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, computer vision, bilgisayarların görüntü ve videolardan görsel bilgileri yorumlamasını ve anlamasını sağlayan bir yapay zeka dalıdır ve Ultralytics YOLO11 gibi bilgisayarlı görü modelleriyle çalışmaya başlamak oldukça kolaydır.

Ultralytics YOLO11 nesne tespiti, örnek bölütleme ve görüntü sınıflandırma gibi görevleri destekler ve otonom sürüş, güvenlik izleme ve perakende analitiği gibi uygulamalar için kullanılabilir.

Şekil 1. Ultralytics YOLO11 çeşitli nesneleri tespit etmek için kullanılabilir.

Spesifik olarak, Ultralytics Python package bu yapay zeka modellerini hızlıca eğitmeni, özelleştirmeni ve devreye almanı sağlayan kullanıcı dostu araçlar sunar; böylece her beceri seviyesinden kullanıcı gelişmiş bilgisayarlı görü uygulamalarını kolayca oluşturabilir.

Ancak her şeyin nasıl çalıştığını daha derinlemesine incelemek veya kendi özelleştirmelerini yapmak istiyorsan, Ultralytics belgelerinin Reference section bölümü harika bir kaynaktır. Bu bölüm, verilerinin nasıl işlendiği, model eğitim süreci ve tahminleri nasıl görselleştirebileceğin dahil olmak üzere Ultralytics Python package paketinin iç işleyişini ele alır.

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

Ultralytics YOLO modelleriyle çalışmaya daha derin bir bakış#

Ultralytics Python package ile çalışmak basit ve anlaşılırdır. Yalnızca birkaç satır kod kullanarak YOLO modellerini eğitebilir veya görüntülerde detect objects yapabilirsin.

Ancak bilgisayarlı görü modelleriyle çalışmaya aşina olduktan sonra, Ultralytics belgelerindeki Referans bölümü how the code works konusunu ve paketin hangi fonksiyonları desteklediğini daha derinlemesine incelemene yardımcı olur. Ayrıca takip etmesi kolay açıklamalar, yapılandırılabilir seçenekler ve Ultralytics GitHub deposunda bulunan ilgili koda 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.

Referans bölümü ile çalışmaya nasıl başlanır#

Ultralytics YOLO belgelerindeki Referans bölümüne gidersen, sayfanın sol tarafında farklı referans kategorilerinin yer aldığı bir menü bulacaksın. Her kategori; models, veri yönetimi veya eğitim fonksiyonları gibi Ultralytics kod tabanının belirli bir kısmını temsil eder.

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

Fig 2. Sol tarafta 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.

Fig 3. Sağ tarafta, görüntülemekte olduğun belirli Referans sayfası için bir içindekiler tablosu bulacaksın.

Ultralytics GitHub deposunun yapısı#

Ultralytics GitHub deposu; modeller, eğitim ve data gibi Ultralytics paketinin farklı kısımlarına dayanarak alt dizinler veya alt paketler halinde düzenlenmiştir. Belgelerdeki Referans bölümü de aynı yapı izler, bu da her şeyin birbiriyle nasıl uyumlu olduğunu anlamayı kolaylaştırır.

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

• Models: Bu bölüm, tahminler yapma, performansı doğrulama ve eğitilmiş modelleri dışa aktarma gibi farklı modellere ve bunların modes özelliklerine 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: Kodsuz bir bilgisayarlı görü platformu olan Ultralytics HUB ile bağlantı kurarak oturum açma, model yükleme ve bir API aracılığıyla veri kümelerini 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.

Fig 4. Kaynak kodu da Referans sayfalarına dahildir.

Modelleri, 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, bölütleme veya sınıflandırma gibi görevlere göre düzenlenmiştir. Bunların her birinin içinde, modelin nasıl tahmin yaptığı, nasıl eğitildiği veya performance değerinin nasıl değerlendirildiği gibi belirli eylemleri yöneten dosya veya modüller bulabilirsin.

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.

Referans 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.
• data augmentations işlemlerinin nasıl uygulandığını öğrenmek istiyorsan, Veri kategorisi altındaki Augment sayfasını inceleyebilirsin. Bu sayfa, model performansını ve eğitim verilerindeki çeşitliliği artırmak için kullanılan yerleşik artırma tekniklerini listeler.

Referans bölümü aracılığıyla sonuçları keşfetme#

Referans bölümü, modelin döndürdüğü çıktıları anlamaya çalışırken de faydalıdır. Bir görsel üzerinde çıkarım yapmak için Ultralytics YOLO11 gibi bir model kullanıldıktan sonra, neyin tespit edildiğini açıklayan bir sonuç seti döndürür.

Örneğin, bir kamera yayınında bir kişiyi algılayabilir ve modelin algılama konusunda ne kadar emin olduğunu belirten 0 ile 1 arasında bir değer olan güven skoruyla birlikte bir bounding box kullanarak konumunu vurgulayabilir.

Bu çıktıyı projende nasıl kullanacağını anlamaya çalışıyorsan, Referans bölümü sana rehberlik edebilir. Nelerin dahil olduğunu ve kodunda buna nasıl erişileceğini ayrıntılı olarak açıklayan bir Results module sayfası içerir. Algılama kutularının nasıl görüntüleneceği, güven skorlarının nasıl kontrol edileceği, sonuçların nasıl gösterileceği veya kaydedileceği hakkında ayrıntılar vardır.

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

Öne 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.

Yapay zeka ile geliştirmeler yapma hakkında daha fazla bilgi edinmek için our active community topluluğumuzun bir parçası ol ve GitHub repository deposunu keşfet. Kendi bilgisayarlı görü fikirlerini hayata geçirmeye hazır mısın? Başlamak için our licensing options seçeneklerimizi ziyaret et. Çözüm sayfalarımızı ziyaret ederek vision AI in automotive ve AI in healthcare alanlarındaki yapay zekanın nasıl bir fark yarattığını gör.