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) konusunda yeni başlayan biri olun, YOLOv8'den çıktıları etkili bir şekilde nasıl çıkaracağınızı anlamak projelerinizi önemli ölçüde geliştirebilir. Bu blog yazısı, YOLOv8 modelinden sonuçları çıkarmak ve kullanmak için pratik adımları incelemektedir.

YOLOv8'i Kurulumu

Sonuç çıkarma işlemine dalmadan önce, YOLOv8 modelinizin çalışır durumda olması çok önemlidir. Yeniyseniz, çeşitli bilgisayarla görme görevleri için YOLO modellerini kurma ve kullanmanın temellerini ele aldığımız önceki videolarımızı izleyebilirsiniz. Sonuç çıkarma işlemine başlamak için modelinizin doğru şekilde yapılandırıldığından emin olun:

1. Model Başlatma: YOLOv8 modelini uygun şekilde başlatın ve nesne algılama veya 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 sonuç nesnesi, bir bilgi hazinesidir. Projenize devam etmek için ihtiyacınız olan tüm tespit verilerini içerir, bunlar arasında:

• 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. Verileri İşleme için Dönüştürme: Modelinizi bir GPU üzerinde çalıştırıyorsanız, daha fazla manipülasyon için çıktıları .cpu() 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 geçişte Nicolai Nielsen, bu kavramların Visual Studio Code kullanarak özel bir Python betiği içinde nasıl uygulanacağını gösteriyor. Betik şunları içerir:

• Algılama Sınıfı Kurulumu: 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 yapmadan algılamaları doğrudan görselleştirmek için YOLOv8'in yerleşik çizim fonksiyonlarını kullanın.

YOLOv8 ile yapay zeka araç kitinizi genişletin

YOLOv8 çıktı çıkarımında uzmanlaşmak yalnızca projenizin yeteneklerini artırmakla kalmaz, aynı zamanda nesne algılama sistemleri hakkındaki anlayışınızı da derinleştirir.

Adımları izleyerek, ister gelişmiş yapay zeka odaklı uygulamalar geliştirmede, ister sağlam veri analizleri yürütmede olsun, algılamaları özel ihtiyaçlarınıza göre uyarlamak için YOLOv8'in tüm gücünden yararlanabilirsiniz.

YOLOv8 ve diğer yapay zeka teknolojilerinden en üst düzeyde yararlanmanıza yardımcı olacak daha fazla eğitim için bizi izlemeye devam edin. Teorik bilginizi pratik becerilere dönüştürün ve bilgisayarlı görü projelerinizi hassasiyet ve verimlilikle hayata geçirin. En son gelişmelerden haberdar olmak için topluluğumuza katılın ve daha fazla bilgi edinmek için belgelerimize göz atın! 

Videonun tamamını buradan izleyin!