Ultralytics nesne tespiti ve segmentasyon modellerini birkaç satır kodla çalıştırma

Ultralytics' YOLOv5 ve YOLOv8 modellerinin nesne algılama ve segmentasyon konusundaki yeteneklerini ele alacağımız başka bir blog yazısına hoş geldin. Bu kullanımı kolay modelleri yalnızca birkaç satır kodla projelerine nasıl entegre edebileceğini inceleyeceğiz. İster yeni başlayan ister deneyimli bir geliştirici ol, Ultralytics'in farklı YOLO sürümleri ve Transformer tabanlı modeller de dahil olmak üzere çeşitli modelleri ve mimarileri nasıl desteklediğini göreceksin.

Nicolai Nielsen videosunda Ultralytics çatısı içindeki çeşitli modelleri kurma ve kullanma sürecinde bize rehberlik ediyor. Adımları tek tek inceleyerek bu etkileyici araçları kullanmaya nasıl başlayabileceğini görelim.

Ultralytics modellerini kullanmaya başlama#

Ultralytics, birden çok nesne algılama ve segmentasyon modelini destekleyen kapsamlı bir çatı sunar. Buna YOLOv3'ten en yeni YOLOv8'e kadar uzanan popüler YOLO modellerinin yanı sıra YOLO-NAS ve SAM modelleri de dahildir. Bu modeller gerçek zamanlı algılama, segmentasyon ve poz tahmini gibi çeşitli görevleri gerçekleştirmek üzere tasarlanmıştır.

Başlamak için Ultralytics dokümantasyon sayfasını ziyaret et. Burada her model hakkında temel özellikleri, mimarileri ve modelleri Python betiklerinde nasıl kullanabileceğin de dahil olmak üzere ayrıntılı bilgiler bulabilirsin.

Ortamını kurma#

Öncelikle Ultralytics'in yüklü olduğundan emin ol. Bunu şu komutu çalıştırarak yapabilirsin:

pip install ultralytics

Bu işlem tamamlandığında bu modelleri projelerinde kullanmaya başlayabilirsin. Örnek olarak Ultralytics YOLOv8 modeliyle başlayalım.

Ultralytics YOLOv8'in temel özellikleri#

Ultralytics YOLOv8, önceki sürümlerine kıyasla çeşitli geliştirmelerle birlikte gelir. Daha hızlı ve daha doğru olacak şekilde tasarlanmıştır; bu da onu gerçek zamanlı uygulamalar için ideal kılar. Önemli özelliklerinden bazıları şunlardır:

• Artırılmış hız ve doğruluk
• Birden çok görev için önceden eğitilmiş ağırlıklar
• Nesne algılama, segmentasyon ve sınıflandırma desteği
• Daha iyi performans için geliştirilmiş model mimarisi

Ultralytics YOLOv8'i Python'da çalıştırma#

Ultralytics YOLOv8'i yalnızca birkaç satır kodla kullanmaya nasıl başlayabileceğin aşağıda açıklanmıştır:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

İşte bu kadar! Bir YOLOv8 modelini bir görüntü üzerinde çalıştırdın. Ultralytics modellerini bu kadar güçlü ve kullanıcı dostu yapan şey de bu basitliktir.

Canlı web kamerası algılaması#

Ultralytics YOLOv8'in canlı web kamerası görüntüsündeki performansını görmek ister misin? Bunu şu şekilde yapabilirsin:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on the webcam feed (source=0) and display the results
results = model.predict(source=0, show=True)

Bu betik web kameranı açar ve nesneleri gerçek zamanlı olarak algılamak için Ultralytics YOLOv8 modelini uygular.

Şekil 1. Nicolai Nielsen, Ultralytics nesne algılama ve segmentasyon modellerinin nasıl çalıştırılacağını açıklıyor.

Diğer modelleri keşfetme#

Ultralytics yalnızca YOLOv8 ile sınırlı değil. Ayrıca gerçek zamanlı algılama için YOLOv5, YOLO-NAS ve Transformer tabanlı modeller gibi diğer çeşitli modelleri de destekliyor. Her modelin kendine özgü güçlü yönleri ve kullanım alanları vardır.

Transformer modelleri ve bunları çalıştırma#

Baidu tarafından geliştirilen ve Ultralytics tarafından desteklenen RT-DETR modeli, gerçek zamanlı performans ve yüksek doğruluk sunan, son teknoloji ürünü uçtan uca bir nesne algılayıcıdır. Gerçek zamanlı hız için konvolüsyon tabanlı bir omurga ve verimli bir hibrit kodlayıcı kullanır; CUDA üzerinde TensorRT ile üstün performans gösterir ve çıkarım hızının esnek biçimde ayarlanmasını destekler.

Bir RT-DETR modelini nasıl çalıştırabileceğin aşağıda açıklanmıştır:

from ultralytics import RTDETR

# Load a COCO-pretrained RT-DETR-l model
model = RTDETR("rtdetr-l.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Segment Anything Modelleri#

Ultralytics ayrıca MobileSAM ve FastSAM gibi segmentasyon görevlerine yönelik modeller sunar. Bu modeller, bir görüntüdeki her şeyi segmente ederek sahne hakkında ayrıntılı bilgiler sağlamak üzere tasarlanmıştır.

FastSAM'i çalıştırma#

FastSAM gerçek zamanlı segmentasyon için optimize edilmiştir; onu nasıl çalıştırabileceğin aşağıda açıklanmıştır:

from ultralytics import FastSAM

# Create a FastSAM model
model = FastSAM("FastSAM-s.pt")  # or FastSAM-x.pt

# Run inference on an image
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

Bu model, hızlı ve doğru segmentasyon gerektiren uygulamalar için idealdir.

Performans ve karşılaştırmalar#

Ultralytics çatısının harika özelliklerinden biri, farklı modelleri yan yana karşılaştırabilmendir. Çıkarım hızı ve ortalama kesinlik (mAP) gibi performans ölçütlerine bakarak belirli uygulaman için hangi modelin en iyi çalıştığını kolayca belirleyebilirsin.

Temel çıkarımlar#

Ultralytics, nesne algılama ve segmentasyon modellerini yalnızca birkaç satır kodla çalıştırmayı inanılmaz derecede kolaylaştırır. İster gerçek zamanlı uygulamalar üzerinde çalışıyor ister yüksek hassasiyetli modellere ihtiyaç duyuyor ol, Ultralytics senin için bir çözüm sunar. Daha derinlemesine bilgiler ve örnekler için Nicolai Nielsen'in Ultralytics YouTube kanalındaki kapsamlı eğitimine göz atmayı unutma.

Ultralytics topluluğundan daha fazla eğitim ve güncelleme için bizi takip etmeye devam et!