Ultralytics ile YOLO daha hızlı eğitin

Geçen hafta Ultralytics , ekiplerin bilgisayar görme modellerini oluşturma, eğitme ve devreye alma süreçlerini basitleştirmek üzere tasarlanmış tek bir çalışma alanı Ultralytics Ultralytics . Platform, kullanıcıların birden fazla araç arasında gidip gelmek zorunda kalmasını ortadan kaldırarak her şeyi tek bir çatı altında topluyor. Böylece, görme yapay zeka modelleriyle fikir aşamasından devreye almaya kadar olan süreç sorunsuz bir hale geliyor. 

Bu çok önemlidir, çünkü bilgisayar görme teknolojisi hızla çeşitli sektörlerin temel bir parçası haline gelmektedir. Bu teknoloji, üretim denetimi, perakende analitiği ve otonom navigasyon gibi uygulamalara güç sağlamaktadır.

Bu görüntü işleme tabanlı uygulamaları güvenilir sistemlere dönüştürmek, modellerin ne kadar iyi eğitildiğine bağlıdır. Model eğitimi, modelin kalıpları tanıyabilmesi ve doğru tahminlerde bulunabilmesi için etiketli verilerden öğrenmeyi içerir. Genel olarak, iyi eğitilmiş modeller, gerçek dünya uygulamalarında daha iyi model performansı ve daha güvenilir sonuçlar sağlar.

Ancak, bir bilgisayar görme modelini eğitmek her zaman kolay değildir. Bu süreç, ortamların kurulması, uygun bilgi işlem kaynaklarının seçilmesi, hiperparametrelerin ayarlanması ve birden fazla eğitim denemesinin takip edilmesi gibi çeşitli unsurları içerir. Bu adımlar farklı araç ve sistemlere yayıldığında, eğitim iş akışı hızla karmaşıklaşır ve yönetilmesi zorlaşır.

Ultralytics , tüm eğitim sürecini tek bir entegre kontrol panelinde bir araya getirerek bu sorunu çözüyor. İster bulutta, ister yerel ortamda, ister Google çalışıyor olun, eğitim işlerini tek bir yerden yapılandırabilir, çalıştırabilir ve izleyebilirsiniz. 

Bu makalede, Ultralytics model eğitimini nasıl kolaylaştırdığını ve görsel yapay zeka projelerinizde size nasıl bir avantaj sağlayabileceğini inceleyeceğiz. Hadi başlayalım!

Bilgisayar görme modelleri, model eğitimi yoluyla verilerden öğrenir

Ultralytics model eğitiminin nasıl işlediğine geçmeden önce, bir adım geriye gidip model eğitiminin ne olduğunu ve neleri içerdiğini inceleyelim.

Model eğitimi, bir bilgisayar görme modelinin görsel verileri yorumlamayı öğrenme sürecidir. Model, görüntüleri veya videoları analiz eder ve nesne algılama, görüntü sınıflandırma ve örnek segmentasyonu gibi görme görevlerini doğru bir şekilde yerine getirmek için iç parametrelerini kademeli olarak ayarlar. Zamanla model, gördüğü verilerden doğrudan kalıpları öğrenerek gelişir.

Eğitimin kalitesi büyük ölçüde veri kümelerine bağlıdır. Veri kümesini, bir öğretmenin öğrenciyi eğitmek için kullanacağı bir dizi kart gibi düşünebilirsiniz; burada her örnek, modelin neye bakması gerektiğini öğrenmesine yardımcı olur.

Tipik bir bilgisayar görme veri kümesi, genellikle JPG veya PNG gibi formatlarda olan görüntüleri ve her görüntüdeki öğeleri açıklayan açıklamaları içerir. Genellikle JSON veya TXT dosyaları olarak saklanan bu açıklamalar, modelin etkili bir şekilde öğrenmesi için gerekli etiketleri ve bağlamı sağlar.

Ancak model eğitimi, sadece bir modele veri girmekten ibaret değildir. Veri kümesinin hazırlanmasından doğru modelin seçilmesine ve eğitim sürecinin yapılandırılmasına kadar birçok önemli adımı içerir. Şimdi bu adımlardan birkaçına daha yakından bakalım.

Veri kümelerinin nasıl hazırlandığına bir bakış

Veri kümenizi elde ettiğinizde hemen model eğitimi sürecine başlayabileceğiniz izlenimi uyandırabilir, ancak öncelikle veri kümesini bölmek gibi atmanız gereken birkaç adım vardır.

