Ultralytics YOLO11 Modları
Giriş
Ultralytics YOLO11 sadece başka bir nesne algılama modeli değildir; veri alımı ve model eğitiminden doğrulama, dağıtım ve gerçek dünya takibine kadar makine öğrenimi modellerinin tüm yaşam döngüsünü kapsayacak şekilde tasarlanmış çok yönlü bir çerçevedir. Her mod belirli bir amaca hizmet eder ve farklı görevler ve kullanım durumları için gereken esnekliği ve verimliliği sunmak üzere tasarlanmıştır.
İzle: Ultralytics Modları Eğitimi: Eğit, Doğrula, Tahmin Et, Dışa Aktar ve Karşılaştır.
Bir Bakışta Modlar
Ultralytics YOLO11'in desteklediği farklı modları anlamak, modellerinizden en iyi şekilde yararlanmak için kritik öneme sahiptir:
- Eğitim modu: Modelinizi özel veya önceden yüklenmiş veri kümelerinde ince ayar yapın.
- Doğrulama modu: Model performansını doğrulamak için eğitim sonrası bir kontrol noktası.
- Tahmin modu: Modelinizin tahmin gücünü gerçek dünya verilerinde serbest bırakın.
- Dışa Aktarma modu: Model dağıtımınızı çeşitli formatlarda hazırlayın.
- İzleme modu: Nesne algılama modelinizi gerçek zamanlı izleme uygulamalarına genişletin.
- Benchmark modu: Modelinizin hızını ve doğruluğunu çeşitli dağıtım ortamlarında analiz edin.
Bu kapsamlı kılavuz, YOLO11'in tüm potansiyelinden yararlanmanıza yardımcı olmak için her moda genel bir bakış ve pratik bilgiler sunmayı amaçlamaktadır.
Eğit
Eğitim modu, özel bir veri kümesinde bir YOLO11 modelini 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 modelin parametrelerini optimize etmeyi içerir. Eğitim, uygulamanızla ilgili belirli nesneleri tanıyabilen modeller oluşturmak için önemlidir.
Doğrula
Val modu, bir YOLO11 modeli eğitildikten sonra doğrulamak için kullanılır. Bu modda, modelin doğruluğunu ve genelleme performansını ölçmek için bir doğrulama kümesi üzerinde değerlendirilir. Doğrulama, aşırı öğrenme gibi potansiyel sorunları belirlemeye yardımcı olur ve model performansını ölçmek için ortalama Ortalama Hassasiyet (mAP) gibi metrikler sağlar. Bu mod, hiperparametreleri ayarlamak ve genel model etkinliğini artırmak için çok önemlidir.
Tahmin et
Tahmin modu, eğitilmiş bir YOLO11 modelini kullanarak yeni resimler veya videolar üzerinde tahminler yapmak için kullanılır. Bu modda, model bir kontrol noktası dosyasından yüklenir ve kullanıcı çıkarım gerçekleştirmek için resim veya video sağlayabilir. Model, girdi medyasındaki nesneleri tanımlar ve yerelleştirir, bu da onu gerçek dünya uygulamaları için hazır hale getirir. Tahmin modu, eğitilmiş modelinizi pratik sorunları çözmek için uygulamanın yolunu açar.
Dışa aktar
Dışa aktarma modu, bir YOLO11 modelini farklı platformlarda ve cihazlarda dağıtıma uygun formatlara dönüştürmek için kullanılır. Bu mod, PyTorch modelinizi ONNX, TensorRT veya CoreML gibi optimize edilmiş formatlara dönüştürerek üretim ortamlarında dağıtım olanağı sağlar. Dışa aktarma, modelinizi çeşitli yazılım uygulamaları veya donanım cihazlarıyla entegre etmek için önemlidir ve genellikle önemli performans iyileştirmeleriyle sonuçlanır.
İzle
İzleme modu, YOLO11'in nesne algılama yeteneklerini, nesneleri video kareleri veya canlı yayınlar arasında izlemek için genişletir. Bu mod, özellikle gözetim sistemleri veya otonom sürüşlü arabalar gibi kalıcı nesne tanımlaması gerektiren uygulamalar için değerlidir. İzleme modu, nesneler geçici olarak görüş alanından kaybolduğunda bile, nesne kimliğini kareler arasında korumak için ByteTrack gibi gelişmiş algoritmalar uygular.
