"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Çerez Ayarları
"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Ultralytics dünyasına dalalım ve farklı YOLO modelleri için mevcut olan farklı modları keşfedelim. İster özel nesne algılama modellerini eğitiyor olun, ister segmentasyon üzerinde çalışıyor olun, bu modları anlamak çok önemli bir adımdır. Hadi hemen başlayalım!
Ultralytics belgeleri aracılığıyla, modellerinizi eğitmek, doğrulamak, tahmin etmek, dışa aktarmak, kıyaslamak veya izlemek için kullanabileceğiniz çeşitli modlar bulacaksınız. Bu modların her biri benzersiz bir amaca hizmet eder ve modelinizin performansını ve dağıtımını optimize etmenize yardımcı olur.
Tren modu
İlk olarak tren moduna bakalım. Burası modelinizi oluşturduğunuz ve geliştirdiğiniz yerdir. Özel modellerinizi eğitmeye başlamanızı kolaylaştıran ayrıntılı talimatları ve video kılavuzlarını belgelerde bulabilirsiniz.
Model eğitimi, bir modele yeni bir veri kümesi sağlayarak çeşitli kalıpları öğrenmesine izin vermeyi içerir. Model eğitildikten sonra, üzerinde eğitildiği yeni nesneleri tespit etmek için gerçek zamanlı olarak kullanılabilir. Eğitim sürecine başlamadan önce, veri setinize YOLO formatında açıklama eklemeniz çok önemlidir.
Doğrulama modu
Daha sonra, doğrulama moduna geçelim. Doğrulama, hiperparametreleri ayarlamak ve modelinizin iyi performans göstermesini sağlamak için gereklidir. Ultralytics, otomatik ayarlar, çoklu metrik desteği ve Python API ile uyumluluk dahil olmak üzere çeşitli doğrulama seçenekleri sunar. Doğrulamayı aşağıdaki komutla doğrudan komut satırı arayüzü (CLI) üzerinden bile çalıştırabilirsiniz.
Neden onaylayalım?
Doğrulama aşağıdakiler için kritik öneme sahiptir:
Hassasiyet: Modelinizin nesneleri doğru bir şekilde algılamasını sağlamak.
Hiperparametre Ayarlama: Daha iyi performans için modelinizi optimize etme.
Ultralytics ayrıca Python komut dosyalarınıza kopyalayıp yapıştırabileceğiniz kullanıcı örnekleri de sağlar. Bu örnekler görüntü boyutu, yığın boyutu, cihaz (CPU veya GPU) ve birleşim üzerinde kesişim (IoU) gibi parametreleri içerir.
Tahmin modu
Modeliniz eğitildikten ve doğrulandıktan sonra sıra tahminler yapmaya gelir. Predict modu, yeni veriler üzerinde çıkarım yapmanıza ve modelinizi çalışırken görmenize olanak tanır. Bu mod, modelinizin performansını gerçek dünya verileri üzerinde test etmek için mükemmeldir.
Aşağıdaki python kod parçacığı ile resimleriniz üzerinde tahminler çalıştırabileceksiniz!
Dışa aktarma modu
Doğrulama ve tahmin işlemlerinden sonra modelinizi dağıtmak isteyebilirsiniz. Dışa aktarma modu, modelinizi ONNX veya TensorRT gibi çeşitli biçimlere dönüştürmenize olanak tanıyarak farklı platformlara dağıtmayı kolaylaştırır.
Benchmark modu
Son olarak, kıyaslama moduna sahibiz. Kıyaslama, modelinizin performansını çeşitli senaryolarda değerlendirmek için çok önemlidir. Bu mod kaynak tahsisi, optimizasyon ve maliyet verimliliği hakkında bilinçli kararlar almanıza yardımcı olur.
Nasıl kıyaslama yapılır
Bir kıyaslama çalıştırmak için belgelerde verilen kullanıcı örneklerini kullanabilirsiniz. Bu örnekler, ONNX ve TensorRT dahil olmak üzere temel ölçümleri ve dışa aktarma biçimlerini kapsar. Farklı ayarların performansı nasıl etkilediğini görmek için tamsayı niceleme (INT8) veya kayan nokta niceleme (FP16) gibi parametreleri de belirleyebilirsiniz.
Gerçek dünya kıyaslama örneği
Gerçek dünyadan bir kıyaslama örneğine bakalım. PyTorch modelimizi kıyasladığımızda, RTX 3070 GPU üzerinde 68 milisaniyelik bir çıkarım hızı görüyoruz. TorchScript'e aktardıktan sonra, çıkarım hızı 4 milisaniyeye düşerek önemli bir gelişme gösteriyor.
ONNX modelleri için 21 milisaniyelik bir çıkarım hızı elde ediyoruz. Bu modelleri bir CPU (Intel i9 13. nesil) üzerinde test ettiğimizde farklı sonuçlar görüyoruz. TorchScript 115 milisaniyede çalışırken, ONNX 84 milisaniyede daha iyi performans gösteriyor. Son olarak, Intel donanımı için optimize edilmiş OpenVINO 23 milisaniyelik çarpıcı bir sonuç elde ediyor.
Şekil 1. Nicolai Nielsen, Ultralytics YOLO Modelleri ile kıyaslamanın nasıl çalıştırılacağını gösteriyor.
Kıyaslamanın önemi
Kıyaslama, farklı donanım ve dışa aktarma biçimlerinin modelinizin performansını nasıl etkileyebileceğini gösterir. Özellikle modellerinizi özel donanımlara veya uç cihazlara dağıtmayı planlıyorsanız, modellerinizi kıyaslamak çok önemlidir. Bu süreç, modelinizin hedef ortam için optimize edilmesini sağlayarak mümkün olan en iyi performansı sunar.
Sonuç
Özet olarak, Ultralytics belgelerindeki modlar, YOLO modellerinizi eğitmek, doğrulamak, tahmin etmek, dışa aktarmak ve karşılaştırmak için güçlü araçlardır. Her mod, modelinizi optimize etmede ve dağıtım için hazırlamada hayati bir rol oynar.
Topluluğumuzu keşfetmeyi ve topluluğumuza katılmayı ve sağlanan kod parçacıklarını projelerinizde denemeyi unutmayın. Bu araçlarla yüksek performanslı modeller oluşturabilir ve bunların her ortamda verimli bir şekilde çalışmasını sağlayabilirsiniz.