Ultralytics YOLOv8'den çıktıları çıkarma

Sürekli değişen bilgisayarla görme alanında, Ultralytics YOLOv8 nesne algılama, segmentasyon ve izleme gibi görevler için üst düzey bir model olarak öne çıkıyor. İster deneyimli bir geliştirici ister yapay zeka (AI) alanında yeni başlayan biri olun, YOLOv8 'den çıktıların nasıl etkili bir şekilde çıkarılacağını anlamak projelerinizi önemli ölçüde geliştirebilir. Bu blog yazısı, YOLOv8 modelinden sonuçları çıkarmak ve kullanmak için pratik adımları incelemektedir.

YOLOv8in Kurulumu

Sonuç çıkarma işlemine geçmeden önce, YOLOv8 modelinizin hazır ve çalışır durumda olması çok önemlidir. Eğer yeniyseniz, çeşitli bilgisayarla görme görevleri için YOLO modellerini kurmanın ve kullanmanın temellerini ele aldığımız önceki videolarımızı izleyebilirsiniz. Sonuç çıkarmaya başlamak için modelinizin doğru yapılandırıldığından emin olun:

1. Model Başlatma: YOLOv8 modelini uygun şekilde başlatın ve ister nesne algılama ister poz tahmini gibi daha karmaşık görevler olsun, özel ihtiyaçlarınıza uygun doğru model yapılandırmasını seçtiğinizden emin olun.
   ‍
2. Çıkarım (Inference) Çalıştırma: Çıkarım yapmak için verilerinizi model üzerinden geçirin. Bu işlem, tüm tespit verilerine erişim anahtarınız olan bir sonuç nesnesi oluşturacaktır.

Sonuç nesnesini anlama

YOLOv8 'deki sonuçlar nesnesi bir bilgi hazinesidir. Projenize devam etmek için ihtiyaç duyduğunuz tüm tespit verilerini içerir:

• Sınırlayıcı Kutular (Bounding Boxes): Kullanım results.boxes tespit edilen nesnelerin koordinatlarına erişmek için.
  ‍
• Maskeler ve Anahtar Noktaları (Keypoints): Kullanarak poz tahmini için segmentasyon maskelerine ve anahtar noktalarına erişin results.masks ve results.keypoints sırasıyla.
  ‍
• Sınıf Olasılıkları (Class Probabilities): results.probabilities güvenilirlik skorlarına göre tespitleri filtrelemek için kullanışlı olan, tespit edilen her sınıfın olasılığını sağlar.

Özel kullanım için veri çıkarma

Bu çıktıları uygulamalarınızda kullanmak için şu adımları izleyin:

1. İşleme için Verileri Dönüştürün: Modelinizi bir GPU üzerinde çalıştırıyorsanız, daha fazla manipülasyon için çıktılarıcpu() kullanarak CPU formatına dönüştürün.
   ‍
2. Sınırlayıcı Kutu Koordinatlarına Erişme: Sınırlayıcı kutu koordinatlarını doğrudan sonuç nesnesinden alın ve manipüle edin. Bu, normalleştirilmiş koordinatlara veya genişlik ve yükseklik gibi belirli özelliklere erişmeyi içerir.
   ‍
3. Sınıflandırmaları İşleme: Sınıf kimliklerini ve güven skorlarını etkin bir şekilde kullanmak için en iyi sınıflandırmaları ayıklayın.

Koddaki pratik uygulama

Teoriden pratiğe geçiş yapan Nicolai Nielsen, Visual Studio Code kullanarak bu kavramların özel bir Python betiği içinde nasıl uygulanacağını gösteriyor. Komut dosyası şunları içerir:

• Bir Tespit Sınıfı Oluşturma: YOLOv8 modelinizi bir sınıf yapısı içinde başlatın ve yapılandırın, canlı veri girişi için hazırlayın.
  ‍
• Sonuçları Çıkarma: Algılamayı çalıştırın ve sınırlayıcı kutuları, maskeleri ve sınıflandırmaları doğrudan sonuç nesnesinden çıkarın.
  ‍
• Çıktıları Kullanma: Sonuçları JSON veya CSV gibi kullanılabilir biçimlere dönüştürün veya doğrudan görüntü veya video akışları üzerinde sınırlayıcı kutular çizmek için kullanın.

Görselleştirme ve ötesi

Ham verileri çıkarmak çok önemli olsa da, bu algılamaları görselleştirmek modelin performansı hakkında anında bilgi sağlayabilir:

• Dikdörtgen Çizme: Görüntü veya video çıktılarında algılanan nesnelerin etrafına dikdörtgenler çizmek için sınırlayıcı kutu verilerini kullanın.
  ‍
• Doğrudan Çizim: Ek kodlama olmadan tespitleri doğrudan görselleştirmek için YOLOv8'in yerleşik çizim işlevlerini kullanın.

YOLOv8 ile yapay zeka araç setinizi genişletme

YOLOv8 çıktı çıkarma konusunda uzmanlaşmak yalnızca projenizin yeteneklerini artırmakla kalmaz, aynı zamanda nesne algılama sistemleri konusundaki anlayışınızı da derinleştirir.

Adımları izleyerek, ister gelişmiş yapay zeka odaklı uygulamalar geliştirirken ister sağlam veri analizi yaparken, tespitleri özel ihtiyaçlarınıza göre uyarlamak için YOLOv8 'in tüm gücünden yararlanabilirsiniz.

YOLOv8 ve diğer yapay zeka teknolojilerinden tam potansiyeliyle yararlanmanıza yardımcı olacak daha fazla eğitim için bizi izlemeye devam edin. Teorik bilgilerinizi pratik becerilere dönüştürün ve bilgisayarla görme projelerinizi hassasiyet ve verimlilikle hayata geçirin. En son gelişmelerden haberdar olmak için topluluğumuza katılın ve daha fazla bilgi edinmek için dokümanlarımıza göz atın! 

Videonun tamamını buradan izleyin!