Uygulamalı öğrenme için 10 kolay bilgisayarlı görü projesi

Trafik kameralarının araçları otomatik olarak algıladığını, mağazaların raflardaki ürünleri takip etmek için gözetim kameraları kullandığını veya fitness uygulamalarının hareketlerini gerçek zamanlı olarak anlamak için telefonunun kamerasından yararlandığını hiç fark ettin mi? Tüm bu teknolojiler bilgisayarlı görüye dayanır.

Bilgisayarlı görü, makinelerin görüntüleri ve videoları görmesine ve anlamlandırmasına yardımcı olan bir yapay zekâ dalıdır. Bu sistemler yalnızca görsel kayıtları almakla kalmaz; nesneleri tanıyabilir, örüntüleri belirleyebilir ve gördüklerini yararlı bilgilere dönüştürebilir.

Bilgisayarlı görü alanındaki son teknoloji açık kaynaklı modeller, örneğin Ultralytics YOLO26, nesne algılama, görüntü sınıflandırma, örnek segmentasyonu, poz tahmini ve nesne takibi dâhil olmak üzere çeşitli görü görevlerini destekler. Bu modeller gerçek zamanlı olarak verimli çalışacak şekilde tasarlanmıştır ve geliştiricilerin farklı sektörlerde pratik uygulamalar oluşturmasını kolaylaştırır.

Özetle bilgisayarlı görü için 10 kolay proje#

Yeni başlayanlar için bilgisayarlı görüyle yapılabilecek 10 kolay proje#

1. Görü destekli güvenlik alarm sistemi#

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

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

Ultralytics YOLO26 kullanarak, her kamera karesini işleyen ve sahnedeki insanlar veya araçlar gibi önceden tanımlanmış nesneleri algılayan gerçek zamanlı bir güvenlik izleme sistemi oluşturabilirsin. İlgilenilen bir nesne tanımlandığında sistem, nesnenin çevresine sınırlayıcı kutular çizer ve tahmine bir güven skoru atar.

Şekil 2. Ultralytics YOLO modeli kullanarak arka bahçedeki birini algılama (Kaynak)

Bir kapı veya kısıtlı alan gibi bir ilgi bölgesi (ROI) de tanımlanabilir; böylece uyarılar yalnızca nesneler belirlenen bu alana girdiğinde tetiklenir. Bu tür bir proje, gerçek zamanlı nesne algılamanın nasıl çalıştığını ve model çıktılarının bildirimler veya alarmlar gibi otomatik eylemlerle nasıl bütünleştirilebileceğini öğrenmene yardımcı olabilir.

2. Bilgisayarlı görüyle antrenman izleme#

Birçok fitness uygulaması tekrarları saymak ve hareketleri takip etmek için kamera kullanır. Kamera video kaydederken bilgisayarlı görü vücut hareketlerini gerçek zamanlı olarak analiz eder.

Bu tür bir antrenman izleme sistemi, Ultralytics YOLO26 ve poz tahmini özellikleri kullanılarak geliştirilebilir. Model her kareyi işler ve omuzlar, dirsekler, kalçalar ve dizler gibi temel vücut noktalarını algılar. 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 yapılırken tekrar sayısını tahmin etmek için eklem açılarındaki değişimler ölçülebilir. Örneğin sistem, squat sırasında dizin nasıl bükülüp düzeldiğini takip ederek tamamlanan her tekrarı sayabilir.

3. Görü destekli araç park yönetimi#

Alışveriş merkezleri, ofisler, havaalanları ve apartman kompleksleri gibi yerlerde park yeri bulmak can sıkıcı olabilir. Park yerlerini manuel olarak kontrol etmek zaman alır ve temel sensörler yalnızca tek bir park yerinin dolu olup olmadığını gösterir. Kamera tabanlı bir sistem tüm otoparkı aynı anda izleyebilir ve hangi yerlerin boş olduğunu gerçek zamanlı olarak gösterebilir.

Canlı kamera akışından araçları algılamak için Ultralytics YOLO26 kullanarak bir otopark yönetim sistemi oluşturabilirsin. Sistem her kareyi analiz eder ve sahnedeki araçları tanımlar.

Şekil 4. Bilgisayarlı görü destekli akıllı otopark yönetimi (Kaynak)

Ekrana park bölgeleri çizebilir ve algılanan bir aracın bu bölgelerden herhangi biriyle kesişip kesişmediğini kontrol edebilirsin. Kesişiyorsa o park yeri dolu olarak işaretlenir. Kesişmiyorsa boş kalır.

