<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>

Link to this sectionUltralytics YOLOv5 Kapsamlı Rehberi#

Ultralytics YOLOv5🚀 Dokümantasyonuna hoş geldin! Devrim niteliğindeki "You Only Look Once" nesne algılama modelinin beşinci yinelemesi olan Ultralytics YOLOv5, gerçek zamanlı olarak yüksek hızlı ve yüksek doğruluklu sonuçlar sunmak üzere tasarlanmıştır. YOLOv5 güçlü bir araç olmaya devam etse de, en son gelişmeler için halefleri olan Ultralytics YOLOv8, YOLO11 ve YOLO26 modellerini incelemeyi düşünebilirsin.

PyTorch üzerine inşa edilen bu güçlü derin öğrenme çerçevesi, çok yönlülüğü, kullanım kolaylığı ve yüksek performansı sayesinde muazzam bir popülerlik kazanmıştır. Dokümantasyonumuz kurulum sürecinde sana rehberlik eder, modelin mimari inceliklerini açıklar, çeşitli kullanım durumlarını sergiler ve bir dizi ayrıntılı eğitim sağlar. Bu kaynaklar, bilgisayarlı görü projelerin için YOLOv5'in tüm potansiyelinden yararlanmana yardımcı olacaktır. Hadi başlayalım!

Link to this sectionKeşfet ve Öğren#

İşte YOLOv5'in farklı yönlerinde sana rehberlik edecek kapsamlı eğitimlerin bir derlemesi.

• Özel Verileri Eğit 🚀 ÖNERİLEN: YOLOv5 modelini kendi özel veri setin üzerinde nasıl eğiteceğini öğren.
• En İyi Eğitim Sonuçları İçin İpuçları ☘️: Model eğitim sürecini optimize etmek için pratik ipuçlarını keşfet.
• Çoklu GPU ile Eğitim: Eğitimini hızlandırmak için birden fazla GPU'dan nasıl yararlanacağını anla.
• PyTorch Hub 🌟 YENİ: PyTorch Hub aracılığıyla önceden eğitilmiş modelleri yüklemeyi öğren.
• TFLite, ONNX, CoreML, TensorRT Dışa Aktarımı 🚀: Modelini farklı formatlara nasıl aktaracağını anla.
• Test Zamanı Artırma (TTA): Modelinin tahmin doğruluğunu artırmak için TTA'yı nasıl kullanacağını keşfet.
• Model Birleştirme: Gelişmiş performans için birden fazla modeli birleştirme stratejisini öğren.
• Model Budama/Seyreklik: Budama ve seyreklik kavramlarını ve nasıl daha verimli bir model oluşturacağını anla.
• Hiperparametre Evrimi: Daha iyi model performansı için otomatik hiperparametre ayarı sürecini keşfet.
• Dondurulmuş Katmanlarla Transfer Öğrenme: YOLOv5'teki katmanları dondurarak transfer öğrenmeyi nasıl uygulayacağını öğren.
• Mimari Özeti 🌟 YOLOv5 modelinin yapısal detaylarına in. Daha fazla bilgi için YOLOv5 v6.0 blog gönderisini oku.
• ClearML Günlük Kaydı Entegrasyonu 🌟 Model eğitimin sırasında verimli günlük kaydı için ClearML entegrasyonunun nasıl yapılacağını öğren.
• Neural Magic ile YOLOv5: YOLOv5 modelini budamak ve nicemlemek için Neural Magic's DeepSparse kullanımını keşfet.
• Comet Günlük Kaydı Entegrasyonu 🌟 YENİ: Daha iyi model eğitimi günlük kaydı için Comet kullanımını keşfet.

Link to this sectionDesteklenen Ortamlar#

Ultralytics, projelerine hız kazandırmak için CUDA, CuDNN, Python ve PyTorch gibi temel bağımlılıkların her biri önceden yüklenmiş, kullanıma hazır bir dizi ortam sağlar. Ayrıca Ultralytics Platform kullanarak modellerini ve veri setlerini yönetebilirsin.

• Ücretsiz GPU Not Defterleri:
• Google Cloud: GCP Hızlı Başlangıç Kılavuzu
• Amazon: AWS Hızlı Başlangıç Kılavuzu
• Azure: AzureML Hızlı Başlangıç Kılavuzu
• Docker: Docker Hızlı Başlangıç Kılavuzu

Link to this sectionProje Durumu#

Bu rozet, tüm YOLOv5 GitHub Actions Sürekli Entegrasyon (CI) testlerinin başarıyla geçtiğini gösterir. Bu CI testleri, YOLOv5'in işlevselliğini ve performansını çeşitli temel yönlerden titizlikle kontrol eder: eğitim, doğrulama, çıkarım, dışa aktarma ve kıyaslamalar. macOS, Windows ve Ubuntu üzerinde tutarlı ve güvenilir çalışmayı garanti eder; testler her 24 saatte bir ve her yeni commit yapıldığında gerçekleştirilir.

