Birkaç satır kodla Ultralytics nesne algılama ve segmentasyon modellerini çalıştırma

Ultralytics' YOLOv5 ve YOLOv8 modellerinin nesne tespiti ve bölütleme konusundaki yeteneklerini inceleyeceğimiz başka bir blog yazısına hoş geldin. Bu kullanımı kolay modelleri projelerine sadece birkaç satır kodla nasıl entegre edebileceğini keşfedeceğiz. İster yeni başlayan ister deneyimli bir geliştirici ol, Ultralytics'in farklı YOLO sürümleri ve transformer tabanlı modeller dahil olmak üzere çeşitli modelleri ve mimarileri nasıl desteklediğini göreceksin.

Nicolai Nielsen videosunda Ultralytics çerçevesi içinde çeşitli modelleri kurma ve kullanma sürecini bize anlatıyor. Bunu adım adım inceleyelim ve bu inanılmaz araçlarla nasıl başlayabileceğini görelim.

Ultralytics modelleri ile başlangıç#

Ultralytics, birden fazla nesne tespiti ve bölütleme modelini destekleyen kapsamlı bir çerçeve sunar. Buna YOLOv3'ten en son YOLOv8'e kadar popüler YOLO modellerinin yanı sıra YOLO-NAS ve SAM modelleri de dahildir. Bu modeller gerçek zamanlı tespit, bölütleme ve poz tahmini gibi çeşitli görevlerin üstesinden gelmek için tasarlanmıştır.

Başlamak için Ultralytics belgelendirme sayfasını ziyaret et. Burada, temel özellikleri, mimarileri ve bunları Python betiklerinde nasıl kullanacağın dahil olmak üzere her model hakkında ayrıntılı bilgi bulabilirsin.

Ortamını Kurma#

Öncelikle, Ultralytics'in yüklü olduğundan emin ol. Bunu şunları çalıştırarak yapabilirsin:

pip install ultralytics

Bu işlem tamamlandıktan sonra, bu modelleri projelerinde kullanmaya başlayabilirsin. Örnek olarak Ultralytics YOLOv8 modeli ile başlayalım.

Ultralytics YOLOv8'in temel özellikleri#

Ultralytics YOLOv8, önceki sürümlerine göre çeşitli geliştirmelerle gelir. Daha hızlı ve daha doğru olacak şekilde tasarlanmıştır; bu da onu gerçek zamanlı uygulamalar için mükemmel kılar. Bazı temel özellikler şunlardır:

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

Python ile Ultralytics YOLOv8'i Çalıştırma#

İşte sadece birkaç satır kodla Ultralytics YOLOv8 kullanmaya nasıl başlayabileceğin:

from ultralytics import YOLO

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

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

İşte bu kadar! Bir görüntü üzerinde YOLOv8 modelini çalıştırdın bile. Bu basitlik, Ultralytics modellerini çok güçlü ve kullanıcı dostu yapan şeydir.

Canlı web kamerası algılama#

Ultralytics YOLOv8'i canlı bir web kamerası akışında iş başında görmek ister misin? Bunu nasıl yapabileceğin aşağıda açıklanmıştır:

from ultralytics import YOLO

# Load a pretrained Ultralytics 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 açacak ve nesneleri gerçek zamanlı olarak tespit etmek için Ultralytics YOLOv8 modelini uygulayacaktır.

Şekil 1. Ultralytics nesne tespiti ve bölütleme modellerini çalıştırmayı anlatan Nicolai Nielsen.

Diğer modelleri keşfetme#

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

Transformer modelleri ve bunları çalıştırma yöntemleri#

Baidu tarafından geliştirilen ve Ultralytics tarafından desteklenen RT-DETR modeli, gerçek zamanlı performans ve yüksek doğruluk sunan, uçtan uca, son teknoloji bir nesne dedektörüdür. Gerçek zamanlı hız için evrişim tabanlı bir omurga ve verimli bir hibrit kodlayıcı kullanır, TensorRT ile CUDA üzerinde mükemmel performans gösterir ve esnek çıkarım hızı ayarlamasını destekler.

İşte bir RT-DETR modelini nasıl çalıştırabileceğin:

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 görevleri için modeller sunar. Bu modeller, görüntüdeki her şeyi segmentlere ayırmak ve sahne hakkında ayrıntılı bilgiler sağlamak üzere tasarlanmıştır.

FastSAM çalıştırma#

FastSAM gerçek zamanlı segmentasyon için optimize edilmiştir ve işte onu nasıl çalıştırabileceğin:

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 mükemmeldir.

Performans ve karşılaştırmalar#

Ultralytics çerçevesinin harika özelliklerinden biri, farklı modelleri yan yana karşılaştırabilme yeteneğidir. Çıkarım hızı ve ortalama hassasiyet (mAP) gibi performans metriklerine bakarak özel uygulaman için hangi modelin en iyi çalıştığını kolayca belirleyebilirsin.

Ana çıkarımlar#

Ultralytics, sadece birkaç satır kodla nesne algılama ve segmentasyon modellerini çalıştırmayı inanılmaz derecede kolaylaştırır. İster gerçek zamanlı uygulamalar üzerinde çalışıyor ol, ister yüksek hassasiyetli modellere ihtiyaç duy, Ultralytics'te senin için bir çözüm var. Daha fazla derinlemesine bilgi ve örnek için Nicolai Nielsen'in Ultralytics YouTube kanalındaki tam eğitimini kontrol ettiğinden emin ol.

Ultralytics topluluğundan daha fazla eğitim ve güncelleme için takipte kal!