Sistemi geliştirmek için plaka algılama ekleyebilir ve kayıt tutmak veya erişim kontrolü sağlamak amacıyla plaka numaralarını okumak için optik karakter tanıma (OCR) uygulayabilirsin.

4. Görüntü sınıflandırmayla bitki türlerini belirleme#

Bitki tanımlama; tarım, çevresel izleme ve eğitim alanlarında önemlidir. Çiftçiler bunu ürün sağlığını tespit etmek, araştırmacılar biyolojik çeşitliliği incelemek, öğrenciler ise farklı türleri öğrenmek için kullanır.

Geleneksel bitki tanımlama genellikle uzmanlık bilgisi ve elle karşılaştırma gerektirir; bu da zaman alıcı ve tutarsız olabilir. Bilgisayarlı görü, görüntüleri otomatik olarak analiz ederek bu süreci hızlandırır ve ölçeklenebilir hâle getirir.

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

Eğitim sırasında model, türleri ayırt etmek için yaprak şekli, doku ve renk farklılıkları gibi örüntüleri öğrenir. Başlamak için herkese açık bitki veri kümelerini veya etiketli görüntülere hızlıca erişmek üzere Roboflow Universe gibi platformlardaki derlenmiş topluluk veri kümelerini inceleyebilirsin.

5. Görü yapay zekâsıyla kuyruk yönetimi#

Kuyruk yönetimi sistemleri; kalabalık akışını izlemek ve bekleme sürelerini azaltmak için bankalar, havaalanları, hastaneler ve perakende mağazaları gibi yerlerde kullanılır. Özellikle bilgisayarlı görüyle canlı kamera akışından sıradaki kişileri sayabilir ve izleyebilirsin.

Kişi algılama ve takibi için Ultralytics YOLO26 gibi bir bilgisayarlı görü modeliyle entegre edilmiş bir kuyruk izleme sistemi, kuyruk yönetimini kolaylaştırabilir. Sistem her video karesini işleyebilir, kişileri algılayabilir ve önceden tanımlanmış bir kuyruk alanındaki kişi sayısını belirleyebilir.

Şekil 5. Görü yapay zekâsıyla desteklenen havaalanı kuyruk yönetimi

Nesne algılamayı basit bir takip mantığıyla birleştirerek kuyruğun uzunluğunu tahmin edebilir, hatta sıranın ne kadar hızlı ilerlediğine bağlı olarak bekleme süresi hakkında 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 giriş, bekleme alanı veya kısıtlı bölge gibi seçilmiş bir alana odaklanabilirsin.

Ultralytics YOLO26 kullanarak her video karesinde insanları algılayabilir ve ekranda özel bir bölge tanımlayabilirsin. Bu çözüm, yalnızca bu sınırın içindeki kişileri sayacak şekilde tasarlanabilir.

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

Bu yaklaşım, hedeflenen alanlardaki kalabalık yoğunluğunu izlemeni ve doluluk oranının zaman içinde nasıl değiştiğini anlamanı sağlar.

7. Üretimde kalite kontrolü#

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

Bir kameranın konveyör bant üzerinde ilerleyen ürünleri kaydettiği basit bir montaj hattını simüle edebilirsin. Ultralytics YOLO26 kullanan böyle bir sistem, gerekli tüm bileşenlerin mevcut ve doğru yerleştirilmiş olup olmadığını kontrol edebilir.

Şekil 7. YOLO kullanarak montaj hattındaki paketleri algılama ve sayma

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

8. Görüntü segmentasyonuyla trafik izleme#

Trafik izleme çoğu zaman araçları saymaktan fazlasını gerektirir. Yoğun kavşaklarda araçların şeritlerde nasıl konumlandığını ve ne kadar yol alanı kapladığını anlamaya yardımcı olur.

Trafik izleme sistemi için Ultralytics YOLO26'nın örnek segmentasyonu desteğini kullanarak bir çözüm geliştirebilirsin. Temel nesne algılamadan farklı olarak örnek segmentasyonu, algılanan her araç için piksel düzeyinde maskeler oluşturarak yalnızca bir sınırlayıcı kutu çizmek yerine aracın tam şeklini belirginleştirir.

