İçeriğe geç

Ultralytics YOLO Sıkça Sorulan Sorular (SSS)

Bu SSS bölümü, kullanıcıların Ultralytics YOLO depolarıyla çalışırken karşılaşabileceği yaygın soruları ve sorunları ele almaktadır.

SSS

Ultralytics nedir ve neler sunar?

Ultralytics, YOLO (You Only Look Once) ailesine odaklanan, son teknoloji nesne algılama ve görüntü segmentasyonu modellerinde uzmanlaşmış bir bilgisayar görüşü yapay zeka şirketidir. Sundukları şunları içerir:

Ultralytics paketini nasıl kurarım?

Ultralytics paketini kurmak pip kullanılarak kolaydır:

pip install ultralytics

En son geliştirme sürümü için doğrudan GitHub deposundan yükleyin:

pip install git+https://github.com/ultralytics/ultralytics.git

Ayrıntılı kurulum talimatları hızlı başlangıç kılavuzunda bulunabilir.

Ultralytics modellerini çalıştırmak için sistem gereksinimleri nelerdir?

Minimum gereksinimler:

  • python 3.8+
  • PyTorch 1.8+
  • CUDA uyumlu GPU (GPU hızlandırması için)

Önerilen kurulum:

  • python 3.8+
  • PyTorch 1.10+
  • CUDA 11.2+ ile NVIDIA GPU
  • 8GB+ RAM
  • 50GB+ boş disk alanı (veri kümesi depolama ve model eğitimi için)

Sık karşılaşılan sorunları gidermek için YOLO Sık Karşılaşılan Sorunlar sayfasını ziyaret edin.

Kendi veri setimde özel bir YOLO modelini nasıl eğitebilirim?

Özel bir YOLO modeli eğitmek için:

  1. Veri kümenizi YOLO formatında hazırlayın (görüntüler ve ilgili etiket txt dosyaları).
  2. Veri kümesi yapınızı ve sınıflarınızı açıklayan bir YAML dosyası oluşturun.

  3. Eğitime başlamak için aşağıdaki python kodunu kullanın:

    from ultralytics import YOLO

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

# Train the model
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

Veri hazırlama ve gelişmiş eğitim seçenekleri de dahil olmak üzere daha kapsamlı bir kılavuz için, kapsamlı eğitim kılavuzuna bakın.

Ultralytics'te hangi önceden eğitilmiş modeller mevcuttur?

Ultralytics, çeşitli görevler için çok çeşitli önceden eğitilmiş modeller sunar:

  • Nesne Tespiti: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
  • Örnek Bölütleme: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
  • Sınıflandırma: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls
  • Poz Tahmini: YOLO11n-pose, YOLO11s-pose, YOLO11m-pose, YOLO11l-pose, YOLO11x-pose

Bu modeller boyut ve karmaşıklık açısından farklılık gösterir ve hız ve doğruluk arasında farklı ödünleşimler sunar. Projenize en uygun olanı bulmak için önceden eğitilmiş modellerin tüm yelpazesini keşfedin.

Eğitilmiş bir Ultralytics modeli kullanarak çıkarımı nasıl gerçekleştiririm?

Eğitilmiş bir modelle çıkarım gerçekleştirmek için:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Toplu işleme ve video çıkarımı dahil olmak üzere gelişmiş çıkarım seçenekleri için ayrıntılı tahmin kılavuzuna göz atın.

Ultralytics modelleri, uç cihazlarda veya üretim ortamlarında dağıtılabilir mi?

Kesinlikle! Ultralytics modelleri, çeşitli platformlarda çok yönlü dağıtım için tasarlanmıştır:

  • Uç cihazlar: NVIDIA Jetson veya Intel Neural Compute Stick gibi cihazlarda çıkarımı TensorRT, ONNX veya OpenVINO kullanarak optimize edin.
  • Mobil: Modelleri TFLite veya Core ML'ye dönüştürerek Android veya iOS cihazlarında dağıtım yapın.
  • Bulut: Ölçeklenebilir bulut dağıtımları için TensorFlow Serving veya PyTorch Serve gibi çerçevelerden yararlanın.
  • Web: ONNX.js veya TensorFlow.js kullanarak tarayıcı içi çıkarım uygulayın.

