Çıktıların Çıkarılması Ultralytics YOLOv8

Sürekli değişen bilgisayarla görme alanında, Ultralytics YOLOv8 nesne algılama, segmentasyon ve izleme gibi görevler için üst düzey bir model olarak öne çıkıyor. İster deneyimli bir geliştirici ister yapay zeka (AI) alanında yeni başlayan biri olun, YOLOv8 adresinden çıktıların nasıl etkili bir şekilde alınacağını anlamak projelerinizi önemli ölçüde geliştirebilir. Bu blog yazısı, YOLOv8 modelinden sonuçları çıkarmak ve kullanmak için pratik adımları incelemektedir.

Kurulum YOLOv8

Sonuç çıkarma işlemine geçmeden önce YOLOv8 modelinizin hazır ve çalışır durumda olması çok önemlidir. Eğer yeniyseniz, çeşitli bilgisayarla görme görevleri için YOLO modellerini kurmanın ve kullanmanın temellerini ele aldığımız önceki videolarımızı izleyebilirsiniz. Sonuç çıkarma işlemine başlamak için modelinizin doğru yapılandırıldığından emin olun:

1. Model Başlatma: YOLOv8 modelini uygun şekilde başlatın ve ister nesne algılama ister poz tahmini gibi daha karmaşık görevler olsun, özel ihtiyaçlarınıza uygun doğru model yapılandırmasını seçtiğinizden emin olun.
2. Çıkarım Çalıştırma: Çıkarım yapmak için verilerinizi model üzerinden girin. Bu işlem, tüm tespit verilerine erişmek için anahtarınız olan bir sonuç nesnesi oluşturacaktır.

Sonuçlar Nesnesini Anlama

YOLOv8 adresindeki results nesnesi bir bilgi hazinesidir. Projenize devam etmek için ihtiyaç duyduğunuz tüm tespit verilerini içerir:

• Sınırlayıcı Kutular: Kullanım results.boxes algılanan nesnelerin koordinatlarına erişmek için.
• Maskeler ve Anahtar Noktalar: Kullanarak poz tahmini için segmentasyon maskelerine ve anahtar noktalara erişin results.masks ve results.keypoints sırasıyla.
• Sınıf Olasılıkları: results.probabilities tespit edilen her sınıfın olasılığını sağlar, güven puanlarına göre tespitleri filtrelemek için kullanışlıdır.

Özel Kullanım için Veri Çıkarma

Bu çıktıları uygulamalarınızda kullanmak için aşağıdaki adımları izleyin:

1. İşleme için Verileri Dönüştürün: Modelinizi bir GPU üzerinde çalıştırıyorsanız, daha fazla işlem yapmak için çıktılarıcpu() kullanarak CPU biçimine dönüştürün.
2. Sınırlayıcı Kutu Koordinatlarına Erişme: Sınırlayıcı kutu koordinatlarını doğrudan sonuç nesnesinden alın ve değiştirin. Bu, normalleştirilmiş koordinatlara veya genişlik ve yükseklik gibi belirli özniteliklere erişmeyi içerir.
3. Sınıflandırmaları İşleme: Sınıf kimliklerini ve güven puanlarını etkili bir şekilde kullanmak için en iyi sınıflandırmaları ayıklayın.

Kodda Pratik Uygulama

Teoriden pratiğe geçiş yapan Nicolai Nielsen, Visual Studio Code kullanarak bu kavramların özel bir Python komut dosyası içinde nasıl uygulanacağını gösteriyor. Komut dosyası şunları içerir:

• Bir Algılama Sınıfı Kurma: YOLOv8 modelinizi bir sınıf yapısı içinde başlatın ve yapılandırın, canlı veri girişi için hazırlayın.
• Sonuçları Çıkarma: Algılamayı çalıştırın ve sınırlayıcı kutuları, maskeleri ve sınıflandırmaları doğrudan sonuç nesnesinden çıkarın.
• Çıktıları Kullanma: Sonuçları JSON veya CSV gibi kullanılabilir formatlara dönüştürün ya da görüntü veya video akışları üzerinde sınırlayıcı kutular çizmek için doğrudan kullanın.

Görselleştirme ve Ötesi

Ham verilerin çıkarılması çok önemli olsa da, bu tespitlerin görselleştirilmesi modelin performansı hakkında anında bilgi sağlayabilir:

• Dikdörtgenler Çizme: Görüntü veya video çıktılarında algılanan nesnelerin etrafına dikdörtgenler çizmek için sınırlayıcı kutu verilerini kullanın.
• Doğrudan Çizim: Ek kodlama olmadan tespitleri doğrudan görselleştirmek için YOLOv8'un yerleşik çizim işlevlerini kullanın.

Yapay Zeka Araç Setinizi Genişletme YOLOv8

YOLOv8 çıktı çıkarma konusunda uzmanlaşmak sadece projenizin yeteneklerini artırmakla kalmaz, aynı zamanda nesne algılama sistemleri konusundaki anlayışınızı da derinleştirir.

Adımları izleyerek, ister gelişmiş yapay zeka odaklı uygulamalar geliştirirken ister sağlam veri analizi yaparken, tespitleri özel ihtiyaçlarınıza göre uyarlamak için YOLOv8 'un tüm gücünden yararlanabilirsiniz.

YOLOv8 ve diğer yapay zeka teknolojilerinden tam potansiyeliyle yararlanmanıza yardımcı olacak daha fazla eğitim için bizi izlemeye devam edin. Teorik bilgilerinizi pratik becerilere dönüştürün ve bilgisayarla görme projelerinizi hassasiyet ve verimlilikle hayata geçirin. En son gelişmelerden haberdar olmak için topluluğumuza katılın ve daha fazla bilgi edinmek için dokümanlarımıza göz atın! 

Videonun tamamını buradan izleyin!