Ultralytics nesne algılama ve segmentasyon modellerini birkaç satır kodla çalıştırma

Bu yazıda, Ultralytics YOLOv5 ve YOLOv8 modellerinin nesne algılama ve segmentasyon yeteneklerini inceleyeceğiz. Kullanımı kolay bu modelleri yalnızca birkaç satır kodla projelerine nasıl entegre edebileceğini ele alacağız. İster yeni başlayan ister deneyimli bir geliştirici ol, Ultralytics'in farklı YOLO sürümleri ve transformer tabanlı modeller dâhil çeşitli modelleri ve mimarileri desteklediğini göreceksin.

Videosunda Nicolai Nielsen, Ultralytics çerçevesindeki çeşitli modelleri kurma ve kullanma sürecini adım adım anlatıyor. Bu araçları kullanmaya nasıl başlayabileceğini adım adım inceleyelim.

Ultralytics modellerini kullanmaya başlama#

Ultralytics, birden fazla nesne algılama ve segmentasyon modelini destekleyen kapsamlı bir çerçeve sunar. Buna YOLOv3'ten YOLOv8'e kadar uzanan popüler YOLO modelleri (daha sonra yerini YOLO26 aldı) ile YOLO-NAS ve SAM modelleri dâhildir. Bu modeller gerçek zamanlı algılama, segmentasyon ve poz tahmini gibi çeşitli görevleri yerine getirmek üzere tasarlanmıştır.

Başlamak için Ultralytics dokümantasyon sayfasını ziyaret et. Burada her modelin temel özellikleri ve mimarileri ile modelleri Python betiklerinde nasıl kullanabileceğin hakkında ayrıntılı bilgi bulabilirsin.

Ortamını kurma#

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

pip install ultralytics

Bunu yaptıktan sonra bu modelleri projelerinde kullanmaya başlayabilirsin. Örnek olarak Ultralytics YOLOv8 modeliyle başlayalım.

Ultralytics YOLOv8'in temel özellikleri#

Ultralytics YOLOv8, önceki sürümlerine kıyasla çeşitli geliştirmeler sunar. Daha hızlı ve daha doğru olacak şekilde tasarlanmıştır; bu da onu gerçek zamanlı uygulamalar için uygun hâle getirir. Öne çıkan özelliklerden bazıları şunlardır:

• Hız ve doğruluğun artırılması
• Birden çok görev için önceden eğitilmiş ağırlıklar
• Nesne algılama, segmentasyon ve sınıflandırma desteği
• Daha yüksek performans için geliştirilmiş model mimarisi

Ultralytics YOLOv8'i Python'da çalıştırma#

Ultralytics YOLOv8'i yalnızca birkaç satır kodla kullanmaya şöyle başlayabilirsin:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv8 modeli yükle
model = YOLO("yolov8n.pt")

# Bir görüntü üzerinde çıkarım yap
results = model("path/to/image.jpg")

İşte bu kadar! Bir görüntüde YOLOv8 modeliyle çıkarım yaptın. Ultralytics modellerini bu kadar kullanıcı dostu yapan şey de bu basitlik.

Canlı web kamerası algılaması#

Ultralytics YOLOv8'i canlı web kamerası görüntüsü üzerinde çalışırken görmek ister misin? Bunu şöyle yapabilirsin:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv8 modeli yükle
model = YOLO("yolov8n.pt")

# Web kamerası görüntüsünde çıkarım yap (source=0) ve sonuçları göster
results = model.predict(source=0, show=True)

Bu betik web kameranı açar ve nesneleri gerçek zamanlı olarak tespit etmek için Ultralytics YOLOv8 modelini çalıştırır.

Şekil 1. Nicolai Nielsen, Ultralytics nesne algılama ve segmentasyon modellerini nasıl çalıştıracağını anlatıyor.

Diğer modelleri keşfetme#

Ultralytics, YOLOv8 ile sınırlı değildir. Gerçek zamanlı algılama için YOLOv5, YOLO-NAS ve transformer tabanlı modeller gibi çeşitli başka modelleri de destekler. 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, uçtan uca çalışan son teknoloji bir nesne algılayıcıdır. Gerçek zamanlı hız için evrişim tabanlı bir omurga ağı ve verimli bir hibrit kodlayıcı kullanır, TensorRT ile CUDA üzerinde üstün performans gösterir ve çıkarım hızının esnek biçimde ayarlanmasını destekler.

RT-DETR modelini şu şekilde çalıştırabilirsin:

from ultralytics import RTDETR

# COCO üzerinde önceden eğitilmiş bir RT-DETR-l modeli yükle
model = RTDETR("rtdetr-l.pt")

# Bir görüntü üzerinde çıkarım yap
results = model("path/to/image.jpg")

Her Şeyi Segmentasyon Modelleri#

Ultralytics ayrıca MobileSAM ve FastSAM gibi segmentasyon görevlerine yönelik modeller de 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. Modeli şöyle çalıştırabilirsin:

from ultralytics import FastSAM

# Bir FastSAM modeli oluştur
model = FastSAM("FastSAM-s.pt")  # veya FastSAM-x.pt

# Bir görüntü üzerinde çıkarım yap
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 uygundur.

Performans ve karşılaştırmalar#

Ultralytics ekosisteminin kullanışlı özelliklerinden biri, farklı modelleri yan yana karşılaştırabilmendir. Çıkarım hızı ve ortalama kesinlik (mAP) gibi performans ölçümlerine bakarak kendi uygulaman için en iyi modeli belirleyebilirsin.

Başlıca çıkarımlar#

Ultralytics, yalnızca birkaç satır kodla nesne algılama ve segmentasyon modellerini çalıştırmayı kolaylaştırır. İster gerçek zamanlı uygulamalar üzerinde çalışıyor ister yüksek hassasiyetli modellere ihtiyaç duyuyor ol, Ultralytics sana uygun bir çözüm sunar. Daha ayrıntılı bilgi ve örnekler için Nicolai Nielsen'in Ultralytics YouTube kanalındaki eğitiminin tamamına göz at.

Ultralytics topluluğundan daha fazla eğitim videosu ve güncelleme için bizi takipte kal!