Link to this sectionBağlantı Kur ve Katkıda Bulun#

YOLOv5 ile olan yolculuğun yalnız olmak zorunda değil. GitHub üzerindeki canlı topluluğumuza katıl, LinkedIn üzerinde profesyonellerle bağlantı kur, sonuçlarını Twitter üzerinde paylaş ve YouTube üzerinde eğitici kaynaklar bul. Daha fazla ilgi çekici içerik için bizi TikTok ve BiliBili üzerinden takip et.

Katkıda bulunmak ister misin? Kod iyileştirmelerinden hata bildirimlerine ve dokümantasyon güncellemelerine kadar her türlü katkıyı memnuniyetle karşılıyoruz. Daha fazla bilgi için katkıda bulunma kılavuzumuza göz at.

YOLOv5'i kullanacağın yenilikçi yolları görmeyi dört gözle bekliyoruz. Hadi dal, dene ve bilgisayarlı görü projelerinde devrim yarat! 🚀

Link to this sectionSSS#

Link to this sectionUltralytics YOLOv5'in temel özellikleri nelerdir?#

Ultralytics YOLOv5, yüksek hızlı ve yüksek doğruluklu nesne algılama yetenekleriyle tanınır. PyTorch üzerine inşa edilmiştir, çok yönlü ve kullanıcı dostudur, bu da onu çeşitli bilgisayarlı görü projeleri için uygun hale getirir. Temel özellikleri arasında gerçek zamanlı çıkarım, Test Zamanı Artırma (TTA) ve Model Birleştirme gibi çok sayıda eğitim hilesi desteği ve TFLite, ONNX, CoreML ve TensorRT gibi dışa aktarma formatlarıyla uyumluluk yer alır. Ultralytics YOLOv5'in projenizi nasıl ileriye taşıyabileceğini daha derinlemesine incelemek için TFLite, ONNX, CoreML, TensorRT Dışa Aktarım kılavuzumuzu keşfet.

Link to this sectionKendi veri setim üzerinde nasıl özel bir YOLOv5 modeli eğitebilirim?#

Kendi veri setin üzerinde özel bir YOLOv5 modeli eğitmek birkaç temel adım içerir. Öncelikle, veri setini etiketlerle açıklanmış şekilde gerekli formatta hazırla. Ardından, YOLOv5 eğitim parametrelerini yapılandır ve train.py betiğini kullanarak eğitim sürecini başlat. Bu süreçle ilgili derinlemesine bir eğitim için Özel Verileri Eğit kılavuzumuza başvur. Kendi özel kullanım durumun için en iyi sonuçları sağlamak adına adım adım talimatlar sunar.

Link to this sectionUltralytics YOLOv5'i neden RCNN gibi diğer nesne algılama modelleri yerine kullanmalıyım?#

Ultralytics YOLOv5, gerçek zamanlı nesne algılamadaki üstün hız ve doğruluğu nedeniyle R-CNN gibi modellere tercih edilir. YOLOv5, görüntünün tamamını tek seferde işler, bu da onu birden fazla geçiş gerektiren RCNN'in bölge tabanlı yaklaşımına kıyasla önemli ölçüde daha hızlı hale getirir. Ayrıca, YOLOv5'in çeşitli dışa aktarma formatlarıyla sorunsuz entegrasyonu ve kapsamlı dokümantasyonu, onu hem yeni başlayanlar hem de profesyoneller için mükemmel bir seçim haline getirir. Mimari avantajlar hakkında daha fazla bilgiyi Mimari Özetimizde öğrenebilirsin.

Link to this sectionEğitim sırasında YOLOv5 model performansını nasıl optimize edebilirim?#

YOLOv5 model performansını optimize etmek, çeşitli hiperparametrelerin ayarlanmasını ve veri artırma ile transfer öğrenme gibi tekniklerin dahil edilmesini içerir. Ultralytics, model verimliliğini artırmak için hiperparametre evrimi ve budama/seyreklik konularında kapsamlı kaynaklar sağlar. Eğitim sırasında optimum performansa ulaşmak için eyleme geçirilebilir içgörüler sunan En İyi Eğitim Sonuçları İçin İpuçları kılavuzumuzda pratik ipuçlarını keşfedebilirsin.

Link to this sectionYOLOv5 uygulamalarını çalıştırmak için hangi ortamlar destekleniyor?#

Ultralytics YOLOv5, Gradient, Google Colab ve Kaggle üzerindeki ücretsiz GPU not defterlerinin yanı sıra Google Cloud, Amazon AWS ve Azure gibi büyük bulut platformları da dahil olmak üzere çeşitli ortamları destekler. Kolay kurulum için Docker görüntüleri de mevcuttur. Bu ortamları kurmaya yönelik ayrıntılı bir kılavuz için, her platform için adım adım talimatlar içeren Desteklenen Ortamlar bölümümüze göz at.