Link to this sectionRoboflow#

Roboflow, YOLO dahil çeşitli formatlarda veri etiketleme ve veri kümesi dışa aktarma araçları sağlar. Bu rehber; Ultralytics YOLO modelleri için veri etiketlemeyi, dışa aktarmayı ve dağıtmayı kapsar.

Bu rehber, Roboflow kullanarak özel bir Ultralytics YOLO26 modelini eğitmek için verilerin nasıl bulunacağını, etiketleneceğini ve düzenleneceğini gösterir.

• Eğitim İçin Veri Topla
• Veri Etiketle
• Veri Kümesi Yönetimi
• Verileri Dışa Aktar
• Modelleri Dağıt
• Modelleri Değerlendir
• SSS

Link to this sectionÖzel Bir YOLO26 Modeli Eğitmek İçin Veri Topla#

Roboflow, Ultralytics YOLO modelleri için veri toplamaya yardımcı olacak iki ana hizmet sunar: Universe ve Collect. Veri toplama stratejileri hakkında daha genel bilgi için Veri Toplama ve Açıklama Rehberimize başvur.

Link to this sectionRoboflow Universe#

Roboflow Universe, çevrimiçi bir görüntü veri kümeleri deposudur. Ultralytics modelleriyle kullanım için veri kümelerini YOLO formatında dışa aktarabilirsin.

Link to this sectionRoboflow Collect#

Görüntüleri kendin toplamayı tercih edersen, Roboflow Collect, uç cihazlarda web kamerası aracılığıyla otomatik görüntü toplamayı sağlayan açık kaynaklı bir projedir. Vizyon modelin için yalnızca gerekli görüntüleri yakalamaya yardımcı olacak şekilde, toplanacak verileri belirtmek için metin veya görüntü istemleri kullanabilirsin.

Link to this sectionYOLO26 Formatı İçin Veri Yükle, Dönüştür ve Etiketle#

Roboflow Annotate; nesne algılama, sınıflandırma ve segmentasyon dahil olmak üzere çeşitli bilgisayarlı görü görevleri için görüntüleri etiketlemeye yarayan çevrimiçi bir araçtır.

Bir Ultralytics YOLO modeli için veri etiketlemek istersen, Roboflow'da bir proje oluştur, görüntülerini yükle ve açıklamaya (annotating) başla.

Link to this sectionAçıklama Araçları#

• Sınırlayıcı Kutu Açıklaması: B tuşuna bas veya kutu simgesine tıkla. Sınırlayıcı kutuyu oluşturmak için tıkla ve sürükle. Bir açılır pencere, açıklama için bir sınıf seçmeni isteyecektir.
• Çokgen Açıklaması: Örnek segmentasyonu için kullanılır. P tuşuna bas veya çokgen simgesine tıkla. Çokgeni çizmek için nesnenin etrafındaki noktalara tıkla.

Link to this sectionEtiket Asistanı (SAM Entegrasyonu)#

Roboflow, açıklamayı hızlandırmak için Segment Anything Model (SAM) tabanlı bir etiket asistanını entegre eder.

Etiket asistanını kullanmak için kenar çubuğundaki imleç simgesine tıkla. SAM, projen için etkinleştirilecektir.

Bir nesnenin üzerine gel, SAM bir açıklama önerebilir. Açıklamayı kabul etmek için tıkla. Önerilen alanın içine veya dışına tıklayarak açıklamanın özgüllüğünü iyileştirebilirsin.

Link to this sectionEtiketleme (Tagging)#

Kenar çubuğundaki Etiketler paneliyle görüntülere etiketler ekleyebilirsin. Etiketler konum, kamera kaynağı vb. gibi özellikleri temsil edebilir. Bu etiketler, belirli görüntüleri aramana ve belirli etiketlere sahip görüntüleri içeren veri kümesi sürümleri oluşturmana olanak tanır.

Link to this sectionEtiket Yardımı (Model Tabanlı)#

Roboflow'da barındırılan modeller, açıklamalar önermek için Etiket Yardımı ile birlikte kullanılabilir. YOLO modeli ağırlıklarını Roboflow'a yükle (aşağıdaki talimatlara bak), ardından kenar çubuğundaki sihirli değnek simgesi aracılığıyla Etiket Yardımını etkinleştir.

Link to this sectionYOLO26 İçin Veri Kümesi Yönetimi#

Roboflow, bilgisayarlı görü veri kümelerini anlamak ve yönetmek için çeşitli araçlar sağlar.

Link to this sectionVeri Kümesi Arama#

Metin açıklamalarına veya belirli etiketlere dayalı görüntüleri bulmak için veri kümesi aramasını kullan. Bu özelliğe kenar çubuğundaki "Veri Kümesi"ne tıklayarak erişebilirsin.

