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.

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.

Ultralytics YOLO26 gibi en güncel açık kaynak bilgisayarlı görü modelleri; nesne algılama, görüntü sınıflandırma, örnek bölütleme, poz tahmini ve nesne takibi dahil olmak üzere çeşitli görü görevlerini destekler. Bu modeller gerçek zamanlı olarak verimli çalışacak şekilde tasarlanmıştır, bu da geliştiricilerin farklı sektörlerde pratik uygulamalar oluşturmasını kolaylaştırır.

Link to this sectionBir bakışta 10 kolay bilgisayarlı görü projesi#

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

Link to this section1. 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.

Gerçek zamanlı bir güvenlik izleme sistemi, her kamera karesini işleyen ve sahnedeki insanlar veya araçlar gibi önceden tanımlanmış nesneleri algılayan Ultralytics YOLO26 kullanılarak oluşturulabilir. İlgi duyulan bir nesne tanımlandığında, sistem nesnenin etrafına bounding box çizer ve tahmine bir güven puanı atar.

Şekil 2. Ultralytics YOLO modeli kullanarak arka bahçede 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.

Link to this section2. 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 workout monitoring 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 tekrarlarının gerçek zamanlı takibi ve 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.

Link to this section3. 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 bir kamera kaynağından araçları tespit etmek için Ultralytics YOLO26 kullanarak bir park yönetim 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 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.

Link to this section4. 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 bitkinin fotoğrafından türünü tahmin eden bir görüntü sınıflandırma modeli oluşturabilirsin. YOLO26 gibi önceden eğitilmiş bir modelle başlayabilir ve transfer öğrenmeyi kullanarak etiketli bir bitki veri kümesi üzerinde ince ayar (fine-tuning) 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.

Link to this section5. 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 algılama ve takibi için YOLO26 gibi bir bilgisayarlı görü modeliyle entegre edilmiş bir sıra izleme sistemi, sıra yönetimini kolaylaştırabilir. Sistem her video karesini işleyebilir, bireyleri tespit edebilir ve önceden tanımlanmış bir sıra alanında kaç kişinin 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.

Link to this section6. 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.

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

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

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

Link to this section7. 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.

Ürünler bir taşıyıcı bant üzerinde hareket ederken onları görüntüleyen basit bir montaj hattını simüle edebilirsin. YOLO26 kullanarak böyle bir sistem, gerekli tüm bileşenlerin mevcut olup olmadığını ve doğru yerleştirilip yerleştirilmediğini 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.

Link to this section8. 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.

Trafik izleme sistemi için, YOLO26'nın örnek bölümleme (instance segmentation) desteğini kullanarak bir çözüm oluşturabilirsin. Temel nesne tespitinden farklı olarak örnek bölümleme, tespit edilen her araç için piksel düzeyinde maskeler oluşturur ve sadece bir sınırlayıcı kutu çizmek yerine tam şeklini ana hatlarıyla belirtir.

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

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

Link to this section9. Hız tahmini için bilgisayarlı görü kullanımı#

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

Şekil 9. YOLO kullanarak araçları takip etme (Kaynak)

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

Link to this section10. 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.

Bir örnek, çalışanların duruşunu gerçek zamanlı analiz etmek için poz tahmini ile YOLO26 kullanmaktır. Model; omuzlar, kalçalar, dizler ve dirsekler gibi temel vücut noktalarını tespit eder. Eklem açılarını ve hareket modellerini değerlendirerek sistem, güvenli olmayan eğilmeleri, hatalı kaldırma duruşunu veya düşmeye işaret edebilecek ani hareketleri tanımlayabilir.

Şekil 10. İnşaat işçilerinin duruşunu analiz etmek için insan pozu tahmini kullanımı (Source)

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

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 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 vision tasks etrafında inşa edilir. İşte karşılaşacağın başlıca 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

Link to this sectionBilgisayarlı görünün artan etkisi#

Günümüzde görü yapay zekası birçok sektörde benimseniyor. Aslında, küresel bilgisayarlı görü pazarının, giderek daha fazla kuruluşun görsel zekayı sistemlerine entegre etmesiyle, yıllık yaklaşık %20 büyüyerek 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.

Link to this sectionBir 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 üzerinde çalışılması kolay araçları seç. Python, büyük bir bilgisayarlı görü kütüphanesi ekosistemi ve öğrenme kaynakları sunduğu için yeni başlayanlar için yaygın bir tercihtir. Ultralytics YOLO ailesinden modeller, nesne algılama ve takip gibi çeşitli görü 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.

Link to this sectionÖne 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 depomuzu keşfet. Bugün yapay görme ile bir şeyler inşa etmek için lisanslama seçeneklerimize göz at. Tarımda yapay zekanın tarımı nasıl dönüştürdüğünü ve robotikte yapay görmenin geleceği nasıl şekillendirdiğini öğrenmek için çözüm sayfalarımızı ziyaret et.