.benchmarks import benchmark
# Benchmark
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)Eğiticileri Kullanma
YOLO model sınıfı, Eğitici sınıfları için yüksek seviyeli bir sarmalayıcı görevi görür. Her YOLO görevinin BaseTrainer sınıfından türetilen kendi eğiticisi vardır. Bu mimari, makine öğrenimi iş akışlarında daha fazla esneklik ve özelleştirme sağlar.
from ultralytics.models.yolo.detect import DetectionPredictor, DetectionTrainer, DetectionValidator
# trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best
# Validator
val = DetectionValidator(args=...)
val(model=trained_model)
# predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)
# resume from last weight
overrides["resume"] = trainer.last
trainer = DetectionTrainer(overrides=overrides)Eğiticileri özel görevleri destekleyecek şekilde kolayca özelleştirebilir veya araştırma ve geliştirme fikirlerini keşfedebilirsin. Ultralytics YOLO'nun modüler tasarımı, ister yeni bir bilgisayarlı görü görevi üzerinde çalışıyor ol, ister daha iyi performans için mevcut modelleri ince ayar yapıyor ol, çerçeveyi özel ihtiyaçlarına göre uyarlamana olanak tanır.
SSS
YOLO'yu nesne algılama için Python projeme nasıl entegre edebilirim?
Ultralytics YOLO'yu Python projelerine entegre etmek basittir. Önceden eğitilmiş bir model yükleyebilir veya sıfırdan yeni bir model eğitebilirsin. İşte başlamanın yolu:
from ultralytics import YOLO
# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")
# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Visualize the results
for result in results:
result.show()Daha detaylı örnekleri Tahmin Modu bölümümüzde görebilirsin.
YOLO'da mevcut olan farklı modlar nelerdir?
Ultralytics YOLO, farklı makine öğrenimi iş akışlarına hitap etmek için çeşitli modlar sunar. Bunlar şunları içerir:
- Eğitim: Özel veri kümelerini kullanarak bir model eğit.
- Doğrulama: Model performansını bir doğrulama kümesi üzerinde doğrula.
- Tahmin: Yeni görüntüler veya video akışları üzerinde tahminler yap.
- Dışa Aktarma: Modelleri ONNX ve TensorRT gibi çeşitli formatlara aktar.
- Takip Et: Video akışlarında gerçek zamanlı nesne takibi yap.
- Kıyaslama: Model performansını farklı yapılandırmalar genelinde kıyasla.
Her mod, model geliştirme ve dağıtımın farklı aşamaları için kapsamlı işlevler sağlamak üzere tasarlanmıştır.
Veri kümemi kullanarak özel bir YOLO modelini nasıl eğitebilirim?
Özel bir YOLO modeli eğitmek için veri kümeni ve diğer hiperparametreleri belirtmen gerekir. İşte hızlı bir örnek:
from ultralytics import YOLO
# Load the YOLO model
model = YOLO("yolo26n.yaml")
# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)Eğitim hakkında daha fazla ayrıntı ve örnek kullanım için köprüler için Eğitim Modu sayfamızı ziyaret et.
YOLO modellerini dağıtım için nasıl dışa aktarırım?
YOLO modellerini dağıtıma uygun bir formatta dışa aktarmak, export fonksiyonu ile oldukça kolaydır. Örneğin, bir modeli ONNX formatına aktarabilirsin:
from ultralytics import YOLO
# Load the YOLO model
model = YOLO("yolo26n.pt")
# Export the model to ONNX format
model.export(format="onnx")Çeşitli dışa aktarma seçenekleri için Dışa Aktarma Modu dokümantasyonuna bak.
YOLO modelimi farklı veri kümeleri üzerinde doğrulayabilir miyim?
Evet, YOLO modellerini farklı veri kümeleri üzerinde doğrulamak mümkündür. Eğitimden sonra, performansı değerlendirmek için doğrulama modunu kullanabilirsin:
from ultralytics import YOLO
# Load a YOLO model
model = YOLO("yolo26n.yaml")
# Train the model
model.train(data="coco8.yaml", epochs=5)
# Validate the model on a different dataset
model.val(data="path/to/separate/data.yaml")Detaylı örnekler ve kullanım için Doğrulama Modu sayfasına göz at.