Bilgisayarlı Görünün Temelleri·Ölçümleri Oku·Ders 10/10

Dersbaşlangıç düzeyi

Laboratuvardan Üretime

Ultralytics'i yükle, YOLO26'yı kendi görsellerinde çalıştır, çıktıyı tanımına göre kontrol et ve sonraki adımını seç.

Önceden eğitilmiş bir modelle geçireceğin on dakika, tüm planını belirleyecek soruyu yanıtlar: hazır bir model sınıflarını ve kameranı zaten kapsıyor mu, yoksa kendi verilerine mi ihtiyacın var? Bu derste Ultralytics'i yüklüyor, YOLO26'yı gerçek görseller üzerinde çalıştırıyor ve sonucu ilk derste yazdığın görev tanımına göre kontrol ediyorsun.

Sonuç

YOLO26'yı kendi görsellerinde çalıştır ve önceden eğitilmiş ağırlıklarla prototip oluşturmak mı yoksa veri kümesi hazırlamak mı gerektiğine çıktıya bakarak karar ver.

Hızlı Başlangıç

Nasıl ilerleyeceğini zaten biliyorsan, işte kısa sürüm.

Yükle: önce pip install ultralytics, ardından yolo checks.
Tahmin et: yolo predict model=yolo26n.pt source=https://ultralytics.com/images/bus.jpg.
Kontrol et: Görev tanımındaki sınıflardan hangileri önceden eğitilmiş modelde var ve kutular kendi görsellerinde doğru yerde mi?
Yanıta göre sonraki kursu seç.

Uygulamalı

Yükle#

pip install ultralytics
yolo checks

İlk satır, ultralytics Python paketini ve yolo komutunu yükler; PyTorch yüklü değilse onu da yükler. yolo checks, Python, PyTorch ve CUDA sürümlerini ve Ultralytics'in kullanacağı donanımı gösterir; böylece herhangi bir şey çalıştırmadan önce kurulumu doğrulayabilirsin. Yeni bir sanal ortam kullan; hızlı başlangıç kılavuzunda conda, Docker ve GPU kurulumları anlatılıyor.

Python sürümü

ultralytics paketi Python 3.8 ve üzeri sürümlere kurulur, ancak güncel PyTorch sürümleri Python 3.10 veya üzerini gerektirir. Ortamın daha eskiyse önce güncel bir Python sürümüyle yeni bir sanal ortam oluştur.

Stable, Mac, Pip, Python ve Default seçenekleri seçili olan; torch, torchvision ve torchaudio için pip3 yükleme komutunu gösteren PyTorch Start Locally seçicisi

Kullanılmayan GPU

Belirti: NVIDIA GPU bulunan bir makinede yolo checks CPU gösteriyor ve çıkarım yavaş. Neden: yalnızca CPU destekli bir PyTorch derlemesi — örneğin Windows'ta varsayılan pip wheel'i. Çözüm: yukarıdaki PyTorch seçicisinde işletim sistemini, paket yöneticisini ve CUDA sürümünü seç, gösterilen komutu çalıştır, ardından ultralytics paketini yeniden yükle. Ekran görüntüsündeki gibi Mac'te varsayılan derleme doğrudur; device=mps ile Apple GPU'yu kullanmasını sağlamadığın sürece Ultralytics CPU'da çalışır.

İlk tahmin#

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # İlk kullanımda ~5 MB'lık nano modelini indirir
results = model("https://ultralytics.com/images/bus.jpg", save=True)

for box in results[0].boxes:
    print(model.names[int(box.cls)], round(float(box.conf), 2))

Her ikisi de her görsel için tek satırlık bir özet yazdırır ve açıklama eklenmiş görseli runs/detect/predict konumuna kaydeder:

image 1/1 .../bus.jpg: 640x480 4 persons, 1 bus, 19.7ms
Speed: 0.9ms preprocess, 19.7ms inference, 0.4ms postprocess per image at shape (1, 3, 640, 480)
Results saved to runs/detect/predict

Satır satır açıklaması: görsel çıkarım için 640×480 boyutuna yeniden ölçeklendi; model dört kişi ve bir otobüs buldu; çıkarım bir dizüstü bilgisayarın CPU'sunda yaklaşık 20 ms sürdü. Speed satırı ilk gecikme kontrolün; bunu, görev tanımının girdi satırındaki kare hızıyla karşılaştır. Kaydedilen görseli aç: her kutuda algılama dersinde gördüğün sınıf, kutu ve güven değeri bulunur.

Çıktıyı görev tanımına göre kontrol et#

Soru	Evetse	Hayırsa
Sınıfların, modelin bildiği 80 COCO sınıfı arasında mı?	Hiç eğitim yapmadan prototip oluştur	Etiketli veriye ve ince ayara ihtiyacın var (ince ayar kılavuzu)
Kendi görsellerinde, eşiğinin üzerindeki kutular doğru nesnelerin üzerine yerleşiyor mu?	Görev ve bakış açısı eşleşiyor	Alan farkı bekle: kendi kameralarından veri topla
Çıktı türü, karar satırının gerektirdiği tür mü?	Görevi koru	Ağırlıkları değiştir: `-seg`, `-sem`, `-depth`, `-pose`, `-obb` veya `-cls`
Hedef donanımda kare hızına yetecek kadar hızlı mı?	Devam et	Daha küçük bir model veya optimize edilmiş bir dışa aktarma biçimi dene

İlk sorunun yanıtı kesin: model.names, önceden eğitilmiş modelin bildiği tüm sınıfları listeler. Forklift görev tanımı için person bir COCO sınıfıdır, ancak forklift değildir; dolayısıyla hiçbir eşik, önceden eğitilmiş modelin forklift bulmasını sağlayamaz. İlk çalıştırmada en sık karşılaşılan sonuç budur — model görev tanımının bir bölümünü kapsar — ve doğru yaklaşım, geri kalan sınıflar için veri kümesini hazırlarken mevcut sınıflarla karar mantığının prototipini oluşturmaktır.

