Ultralytics YOLO ile bilgisayarlı görü öğren

Her çalışan görü sisteminin ardındaki muhakemeyi öğren: görevi tanımlama, yedi Ultralytics YOLO görevi arasından seçim yapma, verileri ve etiketleri denetleme, verileri doğru biçimde bölme ve metrikleri okuma. Gerçek görüntüler ve veri kümeleri üzerinde çalıştırılabilir YOLO26 örnekleriyle öğren.

Eğitim öncesi yapılacak işler için uygulamalı bir yol haritası: iş hedefini bir kabul testine dönüştür, temsili verileri tanımlayıp topla, tutarlı etiketleme yap, komut dosyalarıyla kaliteyi denetle, veri sızıntısı olmadan böl, artırma ayarlarını düzenle ve ilk Ultralytics YOLO26 ince ayarını bir hazırlık kontrolüne bağla.

Ultralytics YOLO26'yı yeni bir kurulumdan özel olarak eğitilmiş, doğrulanmış ve dışa aktarılmış bir dedektöre dönüştür. Görüntüler üzerinde tahmin yapacak, gerçek bir veri kümesi hazırlayacak, bir hap dedektörünü eğitip tanılayacak, izlemeyle videoda modeller çalıştıracak ve PyTorch ile eşleştiğini kanıtlayarak ONNX'e dışa aktaracaksın. Her adım, gerçek çıktılar gösterilerek Python'da ve CLI üzerinden, dizüstü bilgisayar CPU'sunda çalıştırılır. Veri kümesini planlama, toplama ve etiketleme süreci Building High-Performance YOLO Datasets bölümünde ele alınır.

Bir algılayıcıyı eğitebiliyorsun. Ultralytics YOLO yedi görsel görevi destekliyor; bu kurs, etiket biçimi ve eğitimden kodda sonuçları okumaya, modelleri zincirleme çalıştırmaya ve göreve özel değerlendirme ile dışa aktarmaya kadar, algılamadan sonra en sık karşılaşacağın beş görevi öğretiyor: örnek ve anlamsal segmentasyon, poz, yönlendirilmiş sınırlayıcı kutular ve sınıflandırma. Yedinci görev olan derinlik tahmini, görev planının yanı sıra değerlendirme ve dışa aktarma derslerinde de ele alınıyor.

Eğitilmiş bir Ultralytics YOLO modelini üretime taşı: çalışma zamanı seç, dışa aktar ve doğrula, donanımına göre optimize et, nesneleri izle, sayım işlem hatları oluştur, çok sayıda akışı çalıştır ve kullanıcılar fark etmeden önce dağılım kaymasını yakala.

Ultralytics Platform'da gerçek bir algılama projesi yürüt: bütçeyi belirle, verileri alıp etiketle, veri kümelerinin bölümlerinin temiz olduğunu doğrula, modelleri eğitip çalıştırmaları karşılaştır, özel bir uç nokta dağıt, doğruluğu izle ve yeniden eğitim döngüsünü otomatikleştir.