Ultralytics YOLO Docs'un Referans bölümü nasıl kullanılır

Günümüzde yapay zeka (YZ) her zamankinden daha erişilebilir durumda; bu da herkesin kolayca adım atmasını ve çeşitli en son teknoloji ürünü YZ modellerini farklı görevler için hızla kullanmaya başlamasını mümkün kılıyor.

Örneğin, bilgisayarlı görü, bilgisayarların görsellerden ve videolardan görsel bilgileri yorumlamasını ve anlamasını sağlayan bir YZ dalıdır ve Ultralytics YOLO11 gibi bilgisayarlı görü modelleriyle çalışmaya başlamak oldukça kolaydır.

YOLO11; nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma gibi görevleri destekler ve otonom sürüş, güvenlik izleme ve perakende analitiği gibi uygulamalar için kullanılabilir.

Şekil 1. YOLO11, çeşitli nesneleri algılamak için kullanılabilir.

Özellikle Ultralytics Python paketi, bu YZ modellerini hızlıca eğitmek, özelleştirmek ve dağıtmak için kullanıcı dostu araçlar sunarak her beceri seviyesinden kullanıcının gelişmiş bilgisayarlı görü uygulamalarını kolayca oluşturmasına olanak tanır.

Ancak her şeyin nasıl çalıştığını daha derinlemesine incelemek veya kendi özelleştirmelerini oluşturmak istiyorsan, Ultralytics dokümantasyonundaki Referans bölümü harika bir kaynaktır. Bu bölüm; verilerinin nasıl işlendiği, model eğitim süreci ve tahminleri nasıl görselleştirebileceğin dahil olmak üzere Ultralytics Python paketinin işleyişini ele alır.

Bu makalede, Ultralytics dokümantasyonundaki Referans bölümüne ve bilgisayarlı görü projeleri üzerinde çalışırken bu bölümün nasıl kullanılacağına daha yakından bakacağız. Hadi başlayalım!

Link to this sectionUltralytics YOLO modelleriyle çalışmaya daha derin bir bakış#

Ultralytics Python paketi ile çalışmak basit ve anlaşılırdır. Sadece birkaç satır kod kullanarak YOLO modellerini eğitebilir veya görüntülerdeki nesneleri algılayabilirsin.

Ancak, bilgisayarlı görü modelleriyle çalışmaya aşina olduğunda, Ultralytics dokümantasyonundaki Referans bölümü, kodun nasıl çalıştığına ve paketin hangi işlevleri desteklediğine daha derinlemesine bakmana yardımcı olur. Ayrıca, takip etmesi kolay açıklamalar, yapılandırılabilir seçenekler ve Ultralytics GitHub deposunda bulunan ilgili koda yönelik bağlantılar içerir.

Ultralytics Python paketinin nasıl yapılandırıldığını açıklar ve model kurulumu, veri yükleme, eğitim süreci ve tahminlerin nasıl yapılıp döndürüldüğü gibi temel bileşenleri kapsar.

Her şey net kategoriler halinde düzenlenmiştir, bu sayede aradığını bulmak kolaydır. Örneğin, kendi veri setinle bir model eğitiyorsan, Referans bölümünün veriyle ilgili kısmına gidebilirsin; bu sana verilerinin model eğitimi için nasıl kullanılacağına dair daha iyi bir fikir verecektir.

Link to this sectionReferans bölümü ile çalışmaya nasıl başlanır#

Ultralytics YOLO dokümantasyonundaki Referans bölümüne gidersen, sayfanın sol tarafında farklı referans kategorilerinin olduğu bir menü bulacaksın. Her kategori, modeller, veri işleme veya eğitim işlevleri gibi Ultralytics kod tabanının belirli bir bölümünü temsil eder.

Bir kategoriye tıkladığında, sana daha fazla detay sunan bir sayfaya yönlendirilirsin.

Şekil 2. Solda, farklı Referans kategorilerinden oluşan bir menü bulacaksın.

