Ultralytics YOLOv8'den çıktı çıkarma
Ultralytics YOLOv8 ile bilgisayarlı görü projelerini nasıl optimize edeceğini keşfet. Bu kılavuzda kurulumdan sonuçların çıkarılmasına ve pratik uygulamaya kadar YOLOv8 ile ilgili her şey ele alınıyor.
Sürekli değişen bilgisayarlı görü alanında Ultralytics YOLOv8, nesne algılama, segmentasyon ve takip gibi görevler için üst düzey bir model olarak öne çıkar. İster deneyimli bir geliştirici ister yapay zekâ (AI) alanında yeni başlayan biri ol, YOLOv8’den çıktıları etkili bir şekilde nasıl alacağını anlamak projelerini önemli ölçüde geliştirebilir. Bu blog yazısında, YOLOv8 modelinden sonuçları alma ve kullanma adımları uygulamalı olarak ele alınıyor.
Ultralytics YOLOv8’i kurma#
Sonuçları almaya geçmeden önce Ultralytics YOLOv8 modelinin çalışır durumda olması çok önemlidir. Bu konuda yeniysen, çeşitli bilgisayarlı görü görevleri için YOLO modellerini kurmanın ve kullanmanın temellerini anlattığımız önceki videolarımızı izleyebilirsin. Sonuçları almaya başlamak için modelinin doğru şekilde yapılandırıldığından emin ol:
- Modeli Başlatma: Ultralytics YOLOv8 modelini uygun şekilde başlat ve ister nesne algılama ister poz tahmini gibi daha karmaşık görevler olsun, özel ihtiyaçlarına uygun doğru model yapılandırmasını seçtiğinden emin ol.
- Çıkarım Çalıştırma: Çıkarım gerçekleştirmek için verilerini model üzerinden geçir. Bu işlem, tüm algılama verilerine erişmeni sağlayan bir sonuç nesnesi oluşturur.
Sonuç nesnesini anlama#
Ultralytics YOLOv8’deki sonuç nesnesi zengin bir bilgi kaynağıdır. Projene devam etmek için ihtiyaç duyduğun tüm algılama verilerini içerir. Bunlar şunlardır:
- Sınırlayıcı Kutular: Algılanan nesnelerin koordinatlarına erişmek için
results.boxeskullan. - Maskeler ve Anahtar Noktalar: Segmentasyon maskelerine ve poz tahmini için anahtar noktalara sırasıyla
results.masksveresults.keypointskullanarak eriş. - Sınıf Olasılıkları:
results.probs, algılanan her sınıfın olasılığını sağlar; bu da güven skorlarına göre algılamaları filtrelemek için kullanışlıdır.
Özel kullanım için veri çıkarma#
Bu çıktıları uygulamalarında kullanmak için şu adımları izle:
- Verileri İşleme için Dönüştürme: Modelini GPU üzerinde çalıştırıyorsan, çıktıları daha sonra işlemek üzere .cpu() kullanarak CPU biçimine dönüştür.
- Sınırlayıcı Kutu Koordinatlarına Erişme: Sınırlayıcı kutu koordinatlarını doğrudan sonuç nesnesinden al ve işle. Buna normalleştirilmiş koordinatlara veya genişlik ve yükseklik gibi belirli özniteliklere erişmek de dahildir.
- Sınıflandırmaları İşleme: Sınıf kimliklerinden ve güven skorlarından etkili şekilde yararlanmak için en yüksek olasılıklı sınıflandırmaları çıkar.
Kodda pratik uygulama#
Teoriden pratiğe geçiş kapsamında Nicolai Nielsen, Visual Studio Code kullanarak bu kavramların özel bir Python betiğinde nasıl uygulanacağını gösteriyor. Betik şunları içerir:
- Algılama Sınıfı Kurma: Ultralytics YOLOv8 modelini bir sınıf yapısı içinde başlatıp yapılandırarak canlı veri girişi için hazırla.
- Sonuçları Çıkarma: Algılamayı çalıştır ve sınırlayıcı kutuları, maskeleri ve sınıflandırmaları doğrudan sonuç nesnesinden çıkar.
- Çıktıları Kullanma: Sonuçları JSON veya CSV gibi kullanılabilir biçimlere dönüştür ya da görüntüler veya video akışları üzerine doğrudan sınırlayıcı kutular çizmek için kullan.
Görselleştirme ve ötesi#
Ham verileri çıkarmak önemli olsa da bu algılamaları görselleştirmek, modelin performansı hakkında anında içgörüler sağlayabilir:
- Dikdörtgen Çizme: Görüntü veya video çıktılarında algılanan nesnelerin çevresine dikdörtgenler çizmek için sınırlayıcı kutu verilerini kullan.
- Doğrudan Çizim: Ek kod yazmadan algılamaları doğrudan görselleştirmek için Ultralytics YOLOv8’in yerleşik çizim işlevlerinden yararlan.
Ultralytics YOLOv8 ile yapay zekâ araç setini genişletme#
Ultralytics YOLOv8 çıktılarını almayı öğrenmek yalnızca projelerinin yeteneklerini artırmakla kalmaz, aynı zamanda nesne algılama sistemlerine ilişkin anlayışını da derinleştirir.
Bu adımları izleyerek, ister gelişmiş yapay zekâ destekli uygulamalar geliştiriyor ister kapsamlı veri analizi gerçekleştiriyor ol, algılamaları özel ihtiyaçlarına göre uyarlamak için Ultralytics YOLOv8’in tüm gücünden yararlanabilirsin.
Ultralytics YOLOv8’den ve diğer yapay zekâ teknolojilerinden en yüksek verimi almanı sağlayacak daha fazla eğitim için bizi takipte kal. Teorik bilgini pratik becerilere dönüştür ve bilgisayarlı görü projelerini hassasiyet ve verimlilikle hayata geçir. En son gelişmelerden haberdar olmak için topluluğumuza katıl ve daha fazla bilgi edinmek için dokümanlarımıza göz at!
Videonun tamamını izle Videonun tamamını izle!
