Modeller ve Pipeline'lar
Cordatus, video akışlarındaki nesneleri tespit etmek ve sınıflandırmak için modeller kullanır. Cordatus'un kullanıma hazır bilgisayarlı görü modellerinden seçim yapabilir veya mevcut seçenekler ihtiyaçlarınızı karşılamıyorsa kendi özel modellerinizi entegre edebilirsiniz. Cordatus şu anda Object Detection ve Classification modellerini desteklemektedir. Semantic Segmentation ve Pose Estimation modelleri yakında eklenecektir.
NOTE: Sınıflandırma modelleri yalnızca bir nesne tespit modeline bağlanarak pipeline'lar içinde kullanılabilir; bağımsız olarak çalışamazlar.
Cordatus ayrıca kullanıcıların, platformun kullanıma hazır modellerini kullanıcıların özel modelleriyle kolayca birleştiren pipeline'lar oluşturarak özel AI modelleri geliştirmesine olanak tanır. Bu özellik, kullanıcıların ihtiyaçlarına özel olarak tasarlanmış AI çözümleri geliştirmesini sağlar.
Pipeline'lar, birden fazla modelin sıralı olarak çalışmasını sağlayan Cordatus'un temel özelliklerinden biridir. Örneğin, bir araç tespit modelinde, kullanıcılar önce araçları tespit edebilir ve ardından ek modeller kullanarak aracın markasını ve türünü sınıflandırabilir. Bu, Cordatus'un çeşitli kullanım senaryolarını ele almadaki çok yönlülüğünü ve esnekliğini gösterir.
Models Page
Kullanıma Hazır Modeller ve Pipeline'lar
Cordatus şu anda iki model mimarisi sunmaktadır: Object Detection ve Classification.
Kullanıma Hazır Object Detection Modelleri
| Model | Açıklama |
|---|---|
| TRAFFICCAMNET | TrafficCamNet modeli, sabit bir kamera tarafından yakalanan görüntülerdeki bir veya daha fazla fiziksel nesneyi tespit eder ve bunları dört farklı kategoriye ayırır. Her nesne için bounding box'lar ve kategori etiketleri sağlar. Dört kategori: cars, people, road signs ve two-wheelers. |
| DASHCAMNET | DashCamNet modeli, hareketli bir kamera tarafından yakalanan görüntülerdeki bir veya daha fazla fiziksel nesneyi tanımlar. Her nesne için bounding box'lar ve kategori etiketleri sağlar. Dört kategori: cars, people, road signs ve bicycles. |
| LPDNET | LPDNet modeli, bir görüntüdeki bir veya daha fazla plaka nesnesini tanımlar. Tespit edilen her nesne için model bir bounding box ve lpd etiketi döndürür. |
| PEOPLENET | PeopleNet modeli, bir görüntüde üç kategoriye ayrılan bir veya daha fazla fiziksel nesneyi tanımlar. Tespit edilen her nesne için bounding box'lar ve kategori etiketleri içerir. Üç kategori: people, bags ve faces. |
| FACENET | FaceNet modeli, bir görüntüdeki bir veya daha fazla yüzü tespit eder. Tespit edilen her yüz için bounding box'lar oluşturur ve kategori etiketleri atar. |
| FACENET-IR | FaceNet-IR modeli, sağlanan görüntülerde veya videolarda bir veya daha fazla yüzü tespit etmede üstündür, özellikle kızılötesi (IR) görüntüler için optimize edilmiştir. PeopleNet modeline kıyasla, webcam görüntülerinde olduğu gibi büyük yüzleri tespit etmede üstün sonuçlar sunar. |
Kullanıma Hazır Classification Modelleri
| Model | Açıklama |
|---|---|
| GENDERNET | Gendernet modeli, tespit edilen bireyleri cinsiyete göre sınıflandırır: male veya female. |
| AGENET | Agenet modeli, tespit edilen bireylerin yaşını 0 ile 100 arasında tahmin etmede üstündür. |
| EMOTIONNET | EmotionNet modeli, tespit modelleri tarafından tespit edilen insan duygularını altı farklı kategoriye ayırır: Neutral, Happy, Surprise, Squint, Disgust ve Scream. |
| VEHICLETYPENET | VehicleTypeNet modeli, araç görüntülerini altı farklı araç türüne sınıflandırır: Coupe, Sedan, SUV, Van, Large Vehicle ve Truck. |
| VEHICLEMAKENET | VehicleMakeNet modeli, araç görüntülerini 20 popüler araç markasına sınıflandırır: Acura, Audi, BMW, Chevrolet, Chrysler, Dodge, Ford, GMC, Honda, Hyundai, Infiniti, Jeep, Kia, Lexus, Mazda, Mercedes, Nissan, Subaru, Toyota ve Volkswagen. |
| LPRNET_US | LPRNet (License Plate Recognition Network for US) modeli, LPDNet tarafından tespit edilen plaka karakter dizilerini tahmin ederek plaka tanıma görevlerinin doğruluğunu ve güvenilirliğini artırır. |
Kullanıma Hazır Pipeline'lar
Demographic-Analytics
Demographic Analytics pipeline'ı, tespit edilen bireyler için kapsamlı demografik tahminler yapmak üzere tasarlanmıştır. FACENET ile başlayarak, pipeline yüzleri doğru bir şekilde tespit eder. Ardından pipeline, cinsiyet sınıflandırması için GENDERNET'i, duygusal durum analizi için EMOTIONNET'i ve doğru yaş tahmini için AGENET'i sorunsuz bir şekilde entegre eder. Bu bileşenler bir araya gelerek hedef kitlenin kapsamlı bir şekilde anlaşılması için ayrıntılı demografik analitik sağlayan güçlü bir pipeline oluşturur.
