Birkaç satır kodla Ultralytics nesne algılama ve segmentasyon modellerini çalıştırma

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

Nicolai Nielsen videosunda, Ultralytics çerçevesi içindeki çeşitli modelleri kurma ve kullanma sürecini adım adım anlatıyor. Hadi bunu adım adım inceleyelim ve bu inanılmaz araçlarla nasıl başlayabileceğini görelim.

Link to this sectionUltralytics modelleri ile başlangıç#

Ultralytics, birden fazla nesne algılama ve segmentasyon modelini destekleyen kapsamlı bir çerçeve sunar. Buna YOLOv3'ten en güncel YOLOv8'e kadar popüler YOLO modellerinin yanı sıra YOLO-NAS ve SAM modelleri de dahildir. Bu modeller, gerçek zamanlı algılama, segmentasyon ve poz tahmini gibi çeşitli görevleri yerine getirmek için tasarlanmıştır.

Başlamak için Ultralytics dokümantasyon sayfasını ziyaret et. Burada, her modelin temel özellikleri, mimarileri ve bunları Python betiklerinde nasıl kullanacağın dahil olmak üzere ayrıntılı bilgileri bulabilirsin.

Link to this sectionOrtamını 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 YOLOv8 modeliyle başlayalım.

Link to this sectionYOLOv8'in temel özellikleri#

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

Link to this sectionPython'da YOLOv8 çalıştırma#

İşte YOLOv8 ile sadece birkaç satır kodla nasıl başlayabileceğin:

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 görüntü üzerinde YOLOv8 modelini çalıştırdın bile. Bu basitlik, Ultralytics modellerini çok güçlü ve kullanıcı dostu yapan şeydir.

Link to this sectionCanlı web kamerası algılama#

YOLOv8'i canlı bir web kamerası akışında çalışırken görmek ister misin? İşte bunu nasıl yapabileceğin:

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 açacak ve gerçek zamanlı olarak nesneleri algılamak için YOLOv8 modelini uygulayacaktır.

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

Link to this sectionDiğer modelleri keşfetme#

Ultralytics sadece YOLOv8 ile sınırlı kalmıyor. Ayrıca gerçek zamanlı algılama için YOLOv5, YOLO-NAS ve Transformer tabanlı modeller gibi çeşitli diğer modelleri de destekliyorlar. Her modelin kendine has güçlü yönleri ve kullanım durumları vardır.

Link to this sectionTransformer 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")

Link to this sectionSegment 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.

Link to this sectionFastSAM 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.

Link to this sectionPerformans 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.

Link to this sectionAna 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!