Üretimde neler değişir#

Dağıtılmış bir model, veri kümesinde hiç örneklenmemiş koşullarla karşılaşır: yeni kameralar, mevsimler, ürünler ve üniformalar. Yeniden eğitim yapılmazsa doğruluk zamanla düşer; üretimde karşılaşılan verilerle düzenli yeniden eğitim yapılırsa toparlanır:

Model doğruluğunun zaman içindeki değişimini gösteren iki grafik: yeniden eğitim yapılmadığında doğruluğu düşen bir model ve her güncellemede doğruluğunu yeniden kazanan düzenli olarak yeniden eğitilmiş bir model

Bu kurstaki her ders bu döngüyü besler: görev tanımı bir hatayı belirler, kapsama denetimi nereye bakacağını gösterir, etiket denetleyicisi ve yönergesi yeni verileri kullanışlı kılar, dürüst veri bölme ve metrikler ise yeniden eğitilmiş modelin gerçekten daha iyi olup olmadığını gösterir. İlk günden itibaren işe yarayan iki alışkanlık vardır: düşük güvenli olanlar da dahil olmak üzere girdi ve tahminlerden örnekler kaydet ve her modeli aynı görsellerde karşılaştırabilmek için sabit test kümesini koru. Gözlemlenebilirlik ve Kayma bölümünde veri kayması izlemesi ayrıntılı olarak anlatılıyor.

Sonraki adım#

Kurs	Şu durumda al
Yüksek Performanslı YOLO Veri Kümeleri Oluşturma	Sınıfların önceden eğitilmiş modelde yoksa veya sahnelerin COCO'dan farklıysa
İlk YOLO modelini eğit	Etiketli bir veri kümen varsa ve ince ayar yapmak istiyorsan
Üretimde Ultralytics YOLO	Bir modelin varsa ve dışa aktarma, izleme ve gözlemleme gerekiyorsa
Ultralytics Platform ile geliştir	Veri, etiketleme, eğitim ve dağıtımın tek bir yerde olmasını istiyorsan

Tarayıcı tabanlı bir iş akışını mı tercih ediyorsun? Ultralytics Platform, yerel kurulum gerektirmeden aynı döngüyü — yükle, açıklama ekle, eğit, dağıt — yürütür:

Dene

Çözüm betiğini düzenle: görev tanımındaki sınıfları spec_classes içine, kendi görsel yollarını da sources içine koy; ardından betiği çalıştır ve kaydedilen sonuçları aç. Bir tablo hazırla — görsel, algılanan sınıflar, görev tanımınla eşleşiyor mu (evet ya da hayır) — ve sonraki adımını ve bu adımı kapsayan kursu seçen tek bir cümleyle bitir.

Commit

git add -A && git commit -m "docs(academy): completed Computer Vision Foundations"

Tamamlanma ölçütü

Aşağıdakilerin tümü doğru olduğunda dersi tamamlamış olursun.

YOLO26'yı kendi görsellerinden en az üçünde çalıştırdın ve kaydedilen sonuçları açtın.
Görev tanımındaki hangi sınıfların önceden eğitilmiş modelde olduğunu, hangileri için kendi verilerine ihtiyaç duyduğunu biliyorsun.
Sonraki adımını ve bunun için alacağın kursu belirten tek bir cümlen var.

Çözümü göster

from pathlib import Path

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# 1. Which classes in your output line does the pretrained model already know?
spec_classes = {"person", "forklift"}
known = set(model.names.values())
print(f"pretrained: {sorted(spec_classes & known)}  needs your own data: {sorted(spec_classes - known)}")

# 2. What does it find on your images?
sources = [
    "https://ultralytics.com/images/bus.jpg",  # replace with your own images
    "https://ultralytics.com/images/zidane.jpg",
]
for source, result in zip(sources, model.predict(sources, conf=0.25, save=True, verbose=False)):
    names = [result.names[int(c)] for c in result.boxes.cls]
    print(f"{Path(source).name}: {len(names)} detections -> {sorted(set(names))}")

pretrained: ['person']  needs your own data: ['forklift']
bus.jpg: 5 detections -> ['bus', 'person']
zidane.jpg: 3 detections -> ['person', 'tie']

Forklift görev tanımı için: person kapsanıyor, forklift ise kapsanmıyor. Sonraki adım: Şimdilik önceden eğitilmiş modelle kişiler üzerindeki bölge kuralının prototipini oluştur ve depo kameralarından forklift görüntüleri toplayıp etiketlemek için Yüksek Performanslı YOLO Veri Kümeleri Oluşturma kursuna başla.

Sırada ne var

Kurs tamamlandı — sertifikanı almak için final sınavını çöz; ardından görev tanımını eğitime hazır bir veri kümesine dönüştürmek için Yüksek Performanslı YOLO Veri Kümeleri Oluşturma kursuna devam et.

İlerlemeni kaydetmek için giriş yap

Get Started