Bilgisayarlı Görünün Temelleri
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.
Hazırlayan Ultralytics Academy
Bilgisayarlı görü problemini tanımla, doğru görevi ve etiketleri seç, verilerinin gerçeği yansıttığını kontrol et ve eğitime başlamadan önce "iyi"nin neye benzediğini bil.
Bir ürün fikrini üç satırlık görev tanımına dönüştür ve iş kurallarını modelin içinde değil, kodda tut.
Çıktıyı yedi görevden doğru olanıyla eşleştir: sınıflandırma, nesne algılama, örnek bölütleme, anlamsal bölütleme, derinlik tahmini, poz veya OBB.
Algılayıcı çıktısını oku ve güven ile IoU eşiklerini her hatanın maliyetine göre belirle.
Gerçek bir veri kümesini kapsama açıkları, bozuk etiketler ve bölümler arasında veri sızıntısına neden olan neredeyse yinelenen görüntüler açısından denetle.
Dağıtıma alma, yineleme veya yeniden düşünme kararı vermek için kesinlik, duyarlılık, mAP50-95, sınıf başına AP ve karmaşıklık matrisini birlikte oku.
Projen için, YOLO26 çıktısı üzerinde kodla yazılmış bir karar kuralı içeren bir görev tanımı.
Gerçek bir veri kümesi için bir veri kümesi denetimi ve etiket kontrolü ile önceliklendirilmiş bir veri toplama planı.
Neredeyse aynı görüntülerin doğrulama verilerine girmesini önleyen bir sızıntı kontrolü ve bir grup bölmesi.
Darboğaz oluşturan sınıfı ve dağıtıma alma eşiğini belirten bir değerlendirme özeti.
Kendi görüntülerin üzerinde, tanımına göre kontrol edilmiş ilk YOLO26 çalıştırması.
Önceden bilgisayarlı görü deneyimi gerekmez — kavramlar kendi başlarına anlaşılır.
İsteğe bağlı ama önerilir: Örnekleri çalıştırmak için Python 3.10+ ve
pip install ultralytics. Her şey bir dizüstü bilgisayarın CPU'sunda saniyeler içinde çalışır.
Kurs içeriği
4 modül · 10 dersModül 1
Modül 2
Yedi Görüntü İşleme Görevi
Çıktı satırını sınıflandırma, nesne algılama, örnek bölütleme, anlamsal bölütleme, derinlik tahmini, poz veya OBB ile eşleştir ve başlangıç için YOLO26 ağırlıklarını seç.
Nesne Algılamayı Anla
Algılayıcı çıktısını (sınıf, kutu, güven) oku ve güven ile IoU eşiklerini her hatanın maliyetine göre belirle.
Kutular ve maskeler: segmentasyona gerçekten ne zaman ihtiyaç duyarsın?
Gerçek bir görüntüde maskenin kutuya ne kattığını ölç ve projenin şekil bilgisine ihtiyaç duyup duymadığına sonraki aşamadaki tüketiciye göre karar ver.
Poz Tahmini ve OBB
YOLO26 anahtar noktalarını ve döndürülmüş kutuları oku, her birinin üzerine bir kural yaz ve asıl sinyalin duruş mu yoksa açı mı olduğunu belirle.
Modül 3
Gerçekliği Yansıtan Veri Kümeleri
Daha fazla etiket oluşturmadan önce gerçek bir veri kümesindeki kapsama boşluklarını denetle ve bu boşlukları zor negatifler içeren bir veri toplama planına dönüştür.
Etiketleme Kalitesi
Bir YOLO etiketinin neler içerdiğini öğren, bozuk satırlar için etiket dosyalarını lint işleminden geçir ve bir yönergeyle ölçümlü bir kalibrasyon turu kullanarak etiketleyicilerin tutarlı çalışmasını sağla.
Modül 4
Gerçeği Yansıtan Bölmeler
Eğitim ve doğrulama kümelerine sızan neredeyse yinelenen görüntüleri bul ve dağıtım sırasında yeni olacak birime göre bölme yap.
Tespit Metriklerini Dürüstçe Okuma
Doğrulamayı çalıştır; precision, recall, mAP50-95, sınıf başına AP ve karmaşıklık matrisini birlikte oku; ardından bir hedefe göre dağıtım eşiği belirle.
Laboratuvardan Üretime
Ultralytics'i yükle, YOLO26'yı kendi görsellerinde çalıştır, çıktıyı tanımına göre kontrol et ve sonraki adımını seç.