Genel olarak, bir veri kümesi üç bölüme ayrılır: eğitim kümesi, doğrulama kümesi ve test kümesi. Eğitim görüntüleri, modele verilerdeki kalıpları öğretmek için kullanılırken, doğrulama kümesi ise eğitim sırasında performansı izlemeye ve ince ayarlamaya yardımcı olur. 

Test kümesi, modelin tamamen yeni ve daha önce görülmemiş veriler üzerinde ne kadar iyi performans gösterdiğini değerlendirmek için son aşamada kullanılır. Bu yapı, modelin verileri ezberlemekle kalmayıp gerçek hayattaki senaryolara da genelleme yapabilmesini sağlar.

Eğitim için doğru modeli seçme

Eğitimden önce atılması gereken bir diğer önemli adım, kullanmak istediğiniz modeli seçmektir. Çoğu durumda bu, önceden eğitilmiş bir model seçmek anlamına gelir. Ultralytics YOLO gibi modeller, halihazırda büyük veri kümeleri üzerinde eğitilmiş olup genel görsel kalıpları öğrenmişlerdir; bu da onları güçlü bir başlangıç noktası haline getirir.

Bu modelleri kullanmak, mevcut bilgiyi temel alarak modeli kendi özel görevinize uyarladığınız transfer öğreniminin bir örneğidir. Bu yaklaşım, özellikle sınırlı veriyle çalışırken eğitimin hızlanmasına ve sonuçların iyileştirilmesine yardımcı olur.

Bu modeller farklı boyutlarda da mevcuttur ve her biri hız ile doğruluk arasında bir denge sunar. Daha küçük modeller daha hızlı ve verimlidir; buna karşılık daha büyük modeller genellikle daha yüksek doğruluk sağlar, ancak daha fazla hesaplama gücü gerektirir.

Görsel algılama modelleri için eğitim parametrelerinin yapılandırılması

Veri kümenizi hazırladıktan ve bir model seçtikten sonra, bir sonraki adım modelin nasıl öğreneceğini ayarlamaktır.

Bir bilgisayar görme modeli, verileri nasıl işleyeceğini, ağırlıklarını nasıl güncelleyeceğini ve zaman içinde nasıl gelişeceğini belirleyen bir dizi parametre kullanılarak eğitilir. Bu ayarlar hem eğitim hızını hem de nihai doğruluğu doğrudan etkiler; bu nedenle, başarılı sonuçlar elde etmek için hayati öneme sahiptir.

İşte en sık kullanılan eğitim parametrelerinden bazıları:

• Epoklar: Bu, modelin eğitim sırasında veri kümesinin tamamını kaç kez taradığını gösterir. Epok sayısını artırmak, modele verilerden kalıpları öğrenmesi için daha fazla fırsat sunar.
• Toplu işleme boyutu: Bu, tek bir eğitim adımında birlikte işlenen görüntü sayısını ifade eder. Daha büyük toplu işleme boyutları eğitimi hızlandırabilir, ancak daha fazla bellek gerektirir.
• Görüntü boyutu: Eğitim sırasında kullanılan girdi görüntülerinin çözünürlüğünü belirler. Daha yüksek çözünürlükler algılama doğruluğunu artırabilir, ancak hesaplama yükünü de artırır.
• Öğrenme hızı: Bu, modelin eğitim sırasında iç parametrelerini güncellediği hızdır. Çok yüksek veya çok düşük değerler, eğitimin istikrarsız hale gelmesine neden olabilir.
• Optimizer: Bu algoritma, her eğitim döngüsü sırasında hesaplanan hataya göre modelin parametrelerini güncellemekten sorumludur.

Ultralytics YOLO iş akışlarında bu yapılandırmalar genellikle bir YAML dosyasında tanımlanır. Bu dosya, veri kümesi yollarını, sınıf adlarını ve verilerin nasıl bölüneceğini belirtir. Modelin veri kümesini nasıl yorumlayacağını belirten merkezi bir yapılandırma görevi görür.