Ultralytics, modelleri dağıtım için çeşitli formatlara dönüştürmek için dışa aktarma fonksiyonları sağlar. Kullanım durumunuza en uygun çözümü bulmak için geniş dağıtım seçeneklerini keşfedin.

YOLOv8 ve YOLO11 arasındaki fark nedir?

Temel ayrımlar şunları içerir:

  • Mimari: YOLO11, gelişmiş performans için iyileştirilmiş bir backbone ve başlık tasarımına sahiptir.
  • Performans: YOLO11 genellikle YOLOv8'e kıyasla daha üstün doğruluk ve hız sunar.
  • Verimlilik: YOLO11m, COCO veri kümesinde YOLOv8m'den %22 daha az parametreyle daha yüksek ortalama Hassasiyet (mAP) elde eder.
  • Görevler: Her iki model de birleşik bir çerçevede nesne tespiti, örnek segmentasyonu, sınıflandırma ve poz tahmini destekler.
  • Kod Tabanı: YOLO11, daha modüler ve genişletilebilir bir mimari ile uygulanır, bu da daha kolay özelleştirme ve genişletme sağlar.

Özelliklerin ve performans metriklerinin derinlemesine karşılaştırması için YOLO11 dokümantasyon sayfasını ziyaret edin.

Ultralytics açık kaynak projesine nasıl katkıda bulunabilirim?

Ultralytics'e katkıda bulunmak, projeyi geliştirmek ve becerilerinizi genişletmek için harika bir yoldur. İşte nasıl dahil olabileceğiniz:

  1. GitHub'da Ultralytics deposunu çatallayın.
  2. Özelliğiniz veya hata düzeltmeniz için yeni bir dal oluşturun.
  3. Değişikliklerinizi yapın ve tüm testlerin geçtiğinden emin olun.
  4. Değişikliklerinizin açık bir açıklamasıyla bir çekme isteği gönderin.
  5. Kod inceleme sürecine katılın.

Hataları bildirerek, özellikler önererek veya belgeleri iyileştirerek de katkıda bulunabilirsiniz. Ayrıntılı yönergeler ve en iyi uygulamalar için katkıda bulunma kılavuzuna bakın.

Ultralytics paketini Python'a nasıl kurarım?

Ultralytics paketini Python'a kurmak basittir. Terminalinizde veya komut isteminizde aşağıdaki komutu çalıştırarak pip'i kullanın:

pip install ultralytics

En son geliştirme sürümü için doğrudan GitHub deposundan yükleyin:

pip install git+https://github.com/ultralytics/ultralytics.git

Ortama özgü kurulum talimatları ve sorun giderme ipuçları için kapsamlı hızlı başlangıç kılavuzuna başvurun.

Ultralytics YOLO'nun ana özellikleri nelerdir?

Ultralytics YOLO, gelişmiş bilgisayar görüşü görevleri için zengin bir özellik setine sahiptir:

  • Gerçek Zamanlı Algılama: Gerçek zamanlı senaryolarda nesneleri verimli bir şekilde algılayın ve sınıflandırın.
  • Çoklu Görev Yetenekleri: Birleşik bir çerçeve ile nesne algılama, örnek segmentasyonu, sınıflandırma ve poz tahmini gerçekleştirin.
  • Önceden Eğitilmiş Modeller: Farklı kullanım durumları için hızı ve doğruluğu dengeleyen çeşitli önceden eğitilmiş modellere erişin.
  • Özel Eğitim: Esnek eğitim hattı ile özel veri kümelerinde modelleri kolayca ince ayar yapın.
  • Geniş Dağıtım Seçenekleri: Modelleri farklı platformlarda dağıtmak için TensorRT, ONNX ve CoreML gibi çeşitli formatlara aktarın.
  • Kapsamlı Belgeler: Bilgisayar görüşü yolculuğunuzda size rehberlik edecek kapsamlı belgelerden ve destekleyici bir topluluktan yararlanın.

YOLO modelimin performansını nasıl artırabilirim?

YOLO modelinizin performansını artırmak çeşitli tekniklerle elde edilebilir:

  1. Hiperparametre Ayarlama: Model performansını optimize etmek için Hiperparametre Ayarlama Kılavuzu'nu kullanarak farklı hiperparametrelerle deneyler yapın.
  2. Veri Artırma: Eğitim veri kümenizi geliştirmek ve model genellemesini iyileştirmek için çevirme, ölçekleme, döndürme ve renk ayarlamaları gibi teknikleri uygulayın.
  3. Transfer Öğrenimi: Eğitim kılavuzunu kullanarak önceden eğitilmiş modellerden yararlanın ve bunları belirli veri kümenizde ince ayar yapın.
  4. Verimli Formatlara Aktar: Dışa aktarma kılavuzunu kullanarak daha hızlı çıkarım için modelinizi TensorRT veya ONNX gibi optimize edilmiş formatlara dönüştürün.
  5. Kıyaslama: Çıkarım hızını ve doğruluğunu sistematik olarak ölçmek ve iyileştirmek için Kıyaslama Modu'nu kullanın.

Ultralytics YOLO modellerini mobil ve uç cihazlarda dağıtabilir miyim?

Evet, Ultralytics YOLO modelleri, mobil ve uç cihazlar dahil olmak üzere çok yönlü dağıtım için tasarlanmıştır:

  • Mobil: Android veya iOS uygulamalarına sorunsuz entegrasyon için modelleri TFLite veya CoreML'e dönüştürün. Platforma özel talimatlar için TFLite Entegrasyon Kılavuzu ve CoreML Entegrasyon Kılavuzu'na bakın.
  • Uç Cihazlar: NVIDIA Jetson veya diğer uç donanımları gibi cihazlarda çıkarımı TensorRT veya ONNX kullanarak optimize edin. Edge TPU Entegrasyon Kılavuzu uç dağıtım için ayrıntılı adımlar sunar.

Çeşitli platformlardaki dağıtım stratejilerine kapsamlı bir genel bakış için dağıtım seçenekleri kılavuzuna başvurun.

Eğitilmiş bir Ultralytics YOLO modeli kullanarak çıkarımı nasıl gerçekleştirebilirim?

Eğitilmiş bir Ultralytics YOLO modeliyle çıkarım yapmak basittir:

  1. Modeli Yükleme:

    from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")

  2. Çıkarımı Çalıştır:

    results = model("path/to/image.jpg")

for r in results:
    print(r.boxes)  # print bounding box predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Toplu işleme, video çıkarımı ve özel ön işleme dahil olmak üzere gelişmiş çıkarım teknikleri için ayrıntılı tahmin kılavuzuna bakın.

Ultralytics'i kullanmak için örnekleri ve eğitimleri nerede bulabilirim?

Ultralytics, başlamanıza ve araçlarında uzmanlaşmanıza yardımcı olacak zengin kaynaklar sunar:

  • 📚 Resmi dokümantasyon: Kapsamlı kılavuzlar, API referansları ve en iyi uygulamalar.
  • 💻 GitHub deposu: Kaynak kodu, örnek komut dosyaları ve topluluk katkıları.
  • ✍️ Ultralytics blogu: Derinlemesine makaleler, kullanım örnekleri ve teknik bilgiler.
  • 💬 Topluluk forumları: Diğer kullanıcılarla bağlantı kurun, soru sorun ve deneyimlerinizi paylaşın.
  • 🎥 YouTube kanalı: Çeşitli Ultralytics konularında video eğitimleri, demolar ve web seminerleri.

Bu kaynaklar, Ultralytics modellerini kullanarak çeşitli görevler için kod örnekleri, gerçek dünya kullanım örnekleri ve adım adım kılavuzlar sağlar.

Daha fazla yardıma ihtiyacınız olursa, Ultralytics belgelerine başvurmaktan veya GitHub Sorunları veya resmi tartışma forumu aracılığıyla topluluğa ulaşmaktan çekinmeyin.



📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi
glenn-jocher Laughing-q UltralyticsAssistant RizwanMunawar

Yorumlar