Ultralytics YOLO Belgeleri'nin Reference bölümü nasıl kullanılır
Ultralytics Python paketinin arka planda nasıl çalıştığını anlamak için Ultralytics YOLO Belgeleri'nin Reference bölümünün nasıl kullanılacağını öğren.
Günümüzde yapay zekâ (AI) her zamankinden daha erişilebilir durumda; bu da herkesin farklı son teknoloji görevleri için çeşitli AI modellerini keşfetmesini ve hızla kullanmaya başlamasını mümkün kılıyor.
Örneğin, bilgisayarlı görü, bilgisayarların görüntü ve videolardaki görsel bilgileri yorumlayıp anlamasını sağlayan bir AI dalıdır ve Ultralytics YOLO11 gibi bilgisayarlı görü modellerini kullanmaya başlamak kolaydır.
Ultralytics YOLO11, nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma gibi görevleri destekler; otonom sürüş, güvenlik izleme ve perakende analitiği gibi uygulamalarda kullanılabilir.
Şekil 1. Ultralytics YOLO11 çeşitli nesneleri algılamak için kullanılabilir.
Özellikle Ultralytics Python paketi, bu AI modellerini hızlıca eğitmek, özelleştirmek ve dağıtmak için kullanıcı dostu araçlar sunarak her beceri düzeyindeki kullanıcının gelişmiş bilgisayarlı görü uygulamalarını kolayca oluşturmasını sağlar.
Ancak her şeyin nasıl çalıştığını daha derinlemesine incelemek veya kendi özelleştirmelerini oluşturmak istiyorsan Ultralytics belgelerinin Referans bölümü harika bir kaynaktır. Bu bölüm, verilerinin nasıl işlendiği, model eğitim süreci ve tahminleri nasıl görselleştirebileceğin de dahil olmak üzere Ultralytics Python paketinin iç işleyişini kapsar.
Bu makalede, Ultralytics belgelerinin Referans bölümüne ve bilgisayarlı görü projeleri üzerinde çalışırken bu bölümün nasıl kullanılacağına daha yakından bakacağız. Hadi başlayalım!
Ultralytics YOLO modelleriyle çalışmaya daha yakından bakış#
Ultralytics Python paketiyle çalışmak basit ve anlaşılırdır. Yalnızca birkaç satır kod kullanarak YOLO modellerini eğitebilir veya görüntülerde nesneleri algılayabilirsin.
Ancak bilgisayarlı görü modelleriyle çalışmaya aşina olduğunda Ultralytics belgelerinin Referans bölümü, kodun nasıl çalıştığını ve paketin hangi işlevleri desteklediğini daha derinlemesine incelemene yardımcı olur. Ayrıca takip etmesi kolay açıklamalar, yapılandırılabilir seçenekler ve Ultralytics GitHub deposunda bulunan ilgili kodlara bağlantılar içerir.
Ultralytics Python paketinin nasıl yapılandırıldığını açıklar ve model kurulumu, veri yükleme, eğitim süreci ve tahminlerin nasıl oluşturulup döndürüldüğü gibi temel bileşenleri kapsar.
Her şey anlaşılır kategoriler halinde düzenlenmiştir, bu nedenle aradığını bulmak kolaydır. Örneğin kendi veri kümenle bir model eğitiyorsan Referans bölümünün verilere odaklanan kısmına gidebilir ve verilerinin model eğitimi için nasıl kullanılacağı hakkında daha iyi fikir edinebilirsin.
Referans bölümünü kullanmaya nasıl başlanır#
Ultralytics YOLO belgelerindeki Referans bölümüne gittiğinde sayfanın sol tarafında farklı referans kategorilerinin bulunduğu bir menü görürsün. Her kategori, modeller, veri işleme veya eğitim işlevleri gibi Ultralytics kod tabanının belirli bir bölümünü temsil eder.
Bir kategoriye tıklamak seni daha fazla ayrıntı sunan bir sayfaya götürür.
Şekil 2. Solda farklı Referans kategorilerinin bulunduğu bir menü yer alır.
Benzer şekilde, sayfanın sağ tarafında her referans sayfasını işlevler (yeniden kullanılabilir kod blokları), sınıflar (nesne oluşturma şablonları) ve metotlar (sınıfların içinde tanımlanan işlevler) gibi temel bileşenlere ayıran içindekiler tablosunu bulursun. Bu, aradığın bölüme doğrudan geçmeni kolaylaştırır.
Şekil 3. Sağda, görüntülediğin belirli Referans sayfasına ait bir içindekiler tablosu bulunur.
Ultralytics GitHub deposunun yapısı#
Ultralytics GitHub deposu; modeller, eğitim ve veriler gibi Ultralytics paketinin farklı bölümlerine göre alt dizinler veya alt paketler halinde düzenlenmiştir. Belgelerdeki Referans bölümü de aynı yapıyı izler; bu da her şeyin nasıl bir araya geldiğini anlamayı kolaylaştırır.
Hem Ultralytics GitHub deposunda hem de Ultralytics belgelerinin Referans bölümünde göreceğin başlıca alt dizin veya kategorilerden bazıları şunlardır:
- Modeller: Bu bölüm, tahmin yapma, performansı doğrulama ve eğitilmiş modelleri dışa aktarma gibi farklı modellere ve modlarına odaklanır.
- Motor: Modelleri eğitme, doğrulama, tahmin yapma, dışa aktarma ve değerlendirme için temel mantığı içerir.
- Veriler: Veri kümelerinin nasıl yüklendiğini, işlendiğini ve artırıldığını yönetir. Buna dataloader'lar (verileri modelin içine gruplar halinde aktaran araçlar) oluşturma, dönüşümleri (modelin daha iyi öğrenmesine yardımcı olmak için görüntüleri yeniden boyutlandırma veya çevirme gibi değişiklikler) uygulama ve verileri (görüntüleri ve etiketleri düzenleyip biçimlendirme) eğitime hazırlama işlevleri dahildir.
- Yardımcılar: Bu bölüm, kod tabanının genelinde kullanılan görselleştirme araçları, dosya işleme ve metrik hesaplamaları gibi çok çeşitli yardımcı işlevler sunar.
- HUB: Giriş yapma, model yükleme ve veri kümelerini bir API aracılığıyla yönetme gibi bulut özelliklerini etkinleştirmek için kodsuz bir bilgisayarlı görü platformu olan Ultralytics HUB ile bağlantı kurar.
- İzleyiciler: Video veya kare kare ilerleyen görüntü dizilerini içeren uygulamalar için nesne izleme mantığını uygular.
GitHub deposundaki bu alt dizinlerin her birinin belgelerde karşılık gelen bir bölümü vardır. Bu yapı bilerek aynı şekilde yansıtılmıştır; böylece belgeleri okumak ile kaynak kodunu incelemek arasında geçiş yapmak kolaylaşır.
Hatta birçok Referans sayfasında gerçek kaynak kodu da görüntülenir; böylece belgelerden ayrılmadan işlevlerin ve sınıfların tam olarak nasıl uygulandığını görebilirsin.
Şekil 4. Kaynak kodu da Referans sayfalarında yer alır.
Model, motor ve veri bileşenlerini anlama#
Referans bölümünün nasıl düzenlendiğini gördüğümüze göre şimdi Ultralytics paketinin üç temel kısmına, yani model, motor ve veri bileşenlerine daha yakından bakalım.
Modeller alt dizini, her model türünün nasıl çalıştığını tanımlayan kodu içerir. Bu dizin hem model türlerine (YOLO, FastSAM veya RT-DETR gibi) hem de algılama, segmentasyon veya sınıflandırma gibi görevlere göre düzenlenmiştir. Bunların her birinin içinde modelin nasıl tahmin yaptığı, nasıl eğitildiği veya performansının nasıl değerlendirildiği gibi belirli işlemleri yöneten dosyalar ya da modüller bulursun.
Buna karşılık motor alt dizini, tüm süreci yönetmek için arka planda çalışır. Modeller alt dizini her modelin ne yapması gerektiğine odaklanırken motor alt dizini bu görevlerin tutarlı ve verimli bir şekilde nasıl çalıştırılacağına odaklanır.
Ayrıca veri alt dizini, veri kümelerinin yüklenmesinden ve hazırlanmasından sorumludur. Kod tabanının bu bölümü, eğitim verilerinin temiz, düzenli ve çeşitli olmasını sağlayarak modelin daha iyi öğrenmesine ve daha etkili genelleme yapmasına yardımcı olur.
Bu net ayrım, kodun bakımını kolaylaştırır ve kullanıcılara kodu özelleştirme esnekliği sunar.
Referans bölümünü kullanma örnekleri#
Ultralytics kod tabanının farklı bölümlerini anlamanın neden önemli olduğunu merak ediyor olabilirsin. Kodun hangi bölümünün neyi yönettiğini bilirsen ihtiyacın olan bilgiyi bulmak, değişiklik yapmak veya sorunları gidermek çok daha kolay olur.
Belgelerin Referans bölümünü nasıl kullanabileceğine dair bazı örnekler şunlardır:
- “Model nasıl tahmin yapıyor?” diye soruyorsan Referans bölümündeki Modeller kategorisine gidebilir, bir model türü (YOLO gibi) seçebilir, bir görev (detect gibi) belirleyebilir ve ayrıntılar için Tahmin sayfasını açabilirsin.
- Veri artırımlarının nasıl uygulandığını öğrenmek istiyorsan Veri kategorisi altındaki Artırma sayfasını inceleyebilirsin. Bu sayfada model performansını ve eğitim verilerindeki çeşitliliği artırmak için kullanılan yerleşik artırma teknikleri listelenir.
Referans bölümü üzerinden sonuçları inceleme#
Referans bölümü, modelin tarafından döndürülen çıktıları anlamaya çalışırken de yararlıdır. Ultralytics YOLO11 gibi bir model bir görüntü üzerinde çıkarım gerçekleştirmek için kullanıldıktan sonra, algılanan nesneleri açıklayan bir dizi sonuç döndürür.
Örneğin bir kamera akışında bir kişiyi algılayabilir ve konumunu bir sınırlayıcı kutu kullanarak vurgulayabilir; buna algılamadan modelin ne kadar emin olduğunu gösteren, 0 ile 1 arasında bir değer olan güven skoru da eşlik eder.
Bu çıktıyı projende nasıl kullanacağını anlamaya çalışıyorsan Referans bölümü sana yol gösterebilir. Bu bölümde, içeriği ve kodundan nasıl erişileceğini ayrıntılandıran Results modülüne ait bir sayfa bulunur. Algılama kutularını görüntüleme, güven skorlarını kontrol etme, sonuçları gösterme veya kaydetme gibi işlemler hakkında ayrıntılar sunulur.
Şekil 5. YOLO11 tarafından döndürülen sonuçların nasıl görselleştirilebileceğine dair bir örnek.
Önemli çıkarımlar#
Ultralytics belgeleri, YOLO modellerini etkili bir şekilde nasıl kullanacağını anlamana yardımcı olur. Modelleri eğitme, verileri hazırlama ve sonuçlarla çalışma gibi temel süreçleri açıklar. Her sayfada, hızlıca başlamana yardımcı olacak anlaşılır açıklamalar ve örnek kod parçacıkları bulunur.
Arka planda neler olduğunu merak ediyorsan belgelerin Referans bölümü bunları da adım adım açıklar. Kodun nasıl yapılandırıldığını, her bölümün ne yaptığını ve her şeyin birlikte nasıl çalıştığını gösterir. Bu da kendi bilgisayarlı görü projelerini öğrenmeni, özelleştirmeni ve güvenle geliştirmeni kolaylaştırır.
AI ile geliştirme hakkında daha fazla bilgi edinmek için aktif topluluğumuzun bir parçası ol ve GitHub deposunu incele. Kendi bilgisayarlı görü fikirlerini hayata geçirmeye hazır mısın? Başlamak için lisans seçeneklerimizi ziyaret et. Otomotivde görü AI ve sağlık hizmetlerinde AI çözümler sayfalarımızı ziyaret ederek nasıl etki yarattığını gör.