Parçalı iş akışlarından Ultralytics ile bütünleşik bir deneyime

Az önce, veri kümelerinin hazırlanmasından model seçimi ve eğitim parametrelerinin yapılandırılmasına kadar, bir bilgisayar görme modelinin eğitilmesinde atılması gereken bazı temel adımları ele aldık. Uygulamada ise bu süreç genellikle daha da öteye gider; izleme deneyleri, birden fazla eğitim çalışmasının karşılaştırılması ve zaman içinde modellerin sürekli olarak iyileştirilmesi gibi aşamaları da içerir.

Bu adımlar nadiren tek bir yerde yürütülür. Veri kümeleri bir araçta hazırlanabilir, eğitim işlemleri başka bir ortamda gerçekleştirilebilir ve deney takibi ayrı olarak yönetilebilir. Projeler büyüdükçe bu parçalanma, işleri karmaşıklaştırır, yineleme sürecini yavaşlatır ve her şeyi düzenli tutmayı zorlaştırır.

Ultralytics , tüm eğitim iş akışını tek bir ortamda bir araya getirerek bu karmaşıklığı ortadan kaldırır. Farklı araçlar arasında geçiş yapmak yerine, veri kümelerini yönetebilir, eğitimi yapılandırabilir, deneyler yürütebilir ve sonuçları tek bir yerden izleyebilirsiniz.

Şimdi, Ultralytics model eğitiminin nasıl daha akıllı hale getirdiğine bir göz atalım. 

Ultralytics tarafından desteklenen antrenman seçenekleri

Gerçek dünya uygulamalarında, bir bilgisayar görme modelinin eğitilmesi genellikle esnek ortamlar gerektirir. Veri kümenizin büyüklüğüne, modelin karmaşıklığına ve mevcut donanıma bağlı olarak, eğitimi bulutta, yerel bir makinede veya harici dizüstü bilgisayar ortamlarında yürütmeyi tercih edebilirsiniz.

Ultralytics , bu ihtiyaçları karşılamak üzere aşağıdaki eğitim seçeneklerini sunmaktadır:

• Bulut eğitimi: Eğitim, Ultralytics bulut grafik işlem birimleri (GPU'lar) üzerinde gerçekleştirilir. Bu seçenek, önemli miktarda hesaplama kaynağı gerektiren büyük veri kümeleri veya daha karmaşık modeller için idealdir.
• Yerel eğitim: Bu seçenek, makinenizde bulunan donanımı kullanır ve hızlı denemeler yapmak, yapılandırmaları test etmek veya daha küçük veri kümeleriyle çalışmak için idealdir. Daha ölçeklenebilir iş yükleri için eğitim, AWS veya GCP gibi kendi bulut ortamınızda da yürütülebilir.
• Google : Ultralytics ile, Google barındırılan not defteri ortamında eğitimler gerçekleştirebilir ve böylece yerel bir makineyi yapılandırmaya gerek kalmadan esnek, tarayıcı tabanlı bir iş akışı sağlayabilirsiniz.

Ultralytics 'nda bulut eğitimini keşfetmek

Bilgisayar görme projeleri söz konusu olduğunda, modelleri yerel olarak veya dizüstü bilgisayar ortamlarında eğitmek her zaman kolay değildir.

Örneğin, yerel eğitimde performans tamamen donanımınıza bağlıdır; bu durum hesaplama gücünü sınırlayabilir ve deneme sürecini yavaşlatabilir. Verimli bir eğitim için GPU’lar vazgeçilmezdir, ancak her kurulumda bunlara güvenilir bir şekilde erişilebilmesi mümkün değildir. 

Google gibi not defteri ortamları, bulut tabanlı GPU’lar sunarak bir alternatif sağlasa da, oturumlar genellikle geçicidir ve uzun süreli eğitim süreçlerini kesintiye uğratabilir. Veri kümeleri büyüdükçe ve iş akışları daha karmaşık hale geldikçe, bu sınırlamalar hızla darboğazlara dönüşebilir ve eğitimi yavaşlatıp güvenilirliğini azaltabilir.

Ultralytics , bu sorunu bulut tabanlı eğitim seçeneği ile çözüyor. Python ve PyTorch gibi çerçevelerin önceden PyTorch , kullanıma hazır bir ortam sunarak, ek kurulum gerektirmeden eğitime başlamanıza olanak tanıyor.

Tek bir kontrol panelinden eğitim işlerini başlatabilir ve ilerlemeyi gerçek zamanlı olarak takip edebilirsiniz. Bu sayede altyapıyı yönetmek yerine modellerinizi iyileştirmeye odaklanmanız daha kolay hale gelir.

