Ultralytics YOLOv8'den çıktıları çıkarma

Sürekli değişen bilgisayarlı görü alanında, Ultralytics YOLOv8; nesne algılama, segmentasyon ve takip gibi görevler için üst düzey bir model olarak öne çıkıyor. İster deneyimli bir geliştirici ister yapay zeka (AI) konusunda yeni biri ol, YOLOv8'den çıktıları nasıl etkili bir şekilde alacağını anlamak projelerini önemli ölçüde geliştirebilir. Bu blog yazısı, YOLOv8 modelinden sonuçları çıkarmak ve kullanmak için pratik adımları ele alıyor.

Link to this sectionYOLOv8 kurulumu#

Sonuçları çıkarmaya başlamadan önce, YOLOv8 modelinin çalışır durumda olması çok önemlidir. Yeniysen, kurulum ve çeşitli bilgisayarlı görü görevleri için YOLO modellerini kullanmanın temellerini ele aldığımız önceki videolarımızı izleyebilirsin. Sonuç çıkarma işlemine başlamak için modelinin doğru yapılandırıldığından emin ol:

1. Model Başlatma: YOLOv8 modelini uygun şekilde başlat ve nesne algılama veya poz tahmini gibi daha karmaşık görevler olsun, özel ihtiyaçlarına uygun model yapılandırmasını seçtiğinden emin ol.
2. Çıkarım Çalıştırma: Çıkarım gerçekleştirmek için verilerini modelden geçir. Bu işlem, tüm algılama verilerine erişmenin anahtarı olan bir sonuç nesnesi oluşturacaktır.

Link to this sectionSonuç nesnesini anlama#

YOLOv8'deki sonuç nesnesi bir bilgi hazinesidir. Projenle ilerlemek için ihtiyaç duyduğun tüm algılama verilerini içerir, bunlar şunlardır:

• Sınırlayıcı Kutular (Bounding Boxes): Algılanan nesnelerin koordinatlarına erişmek için results.boxes kullan.
• Maskeler ve Anahtar Noktalar: Poz tahmini için segmentasyon maskelerine ve anahtar noktalara sırasıyla results.masks ve results.keypoints kullanarak eriş.
• Sınıf Olasılıkları: results.probs, her bir algılanan sınıfın olasılığını sağlar; bu, algılamaları güven skorlarına göre filtrelemek için kullanışlıdır.

Link to this sectionÖzel kullanım için veri çıkarma#

Bu çıktıları uygulamalarında kullanmak için şu adımları izle:

1. İşleme için Veri Dönüştürme: Modelini bir GPU üzerinde çalıştırıyorsan, daha fazla manipülasyon için çıktıları .cpu() kullanarak CPU formatına dönüştür.
2. Sınırlayıcı Kutu Koordinatlarına Erişim: Sınırlayıcı kutu koordinatlarını doğrudan sonuç nesnesinden al ve işle. Buna normalleştirilmiş koordinatlara veya genişlik ve yükseklik gibi belirli niteliklere erişmek dahildir.
3. Sınıflandırmaları İşleme: Sınıf kimliklerini ve güven skorlarını etkili bir şekilde kullanmak için en iyi sınıflandırmaları çıkar.

Link to this sectionKodda pratik uygulama#

Teoriden pratiğe geçerken, Nicolai Nielsen bu kavramların Visual Studio Code kullanılarak özel bir Python betiğinde nasıl uygulanacağını gösteriyor. Betik şunları içerir:

• Bir Algılama Sınıfı Oluşturma: YOLOv8 modelini bir sınıf yapısı içinde başlatıp yapılandırarak canlı veri girişine hazırla.
• Sonuçları Çıkarma: Algılamayı çalıştır ve sınırlayıcı kutuları, maskeleri ve sınıflandırmaları doğrudan sonuç nesnesinden çıkar.
• Çıktıları Kullanma: Sonuçları JSON veya CSV gibi kullanılabilir formatlara dönüştür ya da bunları görüntüler veya video akışları üzerinde sınırlayıcı kutular çizmek için doğrudan kullan.

Link to this sectionGörselleştirme ve ötesi#

Ham verileri çıkarmak kritik olsa da, bu algılamaları görselleştirmek modelin performansı hakkında anlık içgörüler sağlayabilir:

• Dikdörtgen Çizme: Görüntü veya video çıktılarında algılanan nesnelerin etrafına dikdörtgenler çizmek için sınırlayıcı kutu verilerini kullan.
• Doğrudan Çizim: Algılamaları ek kod yazmadan doğrudan görselleştirmek için YOLOv8'in yerleşik çizim fonksiyonlarını kullan.

Link to this sectionYOLOv8 ile AI araç kutunu genişletme#

YOLOv8 çıktı çıkarma konusunda uzmanlaşmak, yalnızca projenin yeteneklerini artırmakla kalmaz, aynı zamanda nesne algılama sistemlerine dair anlayışını da derinleştirir.

Adımları takip ederek, gelişmiş yapay zeka tabanlı uygulamalar geliştirirken veya sağlam veri analizi yaparken algılamaları özel ihtiyaçlarına göre uyarlamak için YOLOv8'in tüm gücünden yararlanabilirsin.

YOLOv8 ve diğer AI teknolojilerinden en yüksek potansiyelde yararlanmana yardımcı olacak daha fazla eğitim için takipte kal. Teorik bilgini pratik becerilere dönüştür ve bilgisayarlı görü projelerini hassasiyet ve verimlilikle hayata geçir. Tüm yeni gelişmelerden haberdar olmak için topluluğumuza katıl ve daha fazlasını öğrenmek için dokümanlarımıza göz at!

Videonun tamamını izle Videonun tamamını izle!