Uygulamalı öğrenme için 10 kolay bilgisayarlı görü projesi

Trafik kameralarının araçları nasıl otomatik olarak tespit ettiğini, mağazaların raflardaki ürünleri takip etmek için güvenlik kameralarını nasıl kullandığını veya fitness uygulamalarının hareketlerini gerçek zamanlı olarak anlamak için telefonunun kamerasını nasıl kullandığını hiç fark ettin mi? Tüm bu teknolojiler bilgisayarlı görüye dayanır.

Bilgisayarlı görü, makinelerin görüntüleri ve videoları görmesine ve anlamlandırmasına yardımcı olan bir yapay zeka dalıdır. Bu sistemler, sadece görselleri kaydetmek yerine nesneleri tanıyabilir, desenleri tanımlayabilir ve gördüklerini faydalı bilgilere dönüştürebilir.

Günümüzde bilgisayarlı görü; üretim, sağlık ve perakende gibi sektörlerde geniş bir pratik kullanım yelpazesiyle kullanılmaktadır. Bu sistemler, işletmelerin ortamları izlemesini, doğruluğu artırmasını ve değişikliklere daha hızlı yanıt vermesini sağlayarak günlük gerçek dünya senaryolarında çalışır.

Ultralytics YOLO26 gibi son teknoloji açık kaynaklı bilgisayarlı görü modelleri; nesne algılama, görüntü sınıflandırma, örnek bölütleme (instance segmentation), poz kestirimi ve nesne takibi dahil olmak üzere çeşitli görü görevlerini destekler. Bu modeller gerçek zamanlı olarak verimli çalışacak şekilde tasarlanmıştır ve geliştiricilerin farklı sektörlerde pratik uygulamalar geliştirmesini kolaylaştırır.

Bilgisayarlı görüye yeni başlıyorsan, öğrenmenin en iyi yollarından biri vizyon yapay zeka çözümleri geliştirmektir. Uygulamalı örnekler üzerinde çalışmak, modellerin nasıl çalıştığını ve gerçek dünya durumlarında nasıl kullanılabileceklerini anlamanı kolaylaştırabilir.

Bu makalede, hemen geliştirmeye başlayabileceğin 10 yeni başlayan dostu bilgisayarlı görü projesini inceleyeceğiz. Hadi başlayalım!

Link to this sectionBilgisayarlı görünün nasıl çalıştığını anlamak#

Bilgisayarlı görü; makinelerin görüntüleri ve videoları anlamasına yardımcı olmak için derin öğrenme, makine öğrenmesi ve diğer teknikleri kullanan bir yapay zeka alanıdır. Sistemlerin görsel verileri analiz etmesini ve desenleri tanımasını sağlar.

Süreç genellikle görsel verilerin temizlendiği, yeniden boyutlandırıldığı veya analiz edilmeden önce iyileştirildiği görüntü işleme veya veri ön işleme ile başlar. Ardından, şekiller, kenarlar, dokular ve nesne özellikleri gibi desenleri öğrenebilmesi için bir sinir ağı geniş veri kümeleri üzerinde eğitilir. Genel olarak, bir model ne kadar yüksek kaliteli veriyle eğitilirse, farklı gerçek dünya senaryolarında o kadar iyi performans gösterir.

Modern bilgisayarlı görü sistemlerinin çoğu, görüntüyle ilgili görevler için özel olarak tasarlanmış evrişimli sinir ağlarına (CNN'ler) dayanır. CNN'ler, önemli görsel özellikleri otomatik olarak çıkarır ve bunları tahminler yapmak için kullanır. Geliştiriciler, oluşturmayı ve test etmeyi kolaylaştıran popüler derin öğrenme çerçevelerini kullanarak genellikle bu modelleri veya algoritmaları eğitirler.

Çoğu başlangıç projesi birkaç temel görü görevi etrafında inşa edilir. İşte karşılaşacağın ana görevler:

• Görüntü sınıflandırma: Bu görev, bir resmin kedi mi yoksa köpek mi olduğunu belirlemek gibi, tüm görüntüye tek bir etiket atar.
• Nesne algılama: Bir görüntü içindeki nesneler, örneğin sokak sahnesindeki arabaları, insanları veya bisikletleri tanımlamak gibi, sınırlayıcı kutular (bbox) kullanılarak konumlandırılır ve vurgulanır.
• Örnek bölütleme (Instance segmentation): Görüntüdeki her nesne piksel düzeyinde ayrıştırılır, böylece kesin sınırların gerekli olduğu durumlarda tam şekli dış hatlarıyla belirtilebilir.
• Poz kestirimi: Duruşu ve hareketi anlamak için omuz, dirsek ve diz gibi insan vücudundaki temel noktalar görüntülerde tanımlanır.
• Nesne takibi: Nesneler zaman içinde nasıl hareket ettiklerini izlemek için video kareleri boyunca takip edilir.

