Ultralytics YOLO Dokümanları'nın Reference bölümü nasıl kullanılır?
Ultralytics Python paketinin iç işleyişini anlamak için Ultralytics YOLO Dokümanları'nın Reference bölümünü nasıl kullanacağını öğren.
Günümüzde yapay zekâ (AI) her zamankinden daha erişilebilir; bu sayede herkes farklı AI modellerini çeşitli son teknoloji görevlerde kullanmaya kolayca başlayabiliyor.
Örneğin, bilgisayarlı görü, bilgisayarların görüntü ve videolardaki görsel bilgileri yorumlayıp anlamasını sağlayan bir AI dalıdır; Ultralytics YOLO11 gibi bilgisayarlı görü modellerini kullanmaya başlamak da kolaydır.
Ultralytics YOLO11; nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma gibi görevleri destekler ve otonom sürüş, güvenlik gözetimi ve perakende analitiği gibi uygulamalarda kullanılabilir.
Şekil 1. Ultralytics YOLO11 çeşitli nesneleri algılamak için kullanılabilir.
Ultralytics Python paketi, bu AI modellerini hızla eğitmek, özelleştirmek ve dağıtmak için kullanıcı dostu araçlar sunar; böylece her beceri seviyesindeki kullanıcı gelişmiş bilgisayarlı görü uygulamalarını kolayca oluşturabilir.
Ancak her şeyin nasıl çalıştığını daha derinlemesine incelemek veya kendi özelleştirmelerini oluşturmak istiyorsan Ultralytics belgelerindeki Başvuru bölümü harika bir kaynaktır. Bu bölüm, verilerinin nasıl işlendiği, model eğitimi süreci ve tahminleri nasıl görselleştirebileceğin de dâhil olmak üzere Ultralytics Python paketinin çalışma mantığını ele alır.
Bu makalede, Ultralytics belgelerinin Başvuru bölümünü ve bilgisayarlı görü projelerinde bu bölümden nasıl yararlanabileceğini yakından inceleyeceğiz. Hadi başlayalım!
Ultralytics YOLO modelleriyle çalışmaya daha yakından bakış#
Ultralytics Python paketiyle çalışmak basit ve kolaydır. YOLO modellerini eğitebilir veya yalnızca birkaç satır kodla görüntülerdeki nesneleri algılayabilirsin.
Bilgisayarlı görü modelleriyle çalışmaya alıştıktan sonra Ultralytics belgelerinin Başvuru bölümü, kodun nasıl çalıştığını ve paketin hangi işlevleri desteklediğini daha derinlemesine incelemene yardımcı olur. Ayrıca takip etmesi kolay açıklamalar, yapılandırılabilir seçenekler ve Ultralytics GitHub deposundaki ilgili koda bağlantılar da içerir.
Bu bölüm, Ultralytics Python paketinin yapısını açıklar ve model kurulumu, veri yükleme, eğitim süreci, tahminlerin nasıl oluşturulduğu ve döndürüldüğü gibi temel bileşenleri ele alır.
Her şey açık kategoriler hâlinde düzenlenmiştir, bu yüzden aradığını bulmak kolaydır. Örneğin, kendi veri kümenle bir model eğitiyorsan Başvuru bölümünün veriye odaklanan kısmına gidebilirsin; burada verilerinin model eğitimi için nasıl kullanılacağını daha iyi anlarsın.
Başvuru bölümünü kullanmaya nasıl başlanır#
Ultralytics YOLO belgelerindeki Başvuru bölümüne gidersen sayfanın sol tarafında farklı başvuru kategorilerinin yer aldığı bir menü görürsün. Her kategori, modeller, veri işleme veya eğitim işlevleri gibi Ultralytics kod tabanının belirli bir bölümünü temsil eder.
Bir kategoriye tıkladığında daha fazla ayrıntı sunan bir sayfaya yönlendirilirsin.
Şekil 2. Solda farklı Başvuru kategorilerinin yer aldığı bir menü bulabilirsin.
Benzer şekilde, sayfanın sağ tarafında her başvuru sayfasını işlevler (yeniden kullanılabilir kod blokları), sınıflar (nesne oluşturmak için kullanılan şablonlar) ve metotlar (sınıfların içinde tanımlanan işlevler) gibi temel bileşenlere ayıran içindekiler tablosunu bulabilirsin. Bu sayede aradığın bölüme doğrudan geçebilirsin.
Şekil 3. Sağda, görüntülediğin Başvuru sayfasına ait içindekiler tablosunu bulabilirsin.
Ultralytics GitHub deposunun yapısı#
Ultralytics GitHub deposu; modeller, eğitim ve veri gibi Ultralytics paketinin farklı bölümlerine göre alt dizinler veya alt paketler hâlinde düzenlenmiştir. Belgelerdeki Başvuru bölümü de aynı yapıyı izler; böylece her şeyin birbiriyle nasıl bağlantılı olduğunu anlamak kolaylaşır.
Ultralytics GitHub deposunda ve Ultralytics belgelerinin Başvuru bölümünde göreceğin ana alt dizinlerden veya kategorilerden bazıları şunlardır:
- Modeller: Bu bölüm, tahmin yapma, performansı doğrulama ve eğitilmiş modelleri dışa aktarma gibi farklı modellere ve bunların modlarına odaklanır.
- Motor: Modelleri eğitme, doğrulama, tahmin yapma, dışa aktarma ve değerlendirmeye yönelik temel mantığı içerir.
- Veri: Veri kümelerinin nasıl yüklendiğini, işlendiğini ve artırıldığını yönetir. Bu bölümde; verileri modele gruplar hâlinde aktaran araçlar olan veri yükleyicileri oluşturma, modelin daha iyi öğrenmesine yardımcı olmak için görüntüleri yeniden boyutlandırma veya çevirme gibi dönüşümleri uygulama ve eğitim için verileri hazırlama (görüntüleri ve etiketleri düzenleme ve biçimlendirme) işlevleri bulunur.
- Yardımcılar: Bu bölüm; görselleştirme araçları, dosya işleme ve metrik hesaplamaları gibi kod tabanının genelinde kullanılan çok çeşitli yardımcı işlevler sunar.
- HUB: Kodsuz bir bilgisayarlı görü platformu olan Ultralytics HUB'a bağlanarak API üzerinden oturum açma, model yükleme ve veri kümesi yönetme gibi bulut özelliklerini kullanmanı sağlar.
- 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 bilinçli olarak aynı şekilde düzenlenmiştir; böylece belgeleri okuma ve kaynak kodu inceleme arasında geçiş yapmak kolaylaşır.
Hatta Başvuru sayfalarının çoğunda gerçek kaynak kodu da görüntülenir; böylece belgelerden ayrılmadan işlevlerin ve sınıfların tam olarak nasıl uygulandığını görebilirsin.
Şekil 4. Kaynak kodu Başvuru sayfalarında da yer alır.
Model, motor ve veri bileşenlerini anlama#
Başvuru bölümünün nasıl düzenlendiğini gördüğümüze göre Ultralytics paketinin üç temel parçasına daha yakından bakalım: modeller, motor ve veri.
Modeller alt dizini, her model türünün nasıl çalıştığını tanımlayan kodu içerir. Bu dizin hem YOLO, FastSAM veya RT-DETR gibi model türlerine hem de algılama, segmentasyon veya sınıflandırma gibi görevlere göre düzenlenmiştir. Bu bölümlerin her birinde modelin tahminleri nasıl oluşturduğunu, nasıl eğitildiğini veya performansının nasıl değerlendirildiğini ele alan dosyalar ya da modüller bulunur.
Motor alt dizini ise 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 yürütüleceğine odaklanır.
Veri alt dizini de veri kümelerini yüklemekten ve hazırlamaktan 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 özelleştirme esnekliği sunar.
Başvuru 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 Başvuru bölümünü nasıl kullanabileceğine dair bazı örnekler:
- “Model tahminleri nasıl oluşturuyor?” diye soruyorsan Başvuru bölümündeki Modeller kategorisine gidebilir, bir model türü (YOLO gibi) seçebilir, bir görev (algılama gibi) belirleyebilir ve ayrıntılar için Tahmin sayfasını açabilirsin.
- Veri artırımlarının nasıl uygulandığını öğrenmek istiyorsan Veri kategorisindeki Artırma sayfasını inceleyebilirsin. Bu sayfada model performansını ve eğitim verilerinin çeşitliliğini artırmak için kullanılan yerleşik artırma teknikleri listelenir.
Başvuru bölümü aracılığıyla sonuçları inceleme#
Başvuru bölümü, modelinin döndürdüğü çıktıları anlamaya çalışırken de faydalıdır. Ultralytics YOLO11 gibi bir model görüntü üzerinde çıkarım yapmak için kullanıldığında, algılanan nesneleri açıklayan bir dizi sonuç döndürür.
Örneğin, bir kamera akışında bir kişiyi algılayabilir ve konumunu sınırlayıcı kutu kullanarak vurgulayabilir; ayrıca algılama konusunda modelin ne kadar emin olduğunu belirten 0 ile 1 arasında bir güven skoru da sunabilir.
Bu çıktıyı projenizde nasıl kullanacağını anlamaya çalışıyorsan Başvuru bölümü sana yol gösterebilir. Bu bölümde, içeriği ve kodunda bu içeriğe nasıl erişebileceğini açıklayan bir Sonuçlar modülü sayfası bulunur. Algılama kutularını görüntüleme, güven skorlarını kontrol etme, sonuçları gösterme veya kaydetme hakkında ayrıntılı bilgi verilir.
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. Model eğitme, veri hazırlama ve sonuçlarla çalışma gibi temel süreçleri açıklar. Her sayfada, hızla başlamana yardımcı olacak net açıklamalar ve örnek kod parçacıkları bulunur.
Arka planda neler olduğunu merak ediyorsan belgelerin Başvuru bölümü bunları adım adım açıklar. Kodun nasıl düzenlendiğini, her parçanın ne yaptığını ve her şeyin birlikte nasıl çalıştığını gösterir. Böylece öğrenmek, özelleştirme yapmak ve kendi bilgisayarlı görü projelerini güvenle oluşturmak kolaylaşır.
AI ile uygulama 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. Çözümler sayfalarımızı ziyaret ederek otomotivde görsel AI ve sağlık hizmetlerinde AI uygulamalarının nasıl etki yarattığını gör.