Benzer şekilde, sayfanın sağ tarafında, her referans sayfasını işlevler (yeniden kullanılabilir kod blokları), sınıflar (nesneler oluşturmak için şablonlar) ve metotlar (sınıflar içinde tanımlanan işlevler) gibi temel bileşenlere ayıran içindekiler tablosunu bulacaksın. Bu, doğrudan aradığın şeye gitmeni kolaylaştırır.

Şekil 3. Sağ tarafta, görüntülediğin belirli Referans sayfası için bir içindekiler tablosu bulacaksın.

Link to this sectionUltralytics GitHub deposunun yapısı#

Ultralytics GitHub deposu; modeller, eğitim ve veri gibi Ultralytics paketinin farklı bölümlerine dayalı alt dizinler veya alt paketler halinde düzenlenmiştir. Dokümantasyondaki Referans bölümü de aynı yapıyı takip eder; bu da her şeyin birbiriyle nasıl bağlantılı olduğunu anlamayı kolaylaştırır.

İşte hem Ultralytics GitHub deposunda hem de Ultralytics dokümantasyonunun Referans bölümünde göreceğin ana alt dizinlerden veya kategorilerden bazıları:

• Modeller: Bu bölüm, farklı modellere ve tahmin yapma, performansı doğrulama ve eğitilmiş modelleri dışa aktarma gibi modlarına odaklanır.
• Motor (Engine): Modelleri eğitmek, doğrulamak, tahmin etmek, dışa aktarmak ve değerlendirmek için gereken temel mantığı içerir.
• Veri (Data): Veri setlerinin nasıl yüklendiğini, işlendiğini ve artırıldığını yönetir. Bu, veri yükleyiciler (veriyi modele partiler halinde besleyen araçlar) oluşturmak, dönüşümler (modelin daha iyi öğrenmesine yardımcı olmak için yeniden boyutlandırma veya çevirme gibi görüntülere yapılan değişiklikler) uygulamak ve eğitim için verileri (görüntüleri ve etiketleri düzenlemek ve biçimlendirmek) hazırlamak için işlevleri içerir.
• Araçlar (Utils): Bu bölüm, görselleştirme araçları, dosya işleme ve metrik hesaplamaları gibi kod tabanında kullanılan geniş bir yardımcı işlev yelpazesi sunar.
• HUB: Kod gerektirmeyen bir bilgisayarlı görü platformu olan Ultralytics HUB ile bağlantı kurarak giriş yapma, modelleri yükleme ve veri setlerini bir API aracılığıyla yönetme gibi bulut özelliklerini etkinleştirir.
• Takipçiler (Trackers): Video veya kare kare görüntü dizileri içeren uygulamalar için nesne takibi mantığını uygular.

GitHub deposundaki bu alt dizinlerin her birinin dokümantasyonda karşılık gelen bir bölümü vardır. Bu yapı bilinçli olarak yansıtılmıştır, bu sayede dokümantasyonu okumak ile kaynak kodunu keşfetmek arasında geçiş yapmak kolaylaşır.

Hatta birçok Referans sayfasında, gerçek kaynak kodu da görüntülenir; böylece dokümantasyondan ayrılmadan işlevlerin ve sınıfların tam olarak nasıl uygulandığını görebilirsin.

Şekil 4. Kaynak kodu da Referans sayfalarına dahildir.

Link to this sectionModelleri, motoru ve veri bileşenlerini anlama#

Artık Referans 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. Hem model türlerine (YOLO, FastSAM veya RT-DETR gibi) hem de algılama, segmentasyon veya sınıflandırma gibi görevlere göre düzenlenmiştir. Bunların her birinin içinde, belirli eylemleri yöneten dosya veya modüller bulursun; örneğin, modelin nasıl tahmin yaptığı, nasıl eğitildiği veya performansının nasıl değerlendirildiği gibi.

Bu arada motor (engine) alt dizini, tüm süreci yönetmek için perde arkasında çalışır. Modeller alt dizini her modelin ne yapması gerektiğine odaklanırken, motor alt dizini bu görevleri tutarlı ve verimli bir şekilde nasıl yürüteceğine odaklanır.

