Ultralytics nesne algılama ve segmentasyon modellerini birkaç satır kodla çalıştırma

Nuvola Ladi

3 dakika okuma

27 Haziran 2024

Ultralytics nesne algılama ve segmentasyon modellerinin birkaç kod satırında nasıl çalıştırılacağına dair adım adım kılavuz.

Nesne algılama ve segmentasyon söz konusu olduğunda Ultralytics'in YOLOv5 ve YOLOv8 modellerinin yeteneklerine dalacağımız bir başka 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 dönüştürücü tabanlı modeller dahil olmak üzere çeşitli modelleri ve mimarileri nasıl desteklediğini göreceksiniz. 

Nicolai Nielsen, videosunda Ultralytics çerçevesi içinde çeşitli modelleri kurma ve kullanma sürecinde bize yol gösteriyor. Adım adım inceleyelim ve bu inanılmaz araçları kullanmaya nasıl başlayabileceğinizi görelim.

Ultralytics modellerini kullanmaya başlama

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

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

Ortamınızı Kurma

İlk olarak, Ultralytics'in yüklü olduğundan emin olun. Bunu çalıştırarak yapabilirsiniz:

bash

Kodu kopyala

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

YOLOv8'in temel özellikleri

YOLOv8, öncekilere 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: 

  • Geliştirilmiş hız ve doğruluk
  • Çoklu görevler için önceden eğitilmiş ağırlıklar
  • Nesne algılama, segmentasyon ve sınıflandırma desteği
  • Daha iyi performans için geliştirilmiş model mimarisi

Python'da YOLOv8'i Çalıştırma

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

Kodu kopyala

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

Canlı web kamerası algılama

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

python

Kodu kopyala

Bu komut dosyası web kameranızı açacak ve nesneleri gerçek zamanlı olarak algılamak için YOLOv8 modelini uygulayacaktır.

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

Diğer modelleri keşfetmek

Ultralytics sadece YOLOv8'de durmuyor. Ayrıca gerçek zamanlı algılama için YOLOv5, YOLO-NAS ve transformatör tabanlı modeller gibi çeşitli diğer modelleri de destekler. Her modelin kendi güçlü yönleri ve kullanım durumları vardır.

Transformatör modelleri ve nasıl çalıştırılacağı

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 conv tabanlı bir omurga ve verimli bir hibrit kodlayıcı kullanır, TensorRT ile CUDA'da mükemmeldir ve esnek çıkarım hızı ayarını destekler.

Bir RT-DETR modelini şu şekilde çalıştırabilirsiniz:

Kodu kopyala

Segment Her Şey Modelleri

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

FastSAM'i Çalıştırma

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

Kodu kopyala

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

Performans ve karşılaştırmalar

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

Ana çıkarımlar

Ultralytics, nesne algılama ve segmentasyon modellerini yalnızca birkaç satır kodla çalıştırmayı inanılmaz derecede kolaylaştırır. İster gerçek zamanlı uygulamalar üzerinde çalışıyor olun, ister yüksek hassasiyetli modellere ihtiyaç duyuyor olun, Ultralytics'in sizin için bir çözümü vardır. Daha derinlemesine bilgi ve örnekler için Nicolai Nielsen'in Ultralytics YouTube kanalındaki tam eğitimine göz attığınızdan emin olun.

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

Yapay zekanın gelecekteki
adresini birlikte inşa edelim!

Makine öğreniminin geleceği ile yolculuğunuza başlayın

Ücretsiz başlayın
Panoya kopyalanan bağlantı