Şimdi, Ultralytics bulut eğitimine nasıl başlayacağımıza bir göz atalım.

1. Adım: Bir temel model seçin

İlk adım, eğitim çalıştırmanız için bir temel model seçmektir. Önceden eğitilmiş bir Ultralytics YOLO seçebilir, bir topluluk modelini kopyalayabilir veya özel gereksinimlerinizi karşılamak üzere kendi önceden eğitilmiş ağırlıklarınızı yükleyebilirsiniz.

Platform, Ultralytics dahil olmak üzere tüm Ultralytics YOLO desteklemektedir, Ultralytics YOLO11, Ultralytics YOLOv8ve Ultralytics YOLOv5, her biri nano (n), küçük (s), orta (m), büyük (l) ve ekstra büyük (x) gibi farklı boyut seçenekleriyle mevcuttur. Hız ve doğruluk arasında bir denge sunan farklı model seçenekleri sayesinde, performans ve hesaplama gereksinimlerinize uygun bir model seçebilirsiniz.

Bu modeller, Ultralytics YOLO halihazırda aşina olduğu nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, yönlü sınırlayıcı kutu (OBB) algılama ve duruş tahmini gibi çeşitli bilgisayar görme görevlerini desteklemektedir.

Özel gereksinimleriniz varsa, önceden eğitilmiş kendi model ağırlıklarınızı da yükleyebilirsiniz. Bu sayede, sıfırdan başlamak yerine, platform içinde bir nesne algılayıcı gibi mevcut bir modeli eğitmeye devam edebilir veya ince ayar yapabilirsiniz. Bu özellik, başka bir yerde bir model eğitmişseniz veya bir modeli daha spesifik bir kullanım senaryosuna uyarlamak istiyorsanız özellikle kullanışlıdır.

2. Adım: Bir veri kümesi seçin

Bir sonraki adım, eğitim için bir veri kümesi seçmektir. Ultralytics , COCO gibi hazır veri kümelerini kullanabilir, topluluktan veri kümelerini kopyalayabilir veya kendi özel uygulamanıza uygun olarak hazırladığınız özel veri kümenizi yükleyebilirsiniz.

Platform, Ultralytics YOLO COCO gibi yaygın etiketleme formatlarını desteklemektedir; ayrıca, özel verileri doğrudan platform üzerinde etiketlemeyi planlıyorsanız, işlenmemiş görüntü yüklemelerini de desteklemektedir.

Veriler yüklendikten sonra, doğrulama, normalleştirme, etiket ayrıştırma ve istatistik oluşturma dahil olmak üzere otomatik olarak işlenir. Bu sayede, sınıf dağılımları ve veri kümesinin yapısı dahil olmak üzere verilerinizi anında görebilirsiniz ve her şeyin eğitim için hazır olduğundan emin olabilirsiniz.

Veri kümeleri ayrıca eğitim çalıştırmalarına otomatik olarak bağlanır; böylece her model için track verilerin kullanıldığını track ve deneyler arasında tutarlılığı sağlayabilirsiniz.

3. Adım: Eğitim parametrelerini yapılandırın

Veri kümesini seçtikten sonra, modelin öğrenme sürecini yöneten eğitim parametrelerini yapılandırabilirsiniz. Bunlar arasında epoch sayısı, parti boyutu, görüntü boyutu ve eğitim günlüğü için çalıştırma adı yer alır. Bu parametrelerin çoğu, hem eğitim süresini hem de modelin nihai performansını etkiler.

Daha kontrollü bir eğitim süreci için platform, öğrenme hızı, optimizasyon türü, renk artırma ayarları ve diğer eğitim seçenekleri gibi gelişmiş parametreleri de ayarlamanıza olanak tanır. Bu ayarlar, modelin doğruluğunu ve istikrarını artırmak amacıyla eğitim sürecini hassas bir şekilde ayarlamanızı sağlar.

4. Adım: Bir GPU seçin

Ardından, eğitim işleminiz için GPU seçebilirsiniz. Doğru GPU seçimi, veri kümesinin boyutu, işleme grubu boyutu, görüntü çözünürlüğü ve modelin karmaşıklığı gibi faktörlere GPU . Doğru dengeyi bulmak, gereğinden fazla hesaplama gücü harcamadan eğitimin verimli bir şekilde devam etmesini sağlar.

