Canonical: https://instain.ru/tr/ai/ultralytics-yolo/
Language: tr

Ultralytics  bir Bilgisayar Vizyon Modeli

# Ultralytics YOLO. 

Sınıf ve eşik ayarlarına sahip nesnelerin tespiti

4.53 / 5    [Katalog değerlendirmesi](https://instain.ru/tr/ai/ultralytics-yolo/#editorial-rating) [Resmî site ](https://docs.ultralytics.com/modes/predict)

Algılama modunda model sınıfları, sınırlayıcı kutuları ve güven puanlarını döndürür. Geliştirici önceden eğitilmiş ağırlıkları kullanabilir veya etiketlenmiş bir veri kümesiyle kendi modelini eğitebilir.

![Tahmin Modu Seçenekleri ile Ultralytics Yardım](https://instain.ru/assets/images/ultralytics-yolo-screen-6fbf8233d6ab-1200.webp)

Ultralytics, tahmin modu parametrelerine yardımcı olur.  [Kaynağı aç ](https://docs.ultralytics.com/modes/predict)

## İlk olarak, nesne olarak kabul edilen şeyi bulun.

Depo kamerası alıştırmasında kutuları bulmak yalnızca başlangıçtır. Kısmen örtülmüş kutuların ve yansımadaki ambalajların sayılıp sayılmayacağına karar verin. Ultralytics YOLO algılama modunda sınırlayıcı kutuları, sınıfları ve güven puanlarını verir. Görevi seçtiğiniz ağırlıkların sınıf listesiyle karşılaştırın. Aradığınız nesne sınıfı yoksa kendi etiketlerinize ve eğitimden sonra ayrı bir değerlendirmeye ihtiyacınız olur.

## Eşik iki tür hatayı etkiler

Kenarlarında küçük nesneler olan görüntüler, birbirine benzeyen nesneler ve boş bir sahne içeren birkaç örnek kare çekin. Eşikleri aynı veri kümesinde karşılaştırın. Daha katı bir eşik yanlış kutuları azaltırken doğru algılamaları da gizleyebilir. Algılama sayısıyla birlikte her iki etkiyi de kaydedin. Kamera başka bir aydınlatmada çalışacaksa bu koşullarda çekilen karelerin bir bölümünü ayrı tutun.

## Kontrol örneği nasıl işaretlenir

Kısmen görünen nesnelerin sınırlayıcı kutularını nasıl çizeceğinizi ve üst üste binen birden fazla nesneyi nasıl etiketleyeceğinizi belirleyin. Aynı videodaki kareler birbirine çok benzeyebilir. Yeni sahnelerdeki davranışı görmek için verileri kayda veya tarihe göre ayırın. Canlı kullanımdan önce işlem gecikmesini, giriş boyutunu ve lisans koşullarını kontrol edin. Tek bir iyi örnek çıktı biçimini gösterir. Güvenilirliği ve kullanım koşullarını ayrı değerlendirin. Ölçümleri tekrarlamak için ayarları kaydedin ve birkaç orijinal kontrol karesini sonuçlarla birlikte saklayın.

## Hangi görevler uygun

- Test çerçevelerinde nesne tanımasını kontrol edin

- Farklı eşiklerdeki boşlukları ve ekstra çerçeveleri karşılaştırın

Özellikler 

## Güçlü yönler

- Ayrı tahmin ve öğrenme modları vardır

- Dokümantasyon girdileri, eşikleri ve sonuç biçimlerini tanımlar

Dikkate alınması gerekenler 

## Sınırlamalar

- Önceden eğitilmiş model, sınıflarının bir seti ile sınırlıdır.

- Güven eşiği kontrol örneğinin yerini almaz

## Seçim ve koşullar

Ücretsiz kullanım

Evet

Deneme süresi

Doğrulanmadı

Kayıt gerektirmez

Doğrulanmadı

Rusça arayüz

Doğrulanmadı

Yerel kurulum

Evet

API

Doğrulanmadı

“Doğrulanmadı”, yeterli bilgi bulunmadığı anlamına gelir. Özellik mevcut olabilir; geliştiricinin koşullarını kontrol edin.

Girdi biçimleri

Görsel, Video

Sonuç

Veri

### Koşullar

Ultralytics AGPL şartlarını ve ticari lisans seçeneklerini yayınlar. Uygulamadan önce, kullanım yönteminiz için kod koşullarını ve ağırlıklarını kontrol edin. Önceden eğitilmiş model, bir dizi sınıfıyla sınırlıdır.

Görevden ilk sonuca

## Uygulama örneği

Görev

Test çerçevelerinde nesne tanımasını kontrol edin

Ne hazırlamalısınız?

Bilinen nesneler, benzer nesneler ve boş bir sahne ile eğitim görüntüleri.

### Görev veya istem

Dedektör farklı eşiklerde aynı çerçeveler üzerinde çalıştırın. Sınıfları, çerçeve koordinatlarını ve puanları kaydedin.

### Beklenen sonuç

Doğru limitlerin, ihmallerin ve eşik göstergesi olan ekstra tetikleyicilerin listesi.

### Sonuç nasıl kontrol edilir

- Çerçevenin kenarındaki nadir sınıflar ve nesneler için ayrı ayrı bakın.

- Eğitim atışlarının test örneğine düşmediğini kontrol edin.

Bu, görevin nasıl tanımlanabileceğini gösteren editoryal bir eğitim örneğidir; servisi bizzat test ederek elde edilmiş bir sonuç değildir. Gerekli modun kullanılabilirliğini, kaynak dosyalar üzerindeki hakları ve sonucun kullanım koşullarını kontrol edin.

Ayrıntıları kontrol et

## Resmi kaynaklar

-  [Ultralytics YOLO ile ilgili tahminler ](https://docs.ultralytics.com/modes/predict)

-  [Model Eğitimi Ultralytics YOLO ](https://docs.ultralytics.com/modes/train)

-  [Resmi lisans koşulları Ultralytics ](https://www.ultralytics.com/license)

Açıklama geliştiricinin materyallerine dayanmaktadır. Fırsatlar, fiyatlar ve kullanılabilirlik değişebilir; kullanımdan önce orijinal kaynağa bakın.

Kısaca araç hakkında

Geliştirici

Ultralytics

Kategori

[Görseller](https://instain.ru/tr/category/images/)

Erişim

Python veya komut satırı, desteklenen bir model ve test görüntüleri gerekir. Eğitim, işaretli veriler ve uygun hesaplama kaynakları gerektirecektir.

Ödeme

Ultralytics AGPL şartlarını ve ticari lisans seçeneklerini yayınlar. Uygulamadan önce, kullanım yönteminiz için kod koşullarını ve ağırlıklarını kontrol edin.

API

Ayrı bir API belirtilmedi

[Geliştirici Koşulları ](https://www.ultralytics.com/license)

Katalog değerlendirmesi

4.53 / 5 

Özellikler

4.60 / 5 

Çalışma senaryoları

4.30 / 5 

Ekosistem

4.60 / 5 

Belgeler

4.60 / 5 

Puanlar katalogda yol gösterir. Kullanıcı yorumu veya kişisel test sonucu değildir.

[Metodolojiye bakın ](https://instain.ru/tr/methodology/)