Koşarak Ultralytics Birkaç satır kodda nesne algılama ve segmentasyon modelleri

Ultralytics ' YOLOv5 adresinin yeteneklerini inceleyeceğimiz bir başka blog yazısına hoş geldiniz. YOLOv8nesne algılama ve segmentasyon söz konusu olduğunda modeller. Bu kullanımı kolay modelleri sadece birkaç satır kodla projelerinize nasıl entegre edeceğinizi keşfedeceğiz. İster yeni başlayan ister deneyimli bir geliştirici olun, Ultralytics 'un farklı YOLO sürümleri ve dönüştürücü tabanlı modeller de 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 Modelleri ile Başlarken

Ultralytics birden fazla nesne algılama ve segmentasyon modelini destekleyen kapsamlı bir çerçeve sunar. Buna YOLOv3'ten en son YOLOv8'a kadar uzanan popüler YOLO modellerinin yanı sıra YOLO-NAS ve SAM modelleri de dahildir. 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 kullanılacakları dahil olmak üzere her model hakkında ayrıntılı bilgi bulabilirsiniz.

Ortamınızı Kurma

Öncelikle Ultralytics adresinin kurulu olduğundan emin olun. Bunu çalıştırarak yapabilirsiniz:

bash

Kodu kopyala

pip install ultralytics

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

Temel Özellikleri YOLOv8

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
• Birden fazla görev için önceden eğitilmiş ağırlıklar
• Nesne algılama, segmentasyon ve sınıflandırma desteği
• Daha iyi performans için geliştirilmiş model mimarisi

YOLOv8 adresinde çalışıyor Python

İşte sadece birkaç satır kodla YOLOv8 kullanmaya nasıl başlayabileceğiniz:

Kodu kopyala

# Copy code
import ultralytics
model = ultralytics.YOLO('yolov8')
results = model.predict('path/to/your/image.jpg')
results.show()

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

Canlı Web Kamerası Algılama

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

python

Kodu kopyala

# Copy code
import ultralytics
model = ultralytics.YOLO('yolov8')
# Open a live webcam feed
cap = cv2.VideoCapture(0)
while True:
	ret, frame = cap.read()
	if not ret:
		break
	results = model.predict(frame)
	results.show()
	if cv2.waitKey(1) & 0xFF == ord('q'):
		break
cap.release()
cv2.destroyAllWindows()

‍

‍

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

Diğer Modelleri Keşfetmek

Ultralytics sadece YOLOv8 adresinde durmuyor. Ayrıca YOLOv5, YOLO-NAS ve gerçek zamanlı tespit için transformatör tabanlı modeller gibi çeşitli diğer modelleri de desteklemektedirler. Her modelin kendine özgü güçlü yönleri ve kullanım alanları 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, CUDA ile TensorRT adresinde mükemmeldir ve esnek çıkarım hızı ayarını destekler.

İşte RT-DETR modelini nasıl çalıştırabileceğiniz:

Kodu kopyala

from Ultralytics import YOLO
# Load a pretrained YOLOv8n model
model = YOLO("rtdetr-l.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("bus.jpg", save=True, imgsz=320, conf=0.5)

"Segment Anything 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.

Koşmak FastSAM

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

Kodu kopyala

import ultralytics
model = ultralytics.SAM("FastSAM-s.pt")
results = model.predict('path/to/your/image.jpg')
results.show()

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 sadece birkaç satır kodla nesne algılama ve segmentasyon modellerini çalıştırmayı inanılmaz derecede kolaylaştırır. İster gerçek zamanlı uygulamalar üzerinde çalışıyor ister yüksek hassasiyetli modellere ihtiyaç duyuyor olun, Ultralytics sizin için bir çözüme sahiptir. Daha ayrıntılı bilgi ve örnekler için Ultralytics YouTube kanalında Nicolai Nielsen'in eğitiminin tamamına göz attığınızdan emin olun.

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

‍