Şekil 1. Bilgisayarlı görü kullanarak nesne algılama örneği

Link to this sectionBilgisayarlı görünün artan etkisi#

Günümüzde vizyon yapay zekası birçok sektörde benimsenmektedir. Aslında, küresel bilgisayarlı görü pazarının 2030 yılına kadar 58 milyar dolara ulaşması ve giderek daha fazla kuruluşun görsel zekayı sistemlerine entegre etmesiyle yıllık %20'ye yakın büyümesi bekleniyor.

Örneğin, ulaşım büyük bir büyüme alanıdır. Kendi kendine giden araçlar söz konusu olduğunda, bilgisayarlı görü araçların şeritleri, diğer araçları, yayaları ve trafik ışıklarını gerçek zamanlı olarak algılamasını sağlar.

Perakende bir diğer ilginç örnektir. Otomatik perakende mağazaları, müşterilerin aldığı ürünleri algılamak için bilgisayarlı görü ve sensör füzyonunu kullanarak kasasız alışveriş imkanı sunar.

Bu arada sağlık sektöründe bilgisayarlı görü, X-ışını, MR ve BT görüntüleri gibi taramaları analiz etmek için tıbbi görüntülemede yaygın olarak kullanılır; böylece klinisyenlerin anormallikleri tespit etmesine ve teşhisi desteklemesine yardımcı olur. Daha büyük yapay zeka sistemlerinde, görsel verileri klinik notlar, raporlar veya hasta kayıtlarıyla birleştirerek daha kapsamlı analizler yapmak için doğal dil işleme (NLP) ile birlikte çalışabilir.

Link to this sectionYeni başlayanlar için 10 kolay bilgisayarlı görü projesi#

Artık bilgisayarlı görünün nasıl çalıştığına ve nerelerde kullanıldığına dair daha iyi bir anlayışa sahip olduğumuza göre, bugün geliştirmeye başlayabileceğin yeni başlayan dostu bilgisayarlı görü projelerine daha yakından bakalım.

Link to this sectionGörü odaklı bir güvenlik alarm sistemi#

Güvenlik sistemleri evlerde, ofislerde ve depolarda alanları güvenli tutmak için kullanılır. Geleneksel sensör tabanlı sistemler, özellikle değişen ortamlarda her zaman güvenilir değildir.

Örneğin, temel hareket sensörleri genellikle gölgeler, ışık değişimleri veya küçük hareketler nedeniyle yanlış alarmları tetikler. Buna karşılık, bilgisayarlı görüyle çalışan kamera tabanlı bir sistem, ilgilenilen belirli nesneleri tanımlayarak doğruluğu önemli ölçüde artırabilir ve yanlış uyarıları azaltabilir.

Her kamera karesini işleyen ve sahne içindeki insanlar veya araçlar gibi önceden tanımlanmış nesneleri tespit eden Ultralytics YOLO26 kullanılarak gerçek zamanlı bir güvenlik izleme sistemi oluşturulabilir. İlgi çekici bir nesne tanımlandığında, sistem onun etrafına sınırlayıcı kutular çizer ve tahmine bir güven puanı atar.

Şekil 2. Bir Ultralytics YOLO modeli kullanarak arka bahçedeki birini tespit etme (Kaynak)

Bir kapı girişi veya kısıtlı alan gibi bir ilgi bölgesi (ROI) de tanımlanabilir, böylece uyarılar yalnızca nesneler belirlenen bölgeye girdiğinde tetiklenir. Bu tür bir proje, gerçek zamanlı nesne algılamanın nasıl çalıştığına ve model çıktılarının bildirimler veya alarmlar gibi otomatik eylemlerle nasıl entegre edilebileceğine aşina olmana yardımcı olabilir.

Link to this sectionBilgisayarlı görü kullanarak antrenman takibi#

Birçok fitness uygulaması, tekrarları saymak ve hareketi takip etmek için kamera kullanır. Kamera videoyu yakalarken, bilgisayarlı görü vücut hareketini gerçek zamanlı olarak analiz eder.

Böyle bir antrenman takibi sistemi, Ultralytics YOLO26 ve onun poz kestirimi yetenekleri kullanılarak geliştirilebilir. Model her kareyi işler ve omuz, dirsek, kalça ve diz gibi temel vücut noktalarını tespit eder. Bu noktalar, kişinin duruşunu ve hareketini temsil eden dijital bir iskelet oluşturur.

Şekil 3. Gerçek zamanlı takip ve otomatik egzersiz tekrarı sayımı (Kaynak)

Squat veya şınav gibi egzersizler yapılırken, tekrarları tahmin etmek için eklem açılarındaki değişiklikler ölçülebilir. Örneğin, squat sırasında dizin nasıl bükülüp düzleştiğini takip ederek sistem her tamamlanan tekrarı sayabilir.

Link to this sectionVizyon destekli araç park yönetimi#

Park yeri bulmak alışveriş merkezleri, ofisler, havaalanları ve apartman kompleksleri gibi yerlerde sinir bozucu olabilir. Manuel yer kontrolleri zaman alır ve temel sensörler yalnızca tek bir noktanın dolu olup olmadığını gösterir. Kamera tabanlı bir sistem, tüm park alanını aynı anda izleyebilir ve hangi alanların boş olduğunu gerçek zamanlı olarak gösterebilir.

Bu, sürücülerin park yerini hızlı bir şekilde bulmasını kolaylaştırır ve otopark içindeki gereksiz trafiği azaltır. Ayrıca mülk yöneticilerinin alanların gün boyunca nasıl kullanıldığını anlamalarına yardımcı olur.

Canlı kamera beslemesinden araçları tespit etmek için Ultralytics YOLO26 kullanarak bir park yönetimi sistemi oluşturabilirsin. Sistem her kareyi analiz eder ve sahnedeki arabaları tanımlar.

Şekil 4. Bilgisayarlı görü ile etkinleştirilen akıllı park yönetimi (Kaynak)

Ekrana park bölgeleri çizebilir ve tespit edilen bir arabanın bu bölgelerden herhangi biriyle çakışıp çakışmadığını kontrol edebilirsin. Eğer çakışıyorsa, o nokta dolu olarak işaretlenir. Aksi takdirde, kullanılabilir kalır.

Sistemi genişletmek için plaka algılama ekleyebilir ve giriş veya erişim kontrolü için plaka numaralarını okumak üzere optik karakter tanıma (OCR) uygulayabilirsin.

Link to this sectionGörüntü sınıflandırma ile bitki türlerini tanımlama#

Bitki tanımlama tarım, çevresel izleme ve eğitimde önemlidir. Çiftçiler mahsul sağlığını tespit etmek, araştırmacılar biyolojik çeşitliliği incelemek ve öğrenciler farklı türler hakkında bilgi edinmek için bunu kullanır.

Geleneksel bitki tanımlama genellikle uzman bilgisi ve manuel karşılaştırma gerektirir, bu da zaman alıcı ve tutarsız olabilir. Bilgisayarlı görü, görüntüleri otomatik olarak analiz ederek bu süreci hızlandırır ve ölçeklendirir.

Bu tür bir çözüm için, bir fotoğraftan bitkinin türünü tahmin eden bir görüntü sınıflandırma modeli oluşturabilirsin. YOLO26 gibi önceden eğitilmiş bir modelle başlayabilir ve transfer öğrenimini kullanarak etiketlenmiş bir bitki veri kümesi üzerinde ince ayar yapabilirsin.

Eğitim sırasında model, türleri birbirinden ayırmak için yaprak şekli, dokusu ve renk farklılıkları gibi desenleri öğrenir. Bu projeye başlamak için, etiketlenmiş görüntülere hızlıca erişmek amacıyla halka açık bitki veri kümelerini veya Roboflow Universe gibi platformlardaki küratörlü topluluk veri kümelerini keşfedebilirsin.

Link to this sectionVizyon yapay zekası ile kuyruk yönetimi#

Kuyruk yönetimi sistemleri; bankalar, havaalanları, hastaneler ve perakende mağazaları gibi yerlerde kalabalık akışını izlemek ve bekleme süresini azaltmak için kullanılır. Özellikle bilgisayarlı görü ile canlı kamera beslemesini kullanarak bir sıradaki insanları sayabilir ve izleyebilirsin.

Kişi tespiti ve takibi için YOLO26 gibi bir bilgisayarlı görü modeliyle entegre edilmiş bir kuyruk izleme sistemi, kuyruk yönetimini kolaylaştırabilir. Sistem her video karesini işleyebilir, bireyleri tespit edebilir ve önceden tanımlanmış bir kuyruk alanı içinde kaç kişinin olduğunu sayabilir.

Şekil 5. Vizyon yapay zekası tarafından desteklenen havaalanında kuyruk yönetimi

Nesne algılamayı basit bir takip mantığıyla birleştirerek, kuyruğun uzunluğunu tahmin edebilir ve hatta sıranın ne kadar hızlı ilerlediğine bağlı olarak bekleme süresi hakkında bir fikir edinebilirsin.

Link to this sectionBölge tabanlı kalabalık tespiti ve izleme#

Belirli bir alandaki insanları saymak; etkinlikler, kamusal alanlar ve güvenlik yönetimi için önemlidir. Karedeki herkesi saymak yerine, sadece giriş, bekleme alanı veya kısıtlı bölge gibi seçili bir bölgeye odaklanabilirsin.

Özellikle YOLO26 kullanarak her video karesindeki insanları tespit edebilir ve ardından ekranda özel bir bölge tanımlayabilirsin. Bu çözüm, yalnızca o sınır içindeki bireyleri sayacak şekilde tasarlanabilir.

Şekil 6. Bölge tabanlı sayım kullanılarak kalabalık izleme (Kaynak)

Bu yaklaşım, hedeflenen alanlardaki kalabalık yoğunluğunu izlemene ve doluluk oranının zaman içinde nasıl değiştiğini anlamana yardımcı olur.

Link to this sectionÜretimde kalite kontrol#

Üretimde, eksik bileşenler veya yanlış yerleştirme gibi küçük hatalar ürün kalitesini etkileyebilir ve iadelere yol açabilir. Bu sorunları azaltmak için birçok üretim hattı, ürünler bir sonraki aşamaya geçmeden önce kusur tespiti için vizyon sistemleri kullanır.

Ürünler bir konveyör bandı üzerinde hareket ederken kameranın ürünleri yakaladığı basit bir montaj hattını simüle edebilirsin. YOLO26 kullanarak böyle bir sistem, tüm gerekli bileşenlerin mevcut olup olmadığını ve doğru yerleştirilip yerleştirilmediğini kontrol edebilir. Öznitelik çıkarma yoluyla önemli görsel detayları analiz ederek eksik parçaları, hasarlı ürünleri veya yanlış paketlemeyi tespit edebilir.

Şekil 7. YOLO kullanarak montaj hattında paketleri algılama ve sayma

Bu tür bir sistem; ürünleri saymak, paketlemenin mühürlü olduğunu doğrulamak ve ürünler hattan çıkmadan önce doğru şekilde düzenlenip düzenlenmediğini kontrol etmek için de geliştirilebilir. Bu proje, bilgisayarlı görünün gerçek fabrikalarda sorunları erkenden yakalamak ve tutarlı ürün kalitesini korumak için nasıl kullanıldığını vurgular.

Link to this sectionGörüntü bölütleme ile trafik izleme#

Trafik izleme genellikle sadece araçları saymaktan fazlasını içerir. Yoğun kavşaklarda, araçların şeritler içinde nasıl konumlandığını ve ne kadar yol alanı kapladıklarını anlamaya yardımcı olur.

Bir trafik izleme sistemi için, YOLO26'nın örnek bölütleme desteğini kullanarak bir çözüm oluşturabilirsin. Temel nesne algılamadan farklı olarak örnek bölütleme, her tespit edilen araç için piksel düzeyinde maskeler oluşturur ve sadece sınırlayıcı kutu çizmek yerine aracın tam şeklini ana hatlarıyla belirtir.

Şekil 8. Gerçek zamanlı araç bölütleme, sayma ve takip (Kaynak)

Bu bölütleme maskelerini analiz ederek sistem; şerit kullanımı, araç yoğunluğu ve sıkışıklık modelleri hakkında daha ayrıntılı bilgiler sağlayabilir. Bu ek hassasiyet düzeyi, trafik akışını izlemeyi, tıkanıklıkları belirlemeyi ve yol alanının ne kadar verimli kullanıldığını değerlendirmeyi kolaylaştırır.

Link to this sectionHız kestirimi için bilgisayarlı görü kullanımı#

Hız kestirimi, trafik izleme, lojistik ve akıllı ulaşım sistemlerinde yaygın olarak kullanılır. Bilgisayarlı görü ile fiziksel sensörler veya radar kullanmadan doğrudan video görüntülerinden bir aracın hızını tahmin edebilirsin.

Şekil 9. YOLO kullanarak araçları takip etme (Kaynak)

Örneğin, bir video akışındaki nesneleri tespit etmek ve takip etmek için YOLO26 kullanabilirsin. Bir aracın kareler arasında ne kadar hareket ettiğini ölçerek ve video kare hızıyla birlikte gerçek dünya mesafe referansını kullanarak hızını tahmin edebilirsin.

Link to this sectionPoz kestirimi ile işçi güvenliği izleme#

İşçi güvenliği; şantiyeler, fabrikalar ve depolar gibi ortamlarda kritiktir. Güvensiz duruş, yanlış kaldırma teknikleri veya ani düşüşler yaralanma riskini önemli ölçüde artırabilir.

Bilgisayarlı görü sistemleri, potansiyel güvenlik endişelerini belirlemeye yardımcı olmak için video analizi yoluyla hareket modellerini izleyebilir. Bir örnek, işçilerin duruşunu gerçek zamanlı olarak analiz etmek için poz kestirimi ile YOLO26 kullanmaktır.

Model omuz, kalça, diz ve dirsek gibi temel vücut noktalarını tespit eder. Eklem açılarını ve hareket modellerini değerlendirerek sistem; güvensiz eğilmeyi, zayıf kaldırma duruşunu veya düşüşe işaret edebilecek ani hareketleri tanımlayabilir.

Şekil 10. İnşaat işçilerinin duruşunu analiz etmek için insan poz kestirimi kullanma (Kaynak)

Ayrıca bir işçinin ne kadar süre zorlanmış bir pozisyonda kaldığını ölçebilir ve önceden tanımlanmış duruş eşikleri aşılırsa uyarıları tetikleyebilir.

Link to this sectionVizyon yapay zeka projesine başlamadan önce dikkat edilmesi gerekenler#

Vizyon yapay zeka projen için önceden planlama yapmak, yaygın hatalardan kaçınmana ve daha güvenilir bir sistem oluşturmana yardımcı olabilir. İşte bir bilgisayarlı görü projesine başlamadan önce dikkate alman gereken birkaç pratik faktör:

• Hedefi net bir şekilde tanımla: Sistemin ne yapmasını istediğin konusunda spesifik ol; ister nesneleri tespit etmek, hareketi takip etmek, poz kestirmek veya görüntüleri sınıflandırmak olsun. Net bir hedef, proje boyunca teknik kararlarını daha iyi yönlendirebilir.
• Veri kümesi kalitesini önceliklendir: İyi etiketlenmiş, çeşitli ve temsil gücü yüksek veriler ve ek açıklamalar esastır. Düşük kaliteli veriler genellikle güvenilmez model performansına yol açar.
• Doğru araçları seç: İyi desteklenen ve üzerinde çalışılması kolay araçları seç. Python, büyük bir bilgisayarlı görü kütüphanesi ekosistemi ve öğrenme kaynakları sunduğu için yeni başlayanlar için yaygın bir seçimdir. Ultralytics YOLO ailesinden modeller de nesne algılama ve takip gibi çeşitli görü görevleri için popülerdir, bu da onları pratik ve erişilebilir bir başlangıç noktası haline getirir.
• Gerçek dünya koşulları için optimizasyon: Işık değişimleri, kamera açıları, hareket bulanıklığı ve arka plan karmaşası performansı etkileyebilir. Sistemin, gerçekte kullanılacağı koşullara benzer koşullarda test et.
• Gizlilik ve etik hakkında düşün: İnsanların görüntüleri veya videoları ile çalışıyorsan, veri gizliliği düzenlemelerini ve sorumlu yapay zeka uygulamalarını göz önünde bulundur. Verilerin uygun şekilde toplandığından ve kullanıldığından emin ol.

Link to this sectionÖnemli çıkarımlar#

Bilgisayarlı görü, sistemlerin görsel verileri anlama biçimini değiştiriyor. Pratik proje fikirlerini ve gerçek dünya uygulamalarını keşfederek, yeni başlayanlar hızlıca uygulamalı deneyim kazanabilir.

Ultralytics YOLO26 gibi modeller, başlamayı ve sonuçları daha hızlı görmeyi kolaylaştırır. Net hedefler ve kaliteli verilerle, daha ileri düzey bilgisayarlı görü sistemleri için sağlam bir temel oluşturabilirsin.

Büyüyen topluluğumuza katıl ve yapay zeka kaynakları için GitHub depomuza göz at. Bugün vision AI ile bir şeyler inşa etmek için lisanslama seçeneklerimize bak. Çözüm sayfalarımızı ziyaret ederek tarımda yapay zekanın çiftçiliği nasıl dönüştürdüğünü ve robotikte vision AI'ın geleceği nasıl şekillendirdiğini öğren.