Ultralytics YOLO26 Modları
Giriş
Ultralytics YOLO26 sadece başka bir nesne algılama modeli değildir; veri alımından model eğitimine, doğrulamadan dağıtıma 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 senaryoları için ihtiyacın olan esnekliği ve verimliliği sunmak üzere tasarlanmıştır.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Modlara Genel Bakış
Ultralytics YOLO26'nın desteklediği farklı modları anlamak, modellerinden en iyi şekilde yararlanman için kritiktir:
- Train modu: Modelini özel veya önceden yüklenmiş veri setleri üzerinde ince ayarla.
- Val modu: Model performansını doğrulamak için eğitim sonrası bir kontrol noktası.
- Predict modu: Modelinin tahmine dayalı gücünü gerçek dünya verileri üzerinde ortaya çıkar.
- Export modu: Model dağıtımını çeşitli formatlarda hazır hale getir.
- Track modu: Nesne algılama modelini gerçek zamanlı takip uygulamalarına genişlet.
- Benchmark modu: Çeşitli dağıtım ortamlarında modelinin hızını ve doğruluğunu analiz et.
Bu kapsamlı kılavuz, sana her mod hakkında genel bir bakış ve pratik bilgiler sunmayı, böylece YOLO26'nın tüm potansiyelinden yararlanmana yardımcı olmayı amaçlar.
Train
Train modu, bir YOLO26 modelini özel bir veri seti üzerinde eğitmek için kullanılır. Bu modda model, belirtilen veri seti ve hiperparametreler kullanılarak eğitilir. Eğitim süreci, modelin bir görüntüdeki nesnelerin sınıflarını ve konumlarını doğru bir şekilde tahmin edebilmesi için modelin parametrelerinin optimize edilmesini içerir. Eğitim, uygulamanla ilgili belirli nesneleri tanıyabilen modeller oluşturmak için gereklidir.
Val
Val modu, bir YOLO26 modelini eğitildikten sonra doğrulamak için kullanılır. Bu modda model, doğruluğunu ve genelleme performansını ölçmek için bir doğrulama seti üzerinde değerlendirilir. Doğrulama, aşırı öğrenme gibi olası sorunları tanımlamaya yardımcı olur ve model performansını ölçmek için ortalama Hassasiyet (mAP) gibi metrikler sağlar. Bu mod, hiperparametreleri ayarlamak ve genel model etkinliğini artırmak için çok önemlidir.
Predict
Predict modu, eğitilmiş bir YOLO26 modelini kullanarak yeni görüntüler veya videolar üzerinde tahminler yapmak için kullanılır. Bu modda model bir kontrol noktası dosyasından yüklenir ve çıkarım yapmak için görüntüler veya videolar sağlayabilirsin. Model, girdi medyasındaki nesneleri tanımlar ve yerelleştirir, böylece onları gerçek dünya uygulamalarına hazır hale getirir. Predict modu, eğitilmiş modelini pratik sorunları çözmek için uygulamanın kapısıdır.
Export
Export modu, bir YOLO26 modelini farklı platformlar ve cihazlarda dağıtıma uygun formatlara dönüştürmek için kullanılır. Bu mod, PyTorch modelini ONNX, TensorRT veya CoreML gibi optimize edilmiş formatlara dönüştürerek üretim ortamlarında dağıtımı sağlar. Dışa aktarma, modelini çeşitli yazılım uygulamaları veya donanım cihazlarıyla entegre etmek için gereklidir ve genellikle önemli performans iyileştirmeleriyle sonuçlanır.
Track
Track modu, YOLO26'nın nesne algılama yeteneklerini video kareleri veya canlı yayınlar boyunca nesneleri takip edecek şekilde genişletir. Bu mod, gözetim sistemleri veya sürücüsüz araçlar gibi sürekli nesne tanımlama gerektiren uygulamalar için özellikle değerlidir. Track modu, nesneler geçici olarak görüş alanından kaybolsa bile kareler boyunca nesne kimliğini korumak için ByteTrack gibi gelişmiş algoritmalar uygular.
Benchmark
Benchmark modu, YOLO26 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 formatlar genelinde çıkarım süresi hakkında kapsamlı metrikler sağlar. Kıyaslama yapmak, dağıtım ortamındaki hız ve doğruluk konusundaki özel gereksinimlerine göre en uygun dışa aktarma formatını seçmene yardımcı olur.
SSS
Ultralytics YOLO26 ile nasıl özel bir nesne algılama modeli eğitebilirim?
Ultralytics YOLO26 ile özel bir nesne algılama modeli eğitmek, train modunu kullanmayı içerir. Görüntüler ve karşılık gelen açıklama dosyalarını içeren, YOLO formatında biçimlendirilmiş bir veri setine ihtiyacın vardır. Eğitim sürecini başlatmak için aşağıdaki komutu kullan:
from ultralytics import YOLO
# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")
# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)Daha ayrıntılı talimatlar için Ultralytics Train Rehberi sayfasına başvurabilirsin.
Ultralytics YOLO26, modelin performansını doğrulamak için hangi metrikleri kullanır?
Ultralytics YOLO26, model performansını değerlendirmek için doğrulama sürecinde çeşitli metrikler kullanır. Bunlar şunları içerir:
- mAP (mean Average Precision): Bu, nesne algılamanın doğruluğunu değerlendirir.
- IOU (Intersection over Union): Tahmin edilen ve gerçek sınırlayıcı kutular arasındaki örtüşmeyi ölçer.
- Hassasiyet ve Anımsama: Hassasiyet, doğru pozitif algılamaların toplam algılanan pozitiflere oranını ölçerken, anımsama doğru pozitif algılamaların toplam gerçek pozitiflere oranını ölçer.
Doğrulamayı başlatmak için şu komutu çalıştırabilirsin:
from ultralytics import YOLO
# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")
# Run validation on your dataset
model.val(data="path/to/validation.yaml")Daha fazla ayrıntı için Doğrulama Rehberi sayfasına bak.
YOLO26 modelimi dağıtım için nasıl dışa aktarabilirim?
Ultralytics YOLO26, eğitilmiş modelini ONNX, TensorRT, CoreML ve daha fazlası gibi çeşitli dağıtım formatlarına dönüştürmek için dışa aktarma işlevselliği sunar. Modelini dışa aktarmak için aşağıdaki örneği kullan:
from ultralytics import YOLO
# Load your trained YOLO model
model = YOLO("yolo26n.pt")
# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")Her dışa aktarma formatı için ayrıntılı adımlar Export Rehberi içinde bulunabilir.
Ultralytics YOLO26'daki benchmark modunun amacı nedir?
Ultralytics YOLO26'daki Benchmark modu, ONNX, TensorRT ve OpenVINO gibi çeşitli dışa aktarma formatlarının hızını ve doğruluğunu analiz etmek için kullanılır. Model boyutu, nesne algılama için mAP50-95 ve farklı donanım kurulumlarında çıkarım süresi gibi metrikler sağlayarak dağıtım ihtiyaçların için en uygun formatı seçmene yardımcı olur.
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="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)Daha fazla ayrıntı için Benchmark Rehberi sayfasına başvur.
Ultralytics YOLO26 kullanarak gerçek zamanlı nesne takibini nasıl gerçekleştirebilirim?
Gerçek zamanlı nesne takibi, Ultralytics YOLO26'daki track modu kullanılarak gerçekleştirilebilir. Bu mod, video kareleri veya canlı yayınlar boyunca nesneleri izlemek için nesne algılama yeteneklerini genişletir. Takibi etkinleştirmek için aşağıdaki örneği kullan:
from ultralytics import YOLO
# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")
# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")Derinlemesine talimatlar için Track Rehberi sayfasına göz at.