Demographic Analytics
Plate-Recognition
Plate Recognition pipeline'ı, araçların ve plakalarının hassas bir şekilde tanımlanması için tasarlanmıştır ve gelişmiş plaka tanıma (LPR) yetenekleri sağlar. Pipeline, doğru araç tespiti için TRAFFICCAMNET ile başlar, ardından plaka tespiti için LPDNET gelir. Son olarak, pipeline plaka tanıma için LPRNET_US kullanır ve araç tanımlamadan plaka okumaya kadar sorunsuz ve verimli bir süreç sağlar. Bu entegre yaklaşım, güvenlikten trafik yönetimine kadar çeşitli uygulamalar için güvenilir ve doğru plaka tanıma sağlar.
Plate Recognition
NOTE: Ek kullanıma hazır modeller ve pipeline'lar yakında tanıtılacaktır.
Arayüzü Kullanma
Models sayfası, modellerin ve pipeline'ların birlikte görüntülendiği merkezi bir konumdur. Her öğe türüyle etiketlenmiştir:
- Model etiketi: Bağımsız modeller için
- Pipeline etiketi: Birden fazla modeli birleştiren pipeline'lar için
Arayüz Özellikleri
- Sorting: Sayfanın üstündeki sıralama seçeneklerini kullanarak modelleri ve pipeline'ları alfabetik olarak düzenleyebilirsiniz.
- Search: Belirli modelleri veya pipeline'ları hızlıca bulmak için ekranın sağ üst köşesindeki arama kutusunu kullanın.
- Add New Model/Pipeline: Yeni bir model veya pipeline eklemek için sağ üst köşedeki New Model butonuna tıklayın.
Özel Bir Model Ekleme
Mevcut kullanıma hazır modeller ihtiyaçlarınızı karşılamıyorsa, kendi özel nesne tespit, sınıflandırma ve instance segmentation modellerinizi Cordatus'a ekleyebilirsiniz. Bu modeller özel olacak ve yalnızca size erişilebilir olacaktır.
Desteklenen Model Mimarileri
Cordatus aşağıdaki eğitim kaynaklarını ve model mimarilerini destekler:
NVIDIA TAO Toolkit Modelleri
NVIDIA TAO Toolkit ile eğitilmiş modeller doğrudan yüklenebilir.
TensorFlow Object Detection API
TensorFlow Object Detection API ile eğitilmiş modeller desteklenmektedir.
YOLO Model Ailesi
Cordatus, kendiniz eğittiğiniz YOLO modellerini yüklemenize olanak tanır. Bir YOLO modeli yüklemek için yalnızca iki dosyaya ihtiyacınız vardır:
- Model File (.pt): PyTorch formatında YOLO model dosyası
- Label File (labels.txt): Satır başına bir sınıf adı içeren etiket dosyası
💡 Tip: YOLO modelleri için ek yapılandırma veya dönüştürme süreci gerekmez. Cordatus
.ptdosyasını otomatik olarak bir TensorRT motoruna dönüştürür ve optimize eder.