Link to this sectionSağlık Kontrolü#

Eğitimden önce, veri kümen hakkında içgörü kazanmak ve potansiyel iyileştirmeleri belirlemek için Roboflow Sağlık Kontrolü'nü kullan. "Sağlık Kontrolü" kenar çubuğu bağlantısı aracılığıyla eriş. Görüntü boyutları, sınıf dengesi, açıklama ısı haritaları ve daha fazlası hakkında istatistikler sağlar.

Sağlık Kontrolü, sınıf dengesi özelliğinde tanımlanan sınıf dengesizliklerini ele almak gibi performansı artıracak değişiklikler önerebilir. Veri kümesi sağlığını anlamak, etkili model eğitimi için çok önemlidir.

Link to this sectionModel Dayanıklılığı İçin Verileri Ön İşleme ve Artırma#

Verilerini dışa aktarmak için, veri kümenin belirli bir zaman dilimindeki anlık görüntüsü olan bir veri kümesi sürümü oluşturman gerekir. Kenar çubuğunda "Sürümler"e ve ardından "Yeni Sürüm Oluştur"a tıkla. Burada, model dayanıklılığını artırmak için ön işleme adımları ve veri artırmaları uygulayabilirsin.

Seçilen her artırma için, parlaklık gibi parametrelerini ince ayar yapmana olanak tanıyan bir açılır pencere açılır. Doğru artırma, model eğitimi ipuçları rehberimizde tartışılan önemli bir kavram olan model genellemesini önemli ölçüde iyileştirebilir.

Link to this sectionModel Eğitimi İçin 40'tan Fazla Formatta Veri Dışa Aktar#

Veri kümesi sürümün oluşturulduktan sonra, onu model eğitimi için uygun çeşitli formatlarda dışa aktarabilirsin. Sürüm sayfasındaki "Veri Kümesini Dışa Aktar" düğmesine tıkla.

Ultralytics eğitim süreçleriyle uyumluluk için "YOLO26" formatını seç. Artık özel YOLO26 modelini eğitmeye hazırsın. Dışa aktarılan veri kümenle eğitimi başlatmaya yönelik ayrıntılı talimatlar için Ultralytics Eğitim modu belgelerine başvur.

Link to this sectionTest ve Dağıtım İçin Özel YOLO26 Model Ağırlıklarını Yükle#

Roboflow, dağıtılmış modeller için ölçeklenebilir bir API ve NVIDIA Jetson, Luxonis OAK, Raspberry Pi ve GPU tabanlı sistemler gibi cihazlarla uyumlu SDK'lar sunar. Rehberlerimizdeki çeşitli model dağıtım seçeneklerini keşfet.

Basit bir Python betiği kullanarak ağırlıklarını Roboflow'a yükleyerek YOLO26 modellerini dağıtabilirsin.

Yeni bir Python dosyası oluştur ve aşağıdaki kodu ekle:

import roboflow  # install with 'pip install roboflow'

# Log in to Roboflow (requires API key)
roboflow.login()

# Initialize Roboflow client
rf = roboflow.Roboflow()

# Define your workspace and project details
WORKSPACE_ID = "your-workspace-id"  # Replace with your actual Workspace ID
PROJECT_ID = "your-project-id"  # Replace with your actual Project ID
VERSION = 1  # Replace with your desired dataset version number
MODEL_PATH = "path/to/your/runs/detect/train/"  # Replace with the path to your YOLO26 training results directory

# Get project and version
project = rf.workspace(WORKSPACE_ID).project(PROJECT_ID)
dataset = project.version(VERSION)

# Upload model weights for deployment
# Ensure MODEL_PATH points to the directory containing 'best.pt'
dataset.deploy(
    model_type="yolov8",
    model_path=MODEL_PATH,
)  # Note: Use "yolov8" as model_type for YOLO26 compatibility in Roboflow deployment

print(f"Model from {MODEL_PATH} uploaded to Roboflow project {PROJECT_ID}, version {VERSION}.")
print("Deployment may take up to 30 minutes.")

Bu kodda your-workspace-id, your-project-id, VERSION numarası ve MODEL_PATH kısımlarını Roboflow hesabına, projene ve yerel eğitim sonuçları dizinine özel değerlerle değiştir. MODEL_PATH kısmının eğitilmiş best.pt ağırlık dosyanı içeren dizini doğru şekilde işaretlediğinden emin ol.

Yukarıdaki kodu çalıştırdığında, (genellikle bir API anahtarı aracılığıyla) kimlik doğrulaması yapman istenecektir. Ardından modelin yüklenecek ve projen için bir API uç noktası oluşturulacaktır. Bu işlem 30 dakikaya kadar sürebilir.