Ayrıca veri (data) alt dizini, veri setlerini yüklemek ve hazırlamakla sorumludur. Kod tabanının bu kısmı, eğitim verilerinin temiz, yapılandırılmış ve çeşitli olmasını sağlayarak modelin daha iyi öğrenmesine ve daha etkili bir şekilde genelleme yapmasına yardımcı olur.

Bu net ayrım, kodun bakımını kolaylaştırır ve kullanıcılara onu özelleştirme esnekliği sağlar.

Link to this sectionReferans bölümünü kullanma örnekleri#

Ultralytics kod tabanının farklı bölümlerini anlamanın neden önemli olduğunu merak ediyor olabilirsin. Kodun hangi kısmının neyi yönettiğini bilirsen, ihtiyacın olan bilgiyi bulmak, değişiklik yapmak veya sorunları gidermek çok daha kolay hale gelir.

İşte dokümantasyonun Referans bölümünü nasıl kullanabileceğine dair bazı örnekler:

• Eğer "Model tahminleri nasıl yapıyor?" diye soruyorsan, Referans bölümündeki Modeller kategorisine gidebilir, bir model türü (YOLO gibi) seçebilir, bir görev (algılama gibi) seçebilir ve ardından ayrıntılar için Predict (Tahmin) sayfasını açabilirsin.
• Veri artırmaların nasıl uygulandığını bilmek istiyorsan, Veri kategorisi altındaki Augment (Artırma) sayfasını inceleyebilirsin. Bu sayfa, model performansını ve eğitim verilerindeki çeşitliliği artırmak için kullanılan yerleşik artırma tekniklerini listeler.

Link to this sectionReferans bölümü aracılığıyla sonuçları keşfetme#

Referans bölümü, modelin tarafından döndürülen çıktıları anlamaya çalışırken de faydalıdır. YOLO11 gibi bir model bir görüntü üzerinde çıkarım yapmak için kullanıldıktan sonra, neyin algılandığını açıklayan bir sonuç kümesi döndürür.

Örneğin, bir kamera beslemesinde, bir kişiyi algılayabilir ve bir sınırlayıcı kutu kullanarak konumlarını vurgulayabilir; bununla birlikte modelin algılamadan ne kadar emin olduğunu gösteren 0 ile 1 arasında bir değer olan güven puanını da sunar.

Bu çıktıyı projende nasıl kullanacağını anlamaya çalışıyorsan, Referans bölümü sana yol gösterebilir. Nelerin dahil olduğunu ve bunları kodunda nasıl erişeceğini açıklayan Results modülü için bir sayfa içerir. Algılama kutularını nasıl görüntüleyeceğin, güven puanlarını nasıl kontrol edeceğin, sonuçları nasıl sergileyeceğin veya kaydedeceğin hakkında ayrıntılar mevcuttur.

Şekil 5. YOLO11 tarafından döndürülen sonuçların nasıl görselleştirilebileceğine dair bir örnek.

Link to this sectionÖne çıkanlar#

Ultralytics dokümantasyonu, YOLO modellerini etkili bir şekilde nasıl kullanacağını anlamana yardımcı olur. Modelleri eğitme, verileri hazırlama ve sonuçlarla çalışma gibi temel süreçleri açıklar. Her sayfa, hızlıca başlamana yardımcı olacak net açıklamalara ve örnek kod parçacıklarına sahiptir.

Perde arkasında neler olduğunu merak ediyorsan, dokümantasyonun Referans bölümü bunu adım adım açıklar. Kodun nasıl yapılandırıldığını, her parçanın ne işe yaradığını ve her şeyin nasıl bir arada çalıştığını gösterir. Bu, öğrenmeyi, özelleştirmeyi ve kendi bilgisayarlı görü projelerini güvenle oluşturmanı kolaylaştırır.

Aktif topluluğumuzun bir parçası ol ve YZ ile geliştirme hakkında daha fazla bilgi edinmek için GitHub deposunu keşfet. Kendi bilgisayarlı görü fikirlerini hayata geçirmeye hazır mısın? Başlamak için lisans seçeneklerimizi ziyaret et. Çözüm sayfalarımızı ziyaret ederek otomotivde görü YZ'sinin ve sağlık hizmetlerinde YZ'nin nasıl bir etki yarattığını gör.