Aşağıdaki YOLO mimarileri desteklenmektedir:
| Model Ailesi | Boyutlar | Açıklama |
|---|---|---|
| YOLO11 | N, S, M, L, X | Ultralytics'in en son YOLO sürümü. Gelişmiş doğruluk ve hız dengesi. |
| YOLOv10 | N, S, M, L, X | NMS gerektirmeyen tasarımla daha hızlı inference. |
| YOLOv9 | S, M | Programmable Gradient Information (PGI) ile gelişmiş öğrenme. |
| YOLOv8 | N, S, M, L, X | Ultralytics'in popüler anchor-free mimarisi. |
| YOLOv7 | Various | Bag-of-freebies ile yüksek performans. |
| YOLOv6 | N, S, M, L | Meituan tarafından geliştirilen endüstriyel model. |
| YOLOv5 | N, S, M, L, X | Yaygın olarak kullanılan, olgun ve kararlı bir uygulama. |
| YOLOv5u | N, S, M, L, X | YOLOv5'in anchor-free sürümü. |
| YOLOX | S, M, L, X | Megvii'nin anchor-free YOLO varyantı. |
| YOLO-NAS (Coming Soon) | S, M, L | Deci AI'nın Neural Architecture Search modeli. |
| YOLOR (Coming Soon) | X | Birleşik ağ yaklaşımı. |
YOLO Instance Segmentation Modelleri
Nesne tespitinin yanı sıra, Cordatus özel Instance Segmentation modellerinin yüklenmesini de destekler — bu modeller her tespit edilen nesne için sadece bir bounding box değil, piksel düzeyinde hassas bir maske üretir. Bu mimarilerden birini eklerken Algorithm Type olarak Instance Segmentation'ı seçin.
| Model Ailesi | Boyutlar | Açıklama |
|---|---|---|
| YOLO26-SEG | N, S, M, L, X | Ultralytics'in en son instance segmentation mimarisi, gelişmiş maske kalitesi ve inference verimliliği sunar. |
| YOLO11-SEG | N, S, M, L, X | Ultralytics'in hafif bir prototip-maske başlığına sahip anchor-free instance segmentation modeli. |
| YOLOv8-SEG | N, S, M, L, X | Nesneleri maskeleriyle birlikte tespit etmek için yaygın olarak kullanılan, genel amaçlı instance segmentation modeli. |
| YOLOv5-SEG | N, S, M, L, X | CSPDarknet omurgası üzerine kurulu, olgun ve kararlı bir instance segmentation uygulaması. |
| YOLOv7-SEG | Various | YOLACT tarzı bir maske başlığı kullanan yüksek doğruluklu instance segmentation modeli. |
| YOLOv7-MASK | Various | Kesin siluet/kontur çıkarımı için maske kalitesine öncelik veren, Detectron2 tabanlı YOLOv7 maske başlığı varyantı. |
YOLOE (Open-Vocabulary) Modelleri
Yukarıdaki sabit sınıflı mimarilerin aksine, YOLOE bir open-vocabulary (açık kelime dağarcığı) instance segmentation mimarisidir. Önceden tanımlı bir sınıf listesiyle sınırlı olmak yerine, YOLOE'nin Prompt-Free (PF) varyantı 4.585 dahili sınıfla birlikte gelir ve hiçbir zaman özel olarak eğitilmediği nesneleri sıfır atışlı (zero-shot) olarak, ince ayar gerektirmeden tespit edip bölütleyebilir.
YOLOE, yukarıdaki YOLO aileleri gibi kendi başına bir mimari olarak seçilebilir. Yine bir Label File sağlarsınız, ancak modelin eğitildiği sınıfları listelemek yerine, bu dosyayı işin gerçekten tespit etmesini istediğiniz 4.585 dahili sınıftan hangilerini seçmek için kullanırsınız — örneğin, 4.585 sınıftan sadece 12 sınıf adı listeleyebilirsiniz. Cordatus, listelediğiniz her adı YOLOE'nin dahili kelime dağarcığındaki karşılık gelen sınıfa eşler, böylece model yalnızca seçtiğiniz sınıfları raporlar.
| Model Ailesi | Boyutlar | Açıklama |
|---|---|---|
| YOLOE-26-PF | N, S, M, L, X | YOLO26 omurgası üzerine kurulu open-vocabulary instance segmentation. |
| YOLOE-11-PF | S, M, L | YOLO11 omurgası üzerine kurulu open-vocabulary instance segmentation. |
| YOLOE-V8-PF | S, M, L | YOLOv8 omurgası üzerine kurulu open-vocabulary instance segmentation. |
NOTE: Geniş sınıf kelime dağarcığı nedeniyle, YOLOE (Prompt-Free) FP16 yerine FP32 hassasiyetinde derlenir ve çalıştırılır — bu, 4.585 sınıfı boyunca tespit doğruluğunu korur, ancak yukarıdaki sabit sın ıflı YOLO-SEG modellerine kıyasla biraz daha yavaş bir inference'a yol açar. Ayrıca bazen büyük arka plan bölgelerini (örn. gökyüzü) bir sınıf olarak etiketleyebilir.
