Bir Görüntüde Tahmin Yap

Tahmin Yap ve Her Tespiti Yazdır#

Modeli bir kaynak üzerinde çağırmak Tahmin modunu çalıştırır ve her görüntü için bir Results nesnesi içeren bir liste döndürür. Tek bir görüntü varsa results[0] alanını oku.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

result = results[0]
for box in result.boxes:
    name = result.names[int(box.cls)]
    conf = float(box.conf)
    x1, y1, x2, y2 = box.xyxy[0].tolist()
    print(f"{name:>8} {conf:.2f}  ({x1:.0f}, {y1:.0f}) -> ({x2:.0f}, {y2:.0f})")

result.save("bus_annotated.jpg")

Olağan günlük satırından sonra predict.py çıktısından alınmış gerçek sonuç:

     bus 0.88  (0, 230) -> (803, 751)
  person 0.87  (49, 398) -> (240, 902)
  person 0.86  (223, 405) -> (345, 861)
  person 0.85  (670, 395) -> (810, 880)
  person 0.65  (0, 553) -> (60, 871)

Şöyle okuyabilirsin:

• bus 0.88: sınıf adı ve güven skoru. Kutular, güven skoruna göre en yüksekten en düşüğe sıralanır.
• (0, 230) -> (803, 751): orijinal 810×1080 görüntüde sol üst ve sağ alt köşelerin piksel koordinatları; başlangıç noktası sol üst köşedir. Bunlarla doğrudan kırpma veya çizim yapabilirsin.
• (0, 553) konumundaki person 0.65: sol kenardan kesilmiş beşinci kişi daha düşük bir skor alır. Kısmen görünen nesneler genellikle böyle olur.

result.save() açıklama eklenmiş görüntüyü yazar; result.show() ise bu görüntüyü bir pencerede açar.

Sonuçta Neler Olduğunu Bil#

Her görev aynı Results türünü döndürür; yalnızca doldurulan alanlar değişir. Tüm alanlar Python kullanım kılavuzunda yer alır.

Nesne algılama için çoğunlukla boxes, yani sınırlayıcı kutular gerekir. result.summary(), aynı tespitleri JSON API'sine göndermeye hazır, yalın sözlüklerden oluşan bir liste olarak döndürür.

Tahmin Ayarlarını Yap#

Varsayılan değerler çoğu görüntü için uygundur. Uygun olmadıklarında her seferinde tek bir parametreyi değiştir:

Güven skoru yalnızca sayıyı değil, sonucu da değiştirir. Aynı otobüs görüntüsünde:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model("https://ultralytics.com/images/bus.jpg", conf=0.5, classes=[0])  # 4 persons
model("https://ultralytics.com/images/bus.jpg", conf=0.1)  # 5 kişi, 1 otobüs, 1 dur işareti

conf=0.1 değerinde model, emin olamadığı bir dur işaretini de bildirir. conf değerini düşürmek, modelin neredeyse bulduğu nesneleri görmenin en hızlı yoludur. Diğer tüm parametreler yapılandırma başvurusunda yer alır.

Tahmin boş döndüğünde şu adımları sırayla uygula:

Birden Fazla Görüntüde Çalıştır#

Bir liste, klasör veya "photos/*.jpg" gibi bir glob deseni ver. Tahmin varsayılan olarak batch=1 değerini kullanır; birden fazla görüntüyü aynı anda modelden geçirmek için batch değerini ayarla. Bu, GPU'da çok daha hızlıdır:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
images = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]
for result in model(images, batch=2):
    print(result.path, len(result.boxes), result.verbose())

image0.jpg 5 4 persons, 1 bus,
image1.jpg 3 2 persons, 1 tie,

Bu Hatalardan Kaçın#