Şekil 8. Gerçek zamanlı araç segmentasyonu, sayımı ve takibi (Kaynak)

Sistem, bu segmentasyon maskelerini analiz ederek şerit kullanımı, araç yoğunluğu ve trafik sıkışıklığı örüntüleri hakkında daha ayrıntılı bilgiler sunabilir.

9. Hız tahmini için bilgisayarlı görü kullanımı#

Hız tahmini trafik izlemede, lojistikte ve akıllı ulaşım sistemlerinde yaygın olarak kullanılır. Bilgisayarlı görü sayesinde fiziksel sensör veya radar kullanmadan doğrudan video görüntülerinden araç hızını tahmin edebilirsin.

Şekil 9. YOLO kullanarak araçları izleme (Kaynak)

Ultralytics YOLO26'yı bir video akışındaki nesneleri algılamak ve izlemek için kullanabilirsin. Bir aracın kareler arasında ne kadar ilerlediğini ölçerek, video kare hızını ve gerçek dünyadaki bir mesafe referansını kullanıp aracın hızını tahmin edebilirsin.

10. Poz tahminiyle çalışan güvenliği izleme#

İnşaat sahaları, fabrikalar ve depolar gibi ortamlarda çalışan güvenliği kritik öneme sahiptir. Güvenli olmayan duruşlar, yanlış kaldırma teknikleri veya ani düşmeler yaralanma riskini önemli ölçüde artırabilir.

Örneğin, çalışanların duruşlarını gerçek zamanlı analiz etmek için Ultralytics YOLO26'yı poz tahminiyle birlikte kullanabilirsin. Model; omuzlar, kalçalar, dizler ve dirsekler gibi temel vücut noktalarını algılar. Sistem, eklem açılarını ve hareket örüntülerini değerlendirerek güvenli olmayan şekilde eğilmeyi, yanlış kaldırma duruşunu veya düşmeye işaret edebilecek ani hareketleri belirleyebilir.

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

Ayrıca çalışanın zorlanmaya yol açan bir pozisyonda ne kadar süre kaldığını ölçebilir ve önceden belirlenen duruş eşikleri aşıldığında uyarı verebilir.

Bilgisayarlı görünün nasıl çalıştığını anlama#

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

Süreç genellikle görsel verilerin analiz edilmeden önce temizlendiği, yeniden boyutlandırıldığı veya iyileştirildiği görüntü işleme ya da veri ön işleme aşamasıyla başlar. Ardından bir sinir ağı, şekiller, kenarlar, dokular ve nesne özellikleri gibi örüntüleri 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.

Modern bilgisayarlı görü sistemlerinin çoğu, özellikle görüntüyle ilgili görevler için tasarlanmış evrişimli sinir ağlarına (CNNs) dayanır. CNNs önemli görsel özellikleri otomatik olarak çıkarır ve tahminlerde bulunmak için bu özellikleri kullanır.

Yeni başlayanların projelerinin çoğu birkaç temel görü görevi etrafında şekillenir. Karşılaşacağın başlıca görevler şunlardır:

• Görüntü sınıflandırma: Bu görev, bir resimde kedi mi yoksa köpek mi olduğunu belirlemek gibi, görüntünün tamamına tek bir etiket atar.
• Nesne algılama: Görüntüdeki nesneler sınırlayıcı kutular kullanılarak konumlandırılır ve vurgulanır. Örneğin, bir sokak görüntüsündeki arabalar, insanlar veya bisikletler belirlenir.
• Örnek segmentasyonu: Görüntüdeki her nesne, tam şekli belirginleştirilebilsin diye piksel düzeyinde ayrıştırılır. Bu, kesin sınırların gerektiği durumlarda kullanışlıdır.
• Poz tahmini: Duruşu ve hareketi anlamak için görüntülerde omuz, dirsek ve diz gibi insan vücudunun temel noktaları belirlenir.
• Nesne takibi: Nesnelerin zaman içinde nasıl hareket ettiğini izlemek için video kareleri boyunca takip edilirler.

Şekil 1. Bilgisayarlı görüyle nesne algılamaya örnek

Bilgisayarlı görünün giderek artan etkisi#

Günümüzde görsel yapay zekâ birçok sektörde kullanılıyor. Hatta daha fazla kuruluş görsel zekâyı sistemlerine entegre ettikçe, küresel bilgisayarlı görü pazarının yıllık yaklaşık %20 büyüyerek 2030'a kadar 58 milyar dolara ulaşması bekleniyor.

Örneğin ulaşım, büyümenin öne çıktığı alanlardan biridir. Sürücