Ultralytics YOLO27: Bekleme listesine katıl.
Get Started
pip kurulumundan dağıtıma hazır özel bir dedektöre
Temel öğrenme yolubaşlangıç düzeyi ~4 saat 10 dersFinal sınavı · Sertifika

İlk YOLO modelini eğit

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.

Hazırlayan Ultralytics Academy

Kursa başlaİlerlemeni kaydetmek için giriş yap
Neler öğreneceksin

Özel bir veri kümesinde Ultralytics YOLO26 modelini eğit, doğrula ve dışa aktar; videoda çalıştır ve Python'dan ya da komut satırından, bir adım ters gittiğinde her adımda sorunu nasıl tanılayacağını öğren.

  • Ultralytics'i kur, hangi cihazı kullanacağını doğrula ve YOLO26 tahminlerini Python'da ve CLI üzerinden çalıştır.

  • Bir liderlik tablosuna değil, ölçülmüş gecikme bütçesine göre model boyutu seç.

  • Ultralytics YOLO biçiminde bir veri kümesi hazırla, etiketleri dönüştür ve her yerden çözümlenen bir data.yaml yaz.

  • Eğitimleri başlat, doğrula, sürdür ve önceden eğitilmiş ağırlıklarla başlat; ardından doğrulama çıktılarını bir düzeltme listesine dönüştür.

  • Videoyu akış olarak işle ve izle; ardından ONNX, TensorRT, OpenVINO ve diğer biçimlere dışa aktar ve dışa aktarılan modelin PyTorch ile eşleştiğini kanıtla.

Neler geliştireceksin

  • Ultralytics'in bozuk etiket olmadan okuyabildiği bir data.yaml içeren, YOLO biçiminde bir hap veri kümesi.

  • Doğrulama sonuçları önceden eğitilmiş temel modelin sonuçlarının yanında gösterilen, eğitilmiş bir best.pt dedektörü.

  • İzleme kullanarak benzersiz nesneleri sayan ve kare hızına yetişip yetişmediğini kontrol eden, akış işleyen bir video betiği.

  • Algılamaları ve mAP değeri, eşleşen ayarlarda PyTorch modeliyle aynı olan bir ONNX dışa aktarımı.

Ön koşullar

  • Python 3.10 veya üstü; Python betiklerini ve kabuk komutlarını çalıştırma konusunda rahat olmalısın.

  • GPU gerekmez: bu kurstaki her örnek dizüstü bilgisayar CPU'sunda dakikalar içinde çalışır. NVIDIA GPU veya Apple Silicon, daha büyük çalıştırmaları hızlandırır.

  • Öneri: önce Computer Vision Foundations ve Building High-Performance YOLO Datasets kurslarını tamamla.

Kurs içeriği

5 modül · 10 ders

Modül 1

Kurulum
1

Ultralytics'i kur

Ultralytics'i temiz bir ortama kur, cihazını doğrulamak için yolo checks raporunu oku ve tek bir tahmin çalıştırarak kurulumu doğrula.

Modül 2

Tahmin
2

Bir Görüntüde Tahmin Yap

Önceden eğitilmiş bir YOLO26 modelini Python'dan çalıştır, sonuçlardan sınıfları, güven skorlarını ve piksel kutularını oku ve en çok kaçırılan nesneleri bulmaya yarayan parametreleri ayarla.

3

Ultralytics YOLO Model Boyutunu Seç

YOLO26 n, s, m, l ve x boyutlarını karşılaştır, hedef donanımında kıyasla ve gecikme bütçene uyan en küçük boyutu seç.

Modül 3

Veri
4

Özel Bir Veri Kümesi Hazırla

Görüntüleri ve etiketleri Ultralytics YOLO biçiminde düzenle, piksel koordinatlı kutuları normalize edilmiş etiket satırlarına dönüştür ve eğitimden önce bozuk etiketleri yakala.

5

Veri Kümesi YAML Dosyası Yaz

Ultralytics'i klasörlerine yönlendiren ve sınıflarına ad veren data.yaml dosyasını yaz, yolların her konumdan çözümlendiğinden emin ol ve yolo val ile hızlı bir test yap.

Modül 4

Eğit
6

İlk Modelini Eğit

Tek bir çağrıyla veri kümen üzerinde YOLO26'ya ince ayar yap, canlı eğitim günlüğünü satır satır oku ve çalıştırma klasöründe best.pt ile önemli grafikleri bul.

7

Doğrula ve Teşhis Et

best.pt dosyasını bir başlangıç değeriyle karşılaştırarak doğrula, karışıklık matrisini, sınıf başına değerleri ve tahmin görüntülerini incele ve bunları belirli bir düzeltme listesine dönüştür.

8

Sürdür ve Yinele

Kesintiye uğrayan bir çalıştırmayı aynen sürdür, en iyi model olan best.pt dosyasından gerçekten uygulanan bir öğrenme oranıyla yeni tur başlat ve çalıştırmaları yan yana karşılaştır.

Modül 5

Dağıt
9

Videoda çıkarım yap

YOLO26'yı video dosyalarında ve canlı kameralarda sınırlı bellek kullanarak çalıştır, her nesneyi yalnızca bir kez saymak için nesneleri izle ve modelin kare hızına yetişip yetişmediğini kontrol et.

10

Dağıtım için dışa aktar

best.pt dosyasını ONNX, OpenVINO, TensorRT, CoreML, LiteRT veya QNN biçimine aktar, ardından dağıtıma almadan önce dışa aktarılan modelin PyTorch modeliyle eşleştiğini doğrula.