Ultralytics nesne algılama ve segmentasyon modellerini birkaç satır kodla çalıştırma

Ultralytics'in YOLOv5 ve YOLOv8 modellerinin nesne algılama ve segmentasyon konusundaki yeteneklerine dalacağımız başka bir blog yazısına hoş geldiniz. Bu kullanımı kolay modelleri sadece birkaç satır kodla projelerinize nasıl entegre edeceğinizi keşfedeceğiz. İster yeni başlayan ister deneyimli bir geliştirici olun, Ultralytics'in farklı YOLO sürümleri ve transformatör tabanlı modeller de dahil olmak üzere çeşitli modelleri ve mimarileri nasıl desteklediğini göreceksiniz. 

Videosunda Nicolai Nielsen, Ultralytics çerçevesi içindeki çeşitli modelleri kurma ve kullanma sürecinde bize yol gösteriyor. Adım adım inceleyelim ve bu inanılmaz araçlarla nasıl başlayabileceğinizi görelim.

Ultralytics modelleriyle başlarken

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

Başlamak için Ultralytics dokümantasyon sayfasını ziyaret edin. Burada, her model hakkında temel özellikleri, mimarileri ve Python komut dosyalarınızda nasıl kullanılacakları da dahil olmak üzere ayrıntılı bilgi bulabilirsiniz.

Ortamınızı Kurma

Öncelikle, Ultralytics'in kurulu olduğundan emin olun. Bunu şu komutu çalıştırarak yapabilirsiniz:

bash

Kodu kopyala

Bu işlem tamamlandıktan sonra, bu modelleri projelerinizde kullanmaya başlayabilirsiniz. Örnek olarak YOLOv8 modeliyle başlayalım.

YOLOv8'in temel özellikleri

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

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

Python'da YOLOv8'i çalıştırma

İşte sadece birkaç satır kodla YOLOv8'i kullanmaya nasıl başlayabileceğiniz:

Kodu kopyala

İşte bu kadar! Bir görüntü üzerinde bir YOLOv8 modeli çalıştırdınız. Bu basitlik, Ultralytics modellerini bu kadar güçlü ve kullanıcı dostu yapan şeydir.

Canlı web kamerası algılama

YOLOv8'in canlı bir web kamerası akışında nasıl çalıştığını görmek ister misiniz? İşte bunu nasıl yapabileceğiniz:

python

Kodu kopyala

Bu betik, web kameranızı açacak ve gerçek zamanlı olarak nesneleri algılamak için YOLOv8 modelini uygulayacaktır.

Diğer 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 destekliyor. Her modelin kendine özgü güçlü yönleri ve kullanım alanları vardır.

Transformer modelleri ve nasıl çalıştırılacakları

Baidu tarafından geliştirilen ve Ultralytics tarafından desteklenen RT-DETR modeli, gerçek zamanlı performans ve yüksek doğruluk sunan, son teknoloji ürünü, uçtan uca bir nesne tespit aracıdır. Gerçek zamanlı hız için conv tabanlı bir omurga ve verimli bir hibrit kodlayıcı kullanır, TensorRT ile CUDA'da mükemmeldir ve esnek çıkarım hızı ayarlamasını destekler.

İşte bir RT-DETR modelini nasıl çalıştırabileceğiniz:

Kodu kopyala

Her Şeyi Bölümleme Modelleri (Segment Anything Models)

Ultralytics ayrıca MobileSAM ve FastSAM gibi segmentasyon görevleri için de modeller sunar. Bu modeller, bir görüntüdeki her şeyi bölümlere ayırmak ve sahne hakkında ayrıntılı bilgiler sağlamak üzere tasarlanmıştır.

FastSAM'i Çalıştırma

FastSAM, gerçek zamanlı segmentasyon için optimize edilmiştir ve onu şu şekilde çalıştırabilirsiniz:

Kodu kopyala

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

Performans ve karşılaştırmalar

Ultralytics çatısının harika özelliklerinden biri, farklı modelleri yan yana karşılaştırma yeteneğidir. Çıkarım hızı ve ortalama ortalama hassasiyet (mAP) gibi performans metriklerine bakarak, hangi modelin özel uygulamanız için en iyi sonucu verdiğini kolayca belirleyebilirsiniz.

Temel çıkarımlar

Ultralytics, yalnızca birkaç satır kodla nesne tespiti ve segmentasyon modellerini çalıştırmayı inanılmaz derecede kolaylaştırır. İster gerçek zamanlı uygulamalar üzerinde çalışıyor olun, ister yüksek hassasiyetli modellere ihtiyacınız olsun, Ultralytics'in sizin için bir çözümü vardır. Daha derinlemesine bilgi ve örnekler için Nicolai Nielsen'in Ultralytics YouTube kanalındaki tüm eğitimini incelediğinizden emin olun.

Ultralytics topluluğundan daha fazla eğitim ve güncelleme için bizi izlemeye devam edin!