Modelini test etmek ve desteklenen SDK'lar için dağıtım talimatlarını bulmak için Roboflow kenar çubuğundaki "Dağıt" sekmesine git. Bu sayfanın üst kısmında, web kameranı kullanarak veya görüntü ya da video yükleyerek modelini test etmene olanak tanıyan bir araç görünecektir.

Yüklediğin model, yeni görüntüler üzerinde eğitimine dayalı açıklamalar önererek bir etiketleme asistanı olarak da kullanılabilir.

Link to this sectionYOLO26 Modelleri Nasıl Değerlendirilir#

Roboflow, model performansını değerlendirmek için özellikler sunar. Performans metriklerini anlamak, model iterasyonu için çok önemlidir.

Bir model yükledikten sonra, Roboflow panelindeki model sayfan aracılığıyla model değerlendirme aracına eriş. "Ayrıntılı Değerlendirmeyi Görüntüle"ye tıkla.

Bu araç, model performansını gösteren bir karmaşıklık matrisi ve CLIP gömmelerini kullanan etkileşimli bir vektör analizi grafiği görüntüler. Bu özellikler, model iyileştirme alanlarını belirlemeye yardımcı olur.

Karmaşıklık matrisi açılır penceresi:

Değerleri görmek için hücrelerin üzerine gel ve model tahminleri ile gerçek verileri içeren karşılık gelen görüntüleri görüntülemek için hücrelere tıkla.

CLIP gömmelerine dayalı görüntü benzerliğini görselleştiren bir dağılım grafiği için "Vektör Analizi"ne tıkla. Birbirine yakın görüntüler anlamsal olarak benzerdir. Noktalar, beyazdan (iyi performans) kırmızıya (kötü performans) kadar renklendirilmiş görüntüleri temsil eder.

Vektör Analizi şunlara yardımcı olur:

• Görüntü kümelerini tanımla.
• Modelin kötü performans gösterdiği kümeleri tam olarak belirle.
• Kötü performansa neden olan görüntüler arasındaki ortak noktaları anla.

Link to this sectionÖğrenme Kaynakları#

• Özel Bir Veri Kümesinde YOLO Eğit (Colab): Verilerinle eğitim yapmak için etkileşimli Google Colab not defteri.
• Ultralytics YOLO Belgeleri: YOLO modellerini eğitme, dışa aktarma ve dağıtma.
• Ultralytics Blog: Bilgisayarlı görü ve model eğitimi üzerine makaleler.
• Ultralytics YouTube: Model eğitimi ve dağıtımı üzerine video rehberler.

Link to this sectionSSS#

Link to this sectionRoboflow kullanarak YOLO26 modelleri için verileri nasıl etiketlerim?#

Roboflow Annotate kullan. Bir proje oluştur, görüntüleri yükle ve açıklama araçlarını (B sınırlayıcı kutular için, P çokgenler için) veya daha hızlı etiketleme için SAM tabanlı etiket asistanını kullan. Ayrıntılı adımlar Veri Yükleme, Dönüştürme ve Etiketleme bölümünde mevcuttur.

Link to this sectionRoboflow, YOLO26 eğitim verilerini toplamak için hangi hizmetleri sunar?#

Roboflow provides Universe (access to numerous datasets) and Collect (automated image gathering via webcam). These can help acquire the necessary training data for your YOLO26 model, complementing strategies outlined in our Data Collection Guide.

Link to this sectionRoboflow'u kullanarak YOLO26 veri kümemi nasıl yönetebilir ve analiz edebilirim?#

Roboflow'un veri kümesi arama, etiketleme ve Sağlık Kontrolü özelliklerini kullan. Arama, görüntüleri metin veya etiketlere göre bulurken, Sağlık Kontrolü eğitim öncesinde iyileştirmelere rehberlik etmek için veri kümesi kalitesini (sınıf dengesi, görüntü boyutları vb.) analiz eder. Ayrıntılar için Veri Kümesi Yönetimi bölümüne bak.

Link to this sectionYOLO26 veri kümemi Roboflow'dan nasıl dışa aktarırım?#

Roboflow'da bir veri kümesi sürümü oluştur, istenen ön işleme ve artırmaları uygula, ardından "Veri Kümesini Dışa Aktar"a tıkla ve YOLO26 formatını seç. İşlem, Veri Dışa Aktarma bölümünde özetlenmiştir. Bu, verilerini Ultralytics eğitim süreçleriyle kullanılmak üzere hazırlar.

Link to this sectionYOLO26 modellerini Roboflow ile nasıl entegre edebilir ve dağıtabilirim?#

Sağlanan Python betiğini kullanarak eğitilmiş YOLO26 ağırlıklarını Roboflow'a yükle. Bu, dağıtılabilir bir API uç noktası oluşturur. Betik ve talimatlar için Özel Ağırlıkları Yükle bölümüne başvur. Belgelerimizde daha fazla dağıtım seçeneğini keşfet.