中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية

Anasayfa

En beğenilen gerçek zamanlı nesne algılama ve görüntü segmentasyonu modelinin en son sürümü olan Ultralytics YOLO26 ile tanışın. YOLO26, uçtan uca NMS'siz çıkarım ve optimize edilmiş uç dağıtım özellikleriyle derin öğrenme ve bilgisayarlı görü alanındaki ilerlemeler üzerine inşa edilmiştir. Modernleştirilmiş tasarımı, onu çeşitli uygulamalar için uygun hale getirir ve uç cihazlardan bulut API'lerine kadar farklı donanım platformlarına kolayca uyarlanabilir kılar. Kararlı üretim iş yükleri için hem YOLO26 hem de YOLO11 önerilir.

Özelliklerini ve yeteneklerini anlamana ve kullanmana yardımcı olmak için tasarlanmış kapsamlı bir kaynak olan Ultralytics Dokümanlarını keşfet. İster deneyimli bir makine öğrenimi uygulayıcısı ol ister bu alanda yeni, bu merkez YOLO'nun projelerindeki potansiyelini en üst düzeye çıkarmayı amaçlar.

Ticari kullanım için Ultralytics Lisanslama üzerinden Kurumsal Lisans talep et.

Nereden Başlamalı

YOLO: Kısa Bir Tarihçe

YOLO (You Only Look Once), a popular object detection and image segmentation model, was developed by Joseph Redmon and Ali Farhadi at the University of Washington. Launched in 2015, YOLO gained popularity for its high speed and accuracy.

• 2016'da yayınlanan YOLOv2, toplu normalleştirme, çapa kutuları ve boyut kümeleri ekleyerek orijinal modeli geliştirmiştir.
• 2018'de başlatılan YOLOv3, daha verimli bir omurga ağı, çoklu çapalar ve uzamsal piramit havuzlama kullanarak modelin performansını daha da artırmıştır.
• YOLOv4 2020'de yayınlanmış olup, Mosaic veri artırma, yeni bir çapasız algılama başlığı ve yeni bir kayıp fonksiyonu gibi yenilikleri tanıtmıştır.
• YOLOv5 modelin performansını daha da iyileştirmiş ve hiperparametre optimizasyonu, entegre deney takibi ve popüler dışa aktarma formatlarına otomatik dışa aktarma gibi yeni özellikler eklemiştir.
• YOLOv6 2022'de Meituan tarafından açık kaynak haline getirilmiş olup, şirketin birçok otonom teslimat robotunda kullanılmaktadır.
• YOLOv7, COCO anahtar noktaları veri setinde poz tahmini gibi ek görevler eklemiştir.
• Ultralytics tarafından 2023'te yayınlanan YOLOv8, gelişmiş performans, esneklik ve verimlilik için yeni özellikler ve iyileştirmeler sunarak tüm vizyon yapay zeka görevlerini desteklemektedir.
• YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) gibi yenilikçi yöntemleri tanıtmaktadır.
• YOLOv10 created by researchers from Tsinghua University using the Ultralytics Python package, provides real-time object detection advancements by introducing an End-to-End head that eliminates Non-Maximum Suppression (NMS) requirements.
• YOLO11: Eylül 2024'te yayınlanan YOLO11, nesne algılama, segmentasyon, poz tahmini, takip ve sınıflandırma dahil olmak üzere birçok görevde mükemmel performans sunarak çeşitli yapay zeka uygulamaları ve alanlarında dağıtımı mümkün kılar.
• YOLO26 🚀: Ultralytics'in uçtan uca NMS'siz çıkarım ile uç dağıtım için optimize edilmiş yeni nesil YOLO modeli.

YOLO Lisansları: Ultralytics YOLO nasıl lisanslanmıştır?

Ultralytics, çeşitli kullanım durumlarına uyum sağlamak için iki lisanslama seçeneği sunar:

• AGPL-3.0 Lisansı: Bu OSI onaylı açık kaynak lisansı, açık iş birliğini ve bilgi paylaşımını teşvik ederek öğrenciler ve meraklılar için idealdir. Daha fazla ayrıntı için LICENSE dosyasına bak.
• Kurumsal Lisans: Geliştirme ve üretim kullanımı için bu lisans, Ultralytics yazılımının ve yapay zeka modellerinin, dahili araçlar, otomatik iş akışları ve üretim dağıtımları dahil olmak üzere iş ürünlerine ve hizmetlerine sorunsuz entegrasyonunu sağlar ve AGPL-3.0'ın açık kaynak gereksinimlerini atlar. Başlamak için lütfen Ultralytics Lisanslama aracılığıyla bizimle iletişime geç.