Diğer Desteklenen Mimariler
| Model Ailesi | Boyutlar | Açıklama |
|---|---|---|
| Gold-YOLO (Coming Soon) | N, S, M, L | Gelişmiş özellik birleştirme mekanizması. |
| DAMO-YOLO (Coming Soon) | S, M, L | Alibaba DAMO Academy'den yüksek performanslı dedektör. |
| D-FINE (Coming Soon) | N, S, M, L, X | DETR tabanlı ince taneli dedektör. |
| RT-DETR (Coming Soon) | L, X | Baidu'nun Real-Time Detection Transformer modeli. |
Model Boyut Kılavuzu
| Boyut | Parametreler | Önerilen Kullanım |
|---|---|---|
| N (Nano) | ~3M | Edge cihazlar, Jetson Nano, düşük güç |
| S (Small) | ~9M | Gömülü sistemler, Jetson Xavier NX |
| M (Medium) | ~25M | Dengeli performans, genel kullanım |
| L (Large) | ~43M | Yüksek doğruluk gerektiren uygulamalar |
| X (Extra Large) | ~68M | Maksimum doğruluk, güçlü GPU'lar |
NOTE: YOLO modelleri genellikle COCO veri kümesi (80 sınıf) üzerinde ön eğitilmiştir. Kendi özel sınıflarınız için transfer öğrenme yoluyla modeli yeniden eğitebilirsiniz.
1. Bir TAO / TensorFlow Modeli Ekleme
- Web Application'ın sol menüsünden Models sayfasına gidin.
- Add Model butonuna tıklayın. Bu, Add New Algorithm or Deep Learning Models modalını açar.
- Modalda aşağıdaki bilgileri doldurun:
| Alan | Açıklama |
|---|---|
| Model Label | Modeliniz için bir isim girin. |
| Algorithm Type | Eğittiğiniz model türünü seçin: object detection veya classification. |
| Train Source | Modelin eğitildiği uygulamayı seçin (TAO Toolkit veya TensorFlow). |
| Model Key | Yalnızca TAO Toolkit ile eğitilmiş modeller için gereklidir; eğitim yapılandırmasında kullanılan model anahtarını girin. |
| Model Format | Yalnızca train source olarak TensorFlow Object Detection API seçildiğinde gereklidir. Modelinizin dosya export formatını seçin (ONNX, TF SavedModel, TF GraphDef, TF Checkpoint veya TF Keras). |
| Channel Order | Modelinizin kanal sırasını channel-first (NCHW) veya channel-last (NHWC) olarak seçin. |
| Channel Width and Channel Height | Modelinizin giriş kanal boyutlarını girin. |
| Model Files | Modelinizin export edilmiş dosyalarını yükleyin (yalnızca zip formatı kabul edilir). |
| Label File | Her satırda bir model etiketi içeren dosyayı yükleyin (yalnızca txt formatı kabul edilir). |
- İşlemi tamamlamak için Save and Upload butonuna tıklayın.
NOTE: Başarılı bir dağıtım sağlamak için, eğitim yapılandırmanızın Cordatus'a eklenen yapılandırmalarla eşleştiğini doğrulayın. Model yapılandırmalarındaki herhangi bir tutarsızlık dağıtım hatalarına yol açabilir. Sorunsuz bir entegrasyon süreci sağlamak için bu yapılandırmaları dikkatlice inceleyin ve hizalayın.
2. Bir YOLO Modeli Ekleme
Bir YOLO modeli eklemek oldukça basittir. Yalnızca iki dosyaya ihtiyacınız vardır:
Weights (.pt) ve labels (.txt)
- Web Application'ın sol menüsünden Models sayfasına gidin.
- Add Model butonuna tıklayın.
- Aşağıdaki bilgileri doldurun:
| Alan | Değer |
|---|---|
| Model Label | Modeliniz için bir isim (örn. "Helmet Detector") |
| Algorithm Type | Object Detection, veya bir YOLO-SEG / YOLOE mimarisi için Instance Segmentation |
| Train Source | YOLO |
| Model Size | N, S, M, L veya X (Nano, Small, Medium, Large, Extra Large) |
| Model Files | .pt dosyanızı içeren ZIP dosyası |
| Label File | labels.txt dosyası (satır başına bir sınıf adı) |
- Save and Upload butonuna tıklayın.
