Ultralytics YOLOv8'den çıktı alma

Ultralytics YOLOv8, nesne algılama, segmentasyon ve takip gibi görevlerde yaygın olarak kullanılan bir bilgisayarlı görü modelidir. İster deneyimli bir geliştirici ister yapay zekâya (AI) yeni başlayan biri ol, YOLOv8'den çıktıları etkili biçimde almayı öğrenmek projelerini önemli ölçüde geliştirebilir. Bu blog yazısında YOLOv8 modelinin sonuçlarını alıp kullanmak için gereken pratik adımlar anlatılıyor.

Ultralytics YOLOv8'i kurma#

Sonuçları almaya geçmeden önce Ultralytics YOLOv8 modelinin çalışır durumda olması çok önemlidir. Bu alanda yeniysen, çeşitli bilgisayarlı görü görevlerinde YOLO modellerini kurmanın ve kullanmanın temellerini anlattığımız önceki videolarımızı izleyebilirsin. Sonuçları almaya başlamak için modelinin doğru yapılandırıldığından emin ol:

1. Modeli başlatma: Ultralytics YOLOv8 modelini uygun şekilde başlat ve ister nesne algılama ister poz tahmini gibi daha karmaşık görevler olsun, özel ihtiyaçlarına uygun model yapılandırmasını seçtiğinden emin ol.
2. Çıkarım çalıştırma: Çıkarım yapmak için verilerini modelden geçir. Bu işlem, algılama verilerinin tümüne erişmeni sağlayan ve her görüntü veya kare için bir tane olmak üzere bir Results nesneleri listesi oluşturur.

Sonuç nesnesini anlama#

Ultralytics YOLOv8'deki her Results nesnesi, projen için gereken tüm algılama verilerini içerir. Bunlar arasında şunlar yer alır:

• Sınırlayıcı Kutular: Algılanan nesnelerin koordinatlarına erişmek için result.boxes kullan.
• Maskeler ve Anahtar Noktalar: Poz tahmini için sırasıyla segmentasyon maskelerine ve anahtar noktalara result.masks ve result.keypoints kullanarak eriş.
• Sınıf olasılıkları: result.probs, sınıflandırma modellerinin sınıf olasılıklarını içerirken result.boxes.conf, algılamaları filtrelemek için kullanışlı olan algılanan her kutunun güven puanını verir.

Özel kullanım için veri çıkarma#

Bu çıktıları uygulamalarında kullanmak için şu adımları izle:

1. Verileri işleme için dönüştür: Modelini GPU'da çalıştırıyorsan, çıktıları daha sonra üzerinde değişiklik yapmak için .cpu() kullanarak CPU biçimine dönüştür.
2. Sınırlayıcı kutu koordinatlarına erişme: Sınırlayıcı kutu koordinatlarını doğrudan results nesnesinden al ve düzenle. Buna normalize edilmiş koordinatlara veya genişlik ve yükseklik gibi belirli özniteliklere erişmek de dahildir.
3. Sınıflandırmaları işleme: Sınıf kimliklerini ve güven skorlarını etkili biçimde kullanmak için en üst sıradaki sınıflandırmaları çıkar.

Kodda uygulama örneği#

Teoriden uygulamaya geçerken Nicolai Nielsen, Visual Studio Code kullanarak bu kavramların özel bir Python betiğinde nasıl uygulanacağını gösteriyor. Betik şu adımları içeriyor:

• Algılama sınıfını kurma: Ultralytics YOLOv8 modelini bir sınıf yapısı içinde başlatıp yapılandırarak canlı veri girişine hazırla.
• Sonuçları çıkarma: Algılamayı çalıştır ve sınırlayıcı kutuları, maskeleri ve sınıflandırmaları doğrudan results nesnesinden çıkar.
• Çıktıları kullanma: Sonuçları JSON veya CSV gibi kullanılabilir biçimlere dönüştür ya da bunları doğrudan görüntü veya video akışlarına sınırlayıcı kutular çizmek için kullan.

Görselleştirme ve ötesi#

Ham verileri çıkarmak çok önemli olsa da bu algılamaları görselleştirmek, modelin performansına ilişkin anında fikir verebilir:

• Dikdörtgen çizme: Algılanan nesnelerin çevresine görüntü veya video çıktılarında dikdörtgen çizmek için sınırlayıcı kutu verilerini kullan.
• Doğrudan çizim: Ek kod yazmadan algılamaları görselleştirmek için yerleşik result.plot() yöntemini kullan.

Ultralytics YOLOv8 ile yapay zekâ araç kutunu genişlet#

Ultralytics YOLOv8 çıktılarını çıkarmada ustalaşmak, yalnızca projelerinin olanaklarını artırmakla kalmaz, nesne algılama sistemlerine ilişkin anlayışını da derinleştirir.

Bu adımları izleyerek ister gelişmiş AI destekli uygulamalar geliştir ister kapsamlı veri analizi yap, Ultralytics YOLOv8 algılamalarını özel ihtiyaçlarına göre uyarlayabilirsin.

Ultralytics YOLOv8 ve diğer AI teknolojileriyle ilgili daha fazla eğitim için bizi takipte kal. En yeni gelişmelerden haberdar olmak için topluluğumuza katıl ve daha fazla bilgi edinmek için belgelerimize göz at!

Videonun tamamını izle!