Lisanslama stratejimiz, açık kaynak projelerimizdeki her türlü iyileştirmenin topluluğa geri kazandırılmasını sağlamak için tasarlanmıştır. Açık kaynağa inanıyoruz ve misyonumuz, katkılarımızın herkesin yararına olacak şekilde kullanılmasını ve genişletilmesini sağlamaktır.

Nesne Algılamanın Evrimi

Nesne algılama, geleneksel bilgisayarlı görü tekniklerinden gelişmiş derin öğrenme modellerine kadar yıllar içinde önemli ölçüde evrimleşmiştir. YOLO model ailesi, gerçek zamanlı nesne algılamada mümkün olanın sınırlarını sürekli zorlayarak bu evrimin ön saflarında yer almıştır.

YOLO'nun benzersiz yaklaşımı, nesne algılamayı tek bir regresyon problemi olarak ele alır ve sınırlayıcı kutuları ve sınıf olasılıklarını tek bir değerlendirmede doğrudan tam görüntülerden tahmin eder. Bu devrim niteliğindeki yöntem, YOLO modellerini yüksek doğruluğu korurken önceki iki aşamalı dedektörlerden önemli ölçüde daha hızlı hale getirmiştir.

Her yeni sürümle YOLO, çeşitli metriklerde performansı artıran mimari iyileştirmeler ve yenilikçi teknikler tanıtmıştır. YOLO26, gerçek dünya uygulamaları için uçtan uca NMS'siz çıkarım ve optimize edilmiş uç dağıtım özellikleriyle bilgisayarlı görü araştırmalarındaki en son gelişmeleri dahil ederek bu geleneği sürdürmektedir.

SSS

Ultralytics YOLO nedir ve nesne algılamayı nasıl geliştirir?

Ultralytics YOLO, gerçek zamanlı nesne algılama ve görüntü segmentasyonu için beğenilen YOLO (You Only Look Once) serisidir. En son model olan YOLO26, uçtan uca NMS'siz çıkarım ve optimize edilmiş uç dağıtım getirerek önceki sürümlerin üzerine inşa edilmiştir. YOLO, algılama, segmentasyon, poz tahmini, takip ve sınıflandırma gibi çeşitli vizyon yapay zeka görevlerini destekler. Verimli mimarisi, mükemmel hız ve doğruluk sağlayarak onu uç cihazlar ve bulut API'leri dahil olmak üzere çeşitli uygulamalar için uygun hale getirir.

YOLO kurulumu ve ayarı ile nasıl başlayabilirim?

YOLO ile başlamak hızlı ve basittir. Ultralytics paketini pip kullanarak yükleyebilir ve dakikalar içinde çalışmaya başlayabilirsin. İşte temel bir kurulum komutu:

pip install -U ultralytics

Kapsamlı bir adım adım rehber için Hızlı Başlangıç sayfamızı ziyaret et. Bu kaynak, kurulum talimatları, ilk kurulum ve ilk modelini çalıştırma konusunda sana yardımcı olacaktır.

Veri setimde nasıl özel bir YOLO modeli eğitebilirim?

Veri setinde özel bir YOLO modeli eğitmek birkaç ayrıntılı adım içerir:

1. Açıklamalı veri setini hazırla.
2. Eğitim parametrelerini bir YAML dosyasında yapılandır.
3. Eğitimi başlatmak için yolo TASK train komutunu kullan. (Her TASK kendi bağımsız değişkenine sahiptir)

İşte Nesne Algılama Görevi için örnek kod:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

Ayrıntılı bir izlenecek yol için, eğitim sürecini optimize etmeye yönelik örnekler ve ipuçları içeren Model Eğit rehberimize göz at.

Ultralytics YOLO için mevcut lisanslama seçenekleri nelerdir?

Ultralytics, YOLO için iki lisanslama seçeneği sunar:

• AGPL-3.0 Lisansı: Bu açık kaynak lisansı, açık iş birliğini teşvik ederek eğitimsel ve ticari olmayan kullanım için idealdir.
• Kurumsal Lisans: AGPL-3.0'ın açık kaynak gereksinimlerini atlayan, dahili araçlar, otomatik iş akışları ve üretim dağıtımları dahil olmak üzere geliştirme ve üretim kullanımı için.

Daha fazla ayrıntı için Lisanslama sayfamızı ziyaret et.

Ultralytics YOLO gerçek zamanlı nesne takibi için nasıl kullanılabilir?

Ultralytics YOLO, verimli ve özelleştirilebilir çoklu nesne takibini destekler. Takip yeteneklerini kullanmak için aşağıda gösterildiği gibi yolo track komutunu kullanabilirsin:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

Nesne takibini kurma ve çalıştırma konusunda ayrıntılı bir rehber için, gerçek zamanlı senaryolardaki yapılandırmayı ve pratik uygulamaları açıklayan Takip Modu dokümanımıza göz at.