Ultralytics , farklı VRAM ( GPU belleği) kapasiteleri ve işlem gücü seviyelerine sahip 22 GPU sunarak, küçük görevlerden büyük ölçekli iş yüklerine kadar her türlü ihtiyacı karşılar.

Bunu kullanarak, ister hafif modelleri eğitiyor olun ister büyük ve karmaşık veri kümeleriyle çalışıyor olun, donanımı özel ihtiyaçlarınıza göre uyarlayabilirsiniz. Daha fazla bilgi edinmek için Ultralytics Platformu eğitim belgeleri sayfasındaki mevcut GPU listesine göz atın.

5. Adım: Bulut eğitimine başlayın

Model, veri kümesi, eğitim parametreleri ve hesaplama seçeneğini belirledikten sonra, eğitim işlemini başlatmak çok hızlıdır. Kontrol panelinden tek bir tıklamayla eğitimi başlatabilirsiniz; platform, ortamı hazırlayarak ve seçilen GPU üzerinde işi çalıştırarak geri kalan işlemleri halleder.

Eğitim başladığında, ilerlemeyi doğrudan platform üzerinden takip edebilirsiniz. “Eğitim” sekmesi, performans göstergeleri, kayıp eğrileri, sistem kullanımı ve canlı eğitim günlükleri dahil olmak üzere temel metriklere ilişkin gerçek zamanlı bir genel bakış sunar.

Yerel olarak eğitim alma veya Ultralytics ile Google kullanma hakkında daha fazla bilgi edinmek için, Ultralytics Platform'un resmibelgelerinde yer alan diğer eğitimlere göz atabilirsiniz.

Ultralytics 'nda modelleri değerlendirme ve karşılaştırma

Eğitim tamamlandıktan sonra, bir sonraki adım modelinizin performansını değerlendirmektir. Ultralytics , bir proje kapsamındaki birden fazla eğitim çalışmasını karşılaştırabilir ve farklı denemelerin performansını net bir şekilde görebilirsiniz.

Modeller geliştirilirken, sonuçları iyileştirmek amacıyla öğrenme hızı, parti boyutu veya model boyutu gibi farklı ayarlarla eğitim süreci genellikle birçok kez tekrarlanır. Bu işlemlerin her biri biraz farklı bir model ortaya çıkarır; bu nedenle bunları karşılaştırmak hayati önem taşır.

Projeler, modellerin ve deneylerin bir arada düzenlendiği merkezi bir platform görevi görür. Farklı araçlar veya görünümler arasında geçiş yapmanıza gerek kalmadan track edebilir, sonuçları inceleyebilir ve işinize odaklanabilirsiniz.

Bu birleştirilmiş görünümden, modelinizin farklı sınıflarda nasıl bir performans sergilediğini anlamak için doğruluk, geri çağırma ve mAP ortalama doğruluk) gibi temel performans ölçütlerini de analiz edebilirsiniz. Ayrıca, hangi yapılandırmaların en iyi sonuçları verdiğini belirlemek için eğitim çalıştırmalarını yan yana karşılaştırabilirsiniz. 

Bu ölçümleri tamamlamak için, "Tahmin" sekmesini kullanarak eğitilmiş modelleri örnek görüntüler veya veriler üzerinde hızlıca test edebilir, böylece performansı görsel olarak doğrulayabilir ve olası sorunları tespit edebilirsiniz.

Bu bilgiler ışığında, genellikle “best.pt” kontrol noktası olarak kaydedilen en iyi performans gösteren modeli seçebilir ve ister daha ileri değerlendirme, ister modeli kullanarak tahmin yürütme, ister platform üzerinden model dağıtımı olsun, bir sonraki aşamaya geçebilirsiniz.

Ultralytics 'nda antrenman maliyetinin hesaplanması

Bulutta nesne algılama modellerini eğitmek, özellikle yüksek performanslı GPU'lara eriştiğinizde hesaplama maliyetlerine yol açar. Bu süreci daha kolay hale getirmek için Ultralytics , eğitim başlamadan önce bir maliyet tahmini sunar.

Bu özellik, beklenen kullanımı net bir şekilde görmenizi sağlayarak, bir eğitim işini başlatmadan önce iş yüklerini planlamanıza, bütçeleri yönetmenize ve beklenmedik masrafları önlemenize yardımcı olur. Eğitime başlamadan önce tahmini maliyetleri nasıl kontrol edebileceğiniz aşağıda açıklanmıştır.

