Gerçek zamanlı YOLO nesne algılama
Ultralytics YOLO26 algılama modelleri ile görüntülerde ve videolarda nesneleri bul ve konumlandır. Kendi verilerinle eğit, net metriklerle değerlendir ve uç cihazlarda, bulutta ve mobilde gerçek zamanlı olarak dağıt.
YOLO26 algılama modelleri
Nesne algılama, gömülü CPU'lardan doğruluk kritikliği taşıyan bulut iş yüklerine kadar her şeyi kapsayan beş model boyutuyla YOLO26 ailesinin temel görevidir. Her boyut, kendi verilerin üzerinde aynı üç satırlık API ile eğitilebilir ve donanımının en iyi şekilde çalıştırdığı formatlara aktarılabilir.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 detection model
model = YOLO("yolo26n.pt")
# Run inference
results = model("image.jpg")| Model | Boyut (px) | mAP 50-95 | mAP 50-95 (e2e) | CPU ONNX (ms) | T4 TensorRT (ms) | Parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 40.1 | 38.9 ± 0.7 | 1.7 ± 0.0 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 47.8 | 87.2 ± 0.9 | 2.5 ± 0.0 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 52.5 | 220.0 ± 1.4 | 4.7 ± 0.1 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 54.4 | 286.2 ± 2.0 | 6.2 ± 0.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 56.9 | 525.8 ± 4.0 | 11.8 ± 0.2 | 55.7 | 193.9 |
Ultralytics dokümanlarından YOLO26 algılama kıyaslamaları.
Dünyanın önde gelen kuruluşlarının güvendiği
Modellerimizin etkisi
Son teknoloji bilgisayarlı görü yapay zeka modellerimizle sektörler genelinde süreçleri kolaylaştırın. Ultralytics tarafından desteklenen hız, doğruluk ve kullanım kolaylığı.
Ultralytics YOLO modellerinin evrimi
Ultralytics YOLO'nun pratik YOLOv5 iş akışından uç birim için hazır YOLO26 çıkarımına nasıl evrildiğini gör.
Hızlı ve pratik bir PyTorch iş akışıyla gerçek zamanlı nesne algılamayı erişilebilir kıldı.
Algılama, segmentasyon, sınıflandırma, pose ve OBB genelinde birleşik iş akışını genişletti.
Tanıdık Ultralytics iş akışını korurken doğruluk, hız ve verimliliği artırdı.
Uç cihazlarda verimli dağıtım için optimize edilmiş bir mimari ve uçtan uca çıkarım özelliğini sundu.
Akıllı etiketleme ile 10 kata kadar daha hızlı etiketle
Ultralytics Platform, yüksek kaliteli veri kümelerini daha hızlı oluşturman için gereken görüntü etiketleme aracını sana sunar. Akıllı etiketlemeden hassas manuel düzenlemeye kadar bu özellikler, kaliteden ödün vermeden görüntü etiketleme süresini azaltmak için tasarlanmıştır.
- SAM destekli akıllı etiketleme: Tek tıkla maskeler ve sınırlayıcı kutular.
- Tam AI görev kapsamı: Algılama, örnek segmentasyonu, anlamsal segmentasyon, sınıflandırma, poz tahmini, OBB.
- Evrensel format desteği: YOLO, COCO, VOC ve daha fazlası arasından seçimin.
- Ekip incelemesi ve sürüm yönetimi: Her adımda net iş birliği.
En İyi GPU'lar üzerinde daha ucuza eğitim yapın
Ampere'den Blackwell'e kadar 26 NVIDIA GPU, saatlik 0,24$ başlangıç fiyatıyla. Ek ücret yok, alt limit yok, taahhüt yok.
Her yere dağıtın
20 formata dışarı aktar ve uç cihazlarda, bulutta ve mobilde dağıtım yap.
Sektörel çözümleri keşfedin
Ekiplerin Ultralytics bilgisayarlı görü teknolojisini üretim ortamlarında nasıl uyguladığını görün.
Tarımda yapay zeka
Otomotivde yapay zeka
Sağlıkta yapay zeka
Lojistikte yapay zeka
Üretimde yapay zeka
Perakendede yapay zeka
Robotikte yapay zeka
Tarımda yapay zeka
Otomotivde yapay zeka
Sağlıkta yapay zeka
Lojistikte yapay zeka
Üretimde yapay zeka
Perakendede yapay zeka
Robotikte yapay zeka
Tarımda yapay zeka
Otomotivde yapay zeka
Sağlıkta yapay zeka
Lojistikte yapay zeka
Üretimde yapay zeka
Perakendede yapay zeka
Robotikte yapay zeka
Sıkça sorulan sorular
Nesne algılama, bir görüntü veya video karesindeki nesneleri tanımlar ve her birini bir sınırlayıcı kutu (BBox) ve sınıf etiketi ile konumlandırır. Ultralytics YOLO modelleri algılamayı tek bir geçişte gerçekleştirir, bu yüzden uç cihazlardan bulut GPU'larına kadar tüm donanımlarda gerçek zamanlı çalışırlar. Algılama, Ultralytics YOLO ailesinin temel görevidir ve takip, sayım ve analiz iş akışları için başlangıç noktasıdır.
Ultralytics YOLO26, en son kararlı sürümdür ve yeni algılama projeleri için önerilen tercihtir. Uçtan uca, NMS içermeyen tasarımı dağıtımı basitleştirir ve nano varyantı, CPU ve uç çıkarım için optimize edilmiştir. YOLO11 ve YOLOv5u gibi daha önceki aileler, aynı API üzerinden desteklenmeye devam etmektedir.
Veri setini YOLO formatında kullanarak Ultralytics kütüphanesinin eğitim modunu kullanabilir veya görüntüleri etiketlemek, bulut GPU'larında eğitmek ve çalışmaları tarayıcı üzerinden yönetmek için Ultralytics Platform hizmetinden yararlanabilirsin. Önceden eğitilmiş ağırlıklarla başlaman önerilir: ince ayar yapmak, sıfırdan eğitime göre daha hızlı yakınsar ve daha az veri gerektirir.
Algılama modelleri, IoU eşikleri genelinde hesaplanan hassasiyet (precision), duyarlılık (recall) ve ortalama ortalama hassasiyet (mAP) ile değerlendirilir. Ultralytics doğrulama süreci, bu metrikleri her sınıf için otomatik olarak raporlar. Model değerlendirme kılavuzu, bunları nasıl yorumlayacağını ve veri setin ile eğitim kurulumunu nasıl geliştireceğini açıklar.
Eğitilmiş dedektörleri hedef donanımın için ONNX, TensorRT, CoreML, OpenVINO ve LiteRT gibi formatlara dönüştürmek için dışa aktarma modunu kullan. YOLO26'nın NMS içermeyen tasarımı dışa aktarılan grafiği basit tutar ve kıyaslama modu, gönderim yapmadan önce formatlar arasındaki hızı ve doğruluğu karşılaştırmanı sağlar.
Ultralytics ile nesne algılama geliştir
Ultralytics Platform ile verileri etiketle, YOLO26 dedektörlerini eğit ve her yerde dağıt.