NOTE: Bir YOLOE modeli ekliyorsanız, Label File farklı çalışır: modelin eğitildiği sınıfları listelemek yerine, YOLOE'nin 4.585 dahili sınıfından tespit etmek istediğiniz belirli sınıfları listeleyin (örneğin, önemsediğiniz sadece 12 sınıfı). Cordatus, her adı YOLOE'nin dahili kelime dağarcığındaki karşılık gelen sınıfa eşler, böylece iş yalnızca seçtiğiniz sınıfları raporlar.
Örnek labels.txt dosyası:
person
car
truck
bicycle
motorcycle
NOTE: Cordatus, YOLO
.ptdosyasını otomatik olarak ONNX'e ve ardından TensorRT motoruna dönüştürür. Bu süreç ilk dağıtım sırasında gerçekleşir ve biraz zaman alabilir.
Yükleme işlemi tamamlandıktan sonra, Cordatus model dosyalarınızı işleyecek ve hesabınıza güvenli bir şekilde kaydedecektir. Ardından bu modeli kullanarak bir iş başlatabilirsiniz. Daha fazla bilgi için Jobs bölümüne bakın.
Özel Bir Pipeline Oluşturma
Cordatus ile pipeline oluşturmak, kodlama gerektirmeyen zahmetsiz bir süreçtir. Kullanıcılar, sezgisel Cordatus Model Composer'ı kullanarak istenen modelleri sürükleyip bırakarak pipeline'larını kolayca tasarlayabilir.
Yeni Bir Pipeline Oluşturma Adımları
- Sol menüden Models sayfasına gidin.
- Sağ üst köşedeki New Model butonuna tıklayın.
- Açılır menüden Pipeline seçeneğini seçin.
- Model Composer açılacaktır. Pipeline'ınıza Dummy Stream ile başlayın. Bu, kamera akışınızı temsil eder ve tüm pipeline'lar için başlangıç noktası olarak hizmet eder.
- Dahil etmek istediğiniz modelleri sol kenar çubuğunda bulun ve Model Composer'a sürükleyin. Dummy Stream ve ilk model otomatik olarak bağlanacaktır.
- Modeller arasında bağlantı oluşturmak için bir modelin çıkışını sürükleyin ve başka bir modelin girişine bağlamak için bir çizgi çizin.
- Modeller arasındaki bir bağlantıyı kaldırmak için bağlantı çizgisinin giriş veya çıkış kısmını sürükleyip siyah alana bırakın.
- Pipeline'dan bir modeli kaldırmak için modelin başlığına sağ tıklayın ve Delete seçeneğini seçin.
- Save Pipeline butonuna tıklayın, Pipeline Label alanına pipeline'ınız için bir isim girin ve Save butonuna tıklayın.
Pipeline'ınız oluşturulduktan sonra dağıtıma hazırdır. Bu pipeline'ı kullanarak bir iş başlatma ayrıntıları için Jobs bölümüne bakın.
NOTE: Optimum performans ve verimlilik için, pipeline'ınızın bir object detection modeliyle başlaması ve bir classification modeliyle devam etmesi önerilir.
Bir YOLO modeli yüklerken hangi model boyutunu seçmeliyim?
| Boyut | Önerilen Kullanım |
|---|---|
| N (Nano) | Edge cihazlar, Jetson Nano, düşük güç tüketimi |
| S (Small) | Gömülü sistemler, Jetson Xavier NX |
| M (Medium) | Dengeli performans, genel kullanım |
| L (Large) | Yüksek doğruluk gerektiren uygulamalar |
| X (Extra Large) | Maksimum doğruluk, güçlü GPU'lar |
Bir sınıflandırma modeli bağımsız olarak kullanılabilir mi?
Hayır, sınıflandırma modelleri bir nesne tespit modeline bağlı bir pipeline içinde kullanılmalıdır.
Model ve Pipeline arasındaki fark nedir?
- Model: Bağımsız bir AI modeli (örn. PEOPLENET ile insan tespiti)
- Pipeline: Birden fazla modelin sıralı olarak çalıştığı bir akış (örn. Yüz tespiti → Cinsiyet tahmini → Yaş tahmini)
Bir pipeline'da kaç model kullanabilirim?
Teknik bir sınır yoktur, ancak performans için bir object detection modeliyle başlayıp classification modelleriyle devam etmeniz önerilir.
Copyright © 2025 Cordatus.