Kıyaslama
Kıyaslama modu, YOLO11 için çeşitli dışa aktarma formatlarının hızını ve doğruluğunu profiller. Bu mod, model boyutu, doğruluk (algılama görevleri için mAP50-95 veya sınıflandırma için accuracy_top5) ve ONNX, OpenVINO ve TensorRT gibi farklı formatlardaki çıkarım süresi hakkında kapsamlı metrikler sağlar. Kıyaslama, dağıtım ortamınızdaki hız ve doğruluk için özel gereksinimlerinize göre en uygun dışa aktarma formatını seçmenize yardımcı olur.
SSS
Ultralytics YOLO11 ile nasıl özel bir nesne algılama modeli eğitirim?
Ultralytics YOLO11 ile özel bir nesne algılama modeli eğitmek, eğitim modunu kullanmayı içerir. Görüntüler ve karşılık gelen açıklama dosyalarını içeren YOLO formatında biçimlendirilmiş bir veri kümesine ihtiyacınız vardır. Eğitim sürecini başlatmak için aşağıdaki komutu kullanın:
Örnek
from ultralytics import YOLO
# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")
# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)
# Train a YOLO model from the command line
yolo train data=path/to/dataset.yaml epochs=100 imgsz=640
Daha ayrıntılı talimatlar için Ultralytics Eğitim Kılavuzu'na başvurabilirsiniz.
Ultralytics YOLO11, modelin performansını doğrulamak için hangi metrikleri kullanır?
Ultralytics YOLO11, model performansını değerlendirmek için doğrulama sürecinde çeşitli metrikler kullanır. Bunlar şunları içerir:
- mAP (ortalama Ortalama Kesinlik): Bu, nesne algılama doğruluğunu değerlendirir.
- IOU (Kesişim Üzerinden Birleşim): Tahmin edilen ve gerçek bounding box'lar arasındaki örtüşmeyi ölçer.
- Kesinlik ve Geri Çağırma: Kesinlik, gerçek pozitif tespitlerin toplam tespit edilen pozitiflere oranını ölçerken, geri çağırma gerçek pozitif tespitlerin toplam gerçek pozitiflere oranını ölçer.
Doğrulamayı başlatmak için aşağıdaki komutu çalıştırabilirsiniz:
Örnek
from ultralytics import YOLO
# Load a pre-trained or custom YOLO model
model = YOLO("yolo11n.pt")
# Run validation on your dataset
model.val(data="path/to/validation.yaml")
# Validate a YOLO model from the command line
yolo val data=path/to/validation.yaml
Daha fazla ayrıntı için Doğrulama Kılavuzu'na bakın.
YOLO11 modelimi dağıtım için nasıl dışa aktarabilirim?
Ultralytics YOLO11, eğitilmiş modelinizi ONNX, TensorRT, CoreML ve daha fazlası gibi çeşitli dağıtım formatlarına dönüştürmek için dışa aktarma işlevselliği sunar. Modelinizi dışa aktarmak için aşağıdaki örneği kullanın:
Örnek
from ultralytics import YOLO
# Load your trained YOLO model
model = YOLO("yolo11n.pt")
# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")
# Export a YOLO model to ONNX format from the command line
yolo export model=yolo11n.pt format=onnx
Her dışa aktarma formatı için ayrıntılı adımlar Dışa Aktarma Kılavuzu'nda bulunabilir.
Ultralytics YOLO11'deki benchmark modunun amacı nedir?
Ultralytics YOLO11'deki kıyaslama modu, hızı ve doğruluğu ONNX, TensorRT ve OpenVINO gibi çeşitli dışa aktarma formatlarını analiz etmek için kullanılır. Model boyutu gibi metrikler sağlar, mAP50-95 nesne algılama için ve farklı donanım kurulumlarında çıkarım süresi, dağıtım ihtiyaçlarınız için en uygun formatı seçmenize yardımcı olur.
Örnek
from ultralytics.utils.benchmarks import benchmark
# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)
# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0
Daha fazla ayrıntı için Kıyaslama Kılavuzu'na bakın.
Ultralytics YOLO11 kullanarak gerçek zamanlı nesne takibini nasıl gerçekleştirebilirim?
Gerçek zamanlı nesne izleme, Ultralytics YOLO11'deki izleme modu kullanılarak elde edilebilir. Bu mod, nesne algılama yeteneklerini video kareleri veya canlı yayınlar arasında nesneleri izlemek için genişletir. İzlemeyi etkinleştirmek için aşağıdaki örneği kullanın:
Örnek
from ultralytics import YOLO
# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")
# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")
# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4
Ayrıntılı talimatlar için İzleme Kılavuzu'nu ziyaret edin.