Eğitim süresinin nasıl hesaplandığı

Maliyeti doğru bir şekilde tahmin etmek için platform, öncelikle tek bir eğitim döngüsünün ne kadar süreceğini hesaplar. Bu süre, veri kümesinin boyutu, modelin boyutu, görüntü çözünürlüğü, parti boyutu ve seçilen GPU hızı gibi faktörlere bağlıdır.

Bu girdileri kullanarak, her bir dönem için tahmini süreyi belirler ve bunu tüm eğitim sürecine yayar. Toplam süre, tüm dönemlerin sürelerinin küçük bir başlangıç süresiyle birleştirilmesiyle hesaplanır.

Bu ek süre, ortamın başlatılması, veri kümelerinin yüklenmesi ve GPU hazırlanması gibi işlemleri kapsar; böylece tahmin, yalnızca eğitim döngüsünü değil, tüm eğitim sürecini yansıtmaktadır.

Eğitim masrafı nasıl hesaplanır?

Toplam eğitim süresi tahmin edildikten sonra, platform bunu seçilen GPU saatlik ücretini kullanarak maliyete dönüştürür.

Eğitim süresini GPU birleştirerek, işlem başlamadan önce ne kadar tutacağına dair net bir tahmin elde edebiliriz.

Önceden görünürlük sayesinde, eğitim parametrelerini ayarlamak veya farklı bir GPU seçmek gibi kurulum ayarlamalarını kolayca yapabilirsiniz; böylece performans ve maliyet arasında daha etkili bir denge kurabilirsiniz.

Model eğitimi için Ultralytics kullanmanın başlıca avantajları

Şimdiye kadar, bilgisayar görme modellerinin eğitilmesinde atılan temel adımları ve bunların Ultralytics 'nda nasıl bir araya geldiğini inceledik. 

Bu temel özelliklerin yanı sıra, eğitim iş akışını geliştiren ek işlevler de mevcuttur. Model eğitimi için Ultralytics kullanmanın başlıca avantajlarından bazılarına genel bir bakış:

• Yerleşik deney tekrarlanabilirliği: Her eğitim çalışması, model, veri kümesi, parametreler ve hesaplama ayarları dahil olmak üzere tüm yapılandırmasıyla birlikte otomatik olarak kaydedilir. Bu sayede deneyleri kolayca yeniden inceleyebilir ve sonuçları güvenilir bir şekilde tekrarlayabilirsiniz.
• Zaman içindeki eğitim verileri: Yalnızca nihai sonuçları incelemek yerine, performansın zaman dilimleri boyunca track değiştiğini track edebilir ve böylece eğitim sırasında modelin davranışını daha iyi anlayabilirsiniz.
• Daha az operasyonel yük: Ortam kurulumunu, bağımlılık yönetimini ve altyapıyı arka planda hallederek, platform kurulum işlerine daha az, model geliştirmeye ise daha fazla odaklanmanızı sağlar.
• Merkezi deney organizasyonu: Projeler, modelleri, veri kümelerini ve eğitim çalıştırmalarını yönetmek için tek bir merkez görevi görür ve iş akışları giderek karmaşıklaştıkça deneylerin düzenli kalmasına yardımcı olur.

Önemli çıkarımlar

Eğitim, makine öğrenimi modelinin yaşam döngüsündeki en önemli aşamalardan biridir. Bir modelin görsel verileri ne kadar doğru bir şekilde tanıyıp yorumlayabileceğini belirler. 

Ultralytics , eğitim verilerinin yapılandırılması, izleme, deney karşılaştırması ve maliyet tahminini tek bir ortamda bir araya getirerek, yüksek performanslı bilgisayar görme modellerinin oluşturulma ve kullanıma hazır hale getirilme sürecini kolaylaştırır.

Bilgisayar görme hakkında daha fazla bilgi edinmek için giderek büyüyen topluluğumuzu ve GitHub depomuzu inceleyin. Görsel çözümler geliştirmek istiyorsanız, lisans seçeneklerimize göz atın. Üretimde bilgisayar görmenin ve tarımda yapay zekanın sunduğu avantajlar hakkında daha fazla bilgi edinmek için çözüm sayfalarımızı keşfedin.