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 anlamak için telefonunun kamerasından nasıl yararlandığını hiç fark ettin mi? Tüm bu teknolojiler bilgisayarlı görüye dayanır.

Computer vision, makinelerin görseleri ve videoları görmesini ve anlamlandırmasını sağlayan bir yapay zeka dalıdır. Sadece görselleri kaydetmek yerine, bu sistemler nesneleri tanıyabilir, kalıpları belirleyebilir ve gördüklerini faydalı bilgilere dönüştürebilir.

Computer vision alanındaki son teknoloji açık kaynaklı modeller, Ultralytics YOLO26 gibi, nesne algılama, görüntü sınıflandırma, örnek bölütleme, poz tahmini ve nesne takibi dahil olmak üzere çeşitli görsel görevleri destekler. Bu modeller gerçek zamanlı olarak verimli çalışacak şekilde tasarlanmıştır ve geliştiricilerin farklı sektörlerde pratik uygulamalar oluşturmasını kolaylaştırır.

Bir bakışta 10 kolay bilgisayarlı görü projesi#

Yeni başlayanlar için 10 kolay bilgisayarlı görü projesi#

1. Görü destekli bir güvenlik alarm sistemi#

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

Örneğin, temel hareket sensörleri genellikle gölgeler, aydınlatma değişiklikleri veya küçük hareketler nedeniyle yanlış alarmları tetikler. Buna karşılık, bilgisayarlı görü ile desteklenen kamera tabanlı bir sistem, belirli nesneleri tanımlayarak doğruluğu önemli ölçüde artırabilir ve yanlış alarmları azaltabilir.

Her kamera karesini işleyen ve sahnedeki insanlar veya araçlar gibi önceden tanımlanmış nesneleri tespit eden Ultralytics YOLO26 kullanılarak gerçek zamanlı bir güvenlik izleme sistemi oluşturulabilir. İlgi çekici bir nesne belirlendiğinde, sistem bu nesnenin etrafına sınırlayıcı kutular (bounding boxes) çizer ve tahmine bir güven skoru atar.

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

Bir kapı girişi veya kısıtlı alan gibi bir ilgi alanı (ROI) da tanımlanabilir, böylece alarmlar yalnızca nesneler o 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.

2. Bilgisayarlı görü ile egzersiz takibi#

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

Böyle bir antrenman izleme sistemi, Ultralytics YOLO26 ve onun poz tahmini yetenekleri kullanılarak geliştirilebilir. Model her kareyi işler ve omuzlar, dirsekler, kalçalar ve dizler gibi temel vücut noktalarını tespit eder. Bu noktalar, kişinin duruşunu ve hareketini temsil eden dijital bir iskelet oluşturur.

Şekil 3. Egzersiz tekrarı takibi ve gerçek zamanlı otomatik sayımı (Kaynak)

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

3. Görü destekli araç park yönetimi#

AVM'ler, ofisler, havaalanları ve apartman kompleksleri gibi yerlerde park etmek sinir bozucu olabilir. Manuel alan 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 gerçek zamanlı olarak boş olduğunu gösterebilir.

Canlı kamera akışından araçları tespit etmek için Ultralytics YOLO26 kullanarak bir otopark yönetim sistemi oluşturabilirsin. Sistem her kareyi analiz eder ve sahnede arabaları tanımlar.

Şekil 4. Computer vision ile etkinleştirilen akıllı otopark yönetimi (Kaynak)

Ekrana park bölgeleri çizebilir ve tespit edilen bir arabanın bu bölgelerden herhangi biriyle örtüşüp örtüşmediğini kontrol edebilirsin. Eğer örtüşüyorsa, o yer dolu olarak işaretlenir. Aksi takdirde, boş kalmaya devam eder.

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

4. Görüntü sınıflandırma ile bitki türlerini tanımlama#

Bitki tanımlama; tarım, çevresel izleme ve eğitimde önemlidir. Çiftçiler mahsul sağlığını tespit etmek için, araştırmacılar biyoçeşitliliği incelemek için ve öğrenciler farklı türler hakkında bilgi edinmek için kullanırlar.

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 görsel sınıflandırma modeli oluşturabilirsin. Ultralytics YOLO26 gibi önceden eğitilmiş bir modelle başlayıp, transfer öğrenimi kullanarak etiketlenmiş bir bitki veri setinde ince ayar (fine-tune) yapabilirsin.

Eğitim sırasında model, türleri birbirinden ayırmak için yaprak şekli, doku ve renk farklılıkları gibi desenleri öğrenir. Başlamak için, etiketli görüntülere hızla erişmek adına Roboflow Universe gibi platformlardaki genel kullanıma açık bitki veri kümelerini veya düzenlenmiş topluluk veri kümelerini keşfedebilirsin.

5. Görü yapay zekası ile sıra yönetimi#

Sıra yönetim sistemleri bankalar, havaalanları, hastaneler ve perakende mağazaları gibi yerlerde kalabalık akışını izlemek ve bekleme süresini azaltmak için kullanılır. Özellikle bilgisayarlı görü ile canlı kamera kaynağından insanları sayabilir ve sıradaki insanları izleyebilirsin.

Kişi tespiti ve takibi için Ultralytics YOLO26 gibi bir bilgisayarla görü modeliyle entegre edilmiş bir queue-monitoring system, kuyruk yönetimini kolaylaştırabilir. Sistem her video karesini işleyebilir, bireyleri tespit edebilir ve önceden tanımlanmış bir kuyruk alanının içinde kaç kişi olduğunu sayabilir.

Şekil 5. Görü yapay zekası tarafından desteklenen havaalanında sıra yönetimi

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

6. Bölge tabanlı kalabalık algılama 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.

Ultralytics YOLO26 kullanarak her video karesindeki kişileri tespit edebilir ve ekranda özel bir bölge tanımlayabilirsin. Bu çözüm, yalnızca bu sınır içindeki bireyleri sayacak şekilde tasarlanabilir.

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

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

7. Üretimde 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 görü sistemleri kullanır.

Bir kameranın, ürünler bir konveyör bandı boyunca hareket ederken onları yakaladığı basit bir montaj hattını simüle edebilirsin. Ultralytics YOLO26 kullanan böyle bir sistem, gerekli tüm bileşenlerin mevcut ve düzgün yerleştirilmiş olup olmadığını kontrol edebilir.

Şekil 7. YOLO kullanarak bir montaj hattındaki paketleri algılama ve sayma

Bu tür bir sistem, ürünleri saymak, ambalajın kapalı olduğunu doğrulamak ve ürünlerin hattan çıkmadan önce doğru şekilde dizilip dizilmediğini kontrol etmek için de geliştirilebilir.

8. Görüntü bölütleme ile trafik izleme#

Trafik izleme genellikle araçları saymaktan daha fazlasını içerir. Yoğun kavşaklarda, araçların şeritler içinde nasıl konumlandığını ve ne kadar yol alanı kapladığını anlamak yardımcı olur.

Bir trafik izleme sistemi için, Ultralytics YOLO26'in örnek bölütleme (instance segmentation) desteğini kullanarak bir çözüm oluşturabilirsin. Temel nesne tespitinden farklı olarak, örnek bölütleme, tespit edilen her araç için piksel düzeyinde maskeler üreterek yalnızca bir sınırlayıcı kutu (bounding box) çizm asegurar bunun yerine tam şeklini çizer.

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

Bu bölümleme maskelerini analiz ederek sistem, şerit kullanımı, araç yoğunluğu ve trafik sıkışıklığı modelleri hakkında daha ayrıntılı içgörüler sağlayabilir.

9. Hız tahmini için bilgisayarlı görü kullanımı#

Hız tahmini, trafik izlemede, lojistikte ve akıllı ulaşım sistemlerinde yaygın olarak kullanılır. Computer vision ile, fiziksel sensörler veya radar kullanmadan doğrudan video görüntüleri üzerinden bir aracın hızını tahmin edebilirsin.

Şekil 9. YOLO kullanarak araçları takip etme (Kaynak)

Bir video akışındaki nesneleri tespit etmek ve takip etmek için Ultralytics YOLO26 kullanabilirsin. Bir aracın kareler arasında ne kadar hareket ettiğini ölçerek ve video kare hızını gerçek dünyadaki bir mesafe referansıyla birlikte kullanarak hızını tahmin edebilirsin.

10. Poz tahmini ile çalışan güvenliği izleme#

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

Buna bir örnek, çalışanların duruşunu gerçek zamanlı olarak analiz etmek için poz tahmini özellikli Ultralytics YOLO26 kullanmaktır. Model, omuzlar, kalçalar, dizler ve dirsekler gibi temel vücut noktalarını tespit eder. Sistem, eklem açılarını ve hareket kalıplarını değerlendirerek güvensiz eğilmeleri, yanlış kaldırma duruşunu veya düşmeye işaret edebilecek ani hareketleri belirleyebilir.

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

Ayrıca bir çalışanın gergin bir pozisyonda ne kadar süre kaldığını ölçebilir ve önceden tanımlanmış duruş eşikleri aşılırsa alarmları tetikleyebilir.

Bilgisayarlı 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 etmesine ve desenleri tanımasına olanak tanır.

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

Birçok modern bilgisayarlı görü sistemi, görüntüyle ilgili görevler için özel olarak tasarlanmış evrişimli sinir ağlarına (CNN'ler) dayanır. CNN'ler önemli görsel özellikleri otomatik olarak çıkarır ve bunları tahmin yapmak için kullanır.

Çoğu yeni başlayan projesi, birkaç temel görüntü görevi etrafında oluşturulmuştur. İşte karşılacağın ana görevler:

• Görüntü sınıflandırma: Bu görev, bir resmin kedi mi yoksa köpek mi olduğunu belirlemek gibi, görüntünün tamamına tek bir etiket atar.
• Nesne algılama: Bir görüntüdeki nesneler, bounding box kullanılarak yerleri belirlenir ve vurgulanır; örneğin bir sokak sahnesindeki arabaları, insanları veya bisikletleri tanımlamak gibi.
• Örnek bölütleme: Görüntüdeki her nesne piksel düzeyinde ayrıştırılır, böylece tam şekli ana hatlarıyla belirlenebilir; bu, kesin sınırlar gerektiğinde kullanışlıdır.
• Poz tahmini: Duruşu ve hareketi anlamak için görüntülerde omuzlar, dirsekler ve dizler gibi insan vücudundaki anahtar noktalar tanımlanır.
• Nesne takibi: Nesneler zaman içinde nasıl hareket ettiklerini izlemek için video kareleri boyunca takip edilir.

Şekil 1. Bilgisayarlı görü kullanarak nesneleri algılama örneği

Bilgisayarlı görünün artan etkisi#

Günümüzde vision AI birçok sektörde benimsenmektedir. Aslında, daha fazla kuruluş görsel zekayı sistemlerine entegre ettikçe, küresel computer vision pazarının yıllık %20'ye yakın bir büyüme ile 2030 yılına kadar 58 milyar dolara ulaşması bekleniyor.

Örneğin ulaşım, önemli bir büyüme alanıdır. Kendi kendine giden arabalarla ilgili olarak, bilgisayarlı görü araçların şeritleri, diğer araçları, yayaları ve trafik ışıklarını gerçek zamanlı olarak algılamasını sağlar.

Perakende bir diğer ilginç örnektir. Otomatize perakende mağazaları, müşterilerin aldığı ürünleri algılamak için bilgisayarlı görü ve sensör füzyonunu kullanarak kasasız alışverişi mümkün kılar.

Bu arada sağlık alanında bilgisayarlı görü, tıbbi görüntülemede X-ışınları, MR'lar ve BT görüntüleri gibi taramaları analiz etmek için yaygın olarak kullanılır; böylece klinisyenlerin anormallikleri tespit etmesine ve tanı koymasına yardımcı olur.

Bir görü yapay zeka projesine başlamadan önce dikkat edilmesi gerekenler#

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

• Hedefi net bir şekilde tanımla: Sistemin ne yapmasını istediğin konusunda spesifik ol; nesne tespiti mi, hareket takibi mi, poz tahmini mi yoksa görüntü sınıflandırma mı yapacağını belirt. Net bir hedef, proje boyunca teknik kararlarında sana daha iyi rehberlik edebilir.
• Veri kümesi kalitesine öncelik ver: İyi etiketlenmiş, çeşitli ve temsili veriler ve açıklamalar esastır. Düşük kaliteli veriler genellikle güvenilmez model performansına yol açar.
• Doğru araçları seç: İyi desteklenen ve çalışılması kolay araçları seç. Python, geniş bir computer vision kütüphaneleri ekosistemi ve öğrenme kaynakları sunduğu için yeni başlayanlar için yaygın bir seçimdir. Ultralytics YOLO ailesindeki modeller de nesne tespiti ve takibi gibi çeşitli görüntü görevleri için popülerdir, bu da onları pratik ve erişilebilir bir başlangıç noktası yapar.
• Gerçek dünya koşulları için optimizasyon: Aydınlatma değişiklikleri, kamera açıları, hareket bulanıklığı ve arka plan karmaşası performansı etkileyebilir. Sistemini, gerçekte kullanılacağı yere benzer koşullarda test et.
• Gizlilik ve etik hakkında düşün: İnsanların görüntüleri veya videolarıyla çalışıyorsan, veri gizliliği düzenlemelerini ve sorumlu yapay zeka uygulamalarını göz önünde bulundur. Verilerin uygun şekilde toplandığından ve kullanıldığından emin ol.

Öne çıkanlar#

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

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

Büyüyen topluluğumuza katıl ve yapay zeka kaynakları için GitHub deponuzu keşfet. Bugün vision AI ile geliştirmeler yapmak için lisanslama seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek tarımda yapay zekanın tarımı nasıl dönüştürdüğünü ve robotikte vision AI teknolojisinin geleceği nasıl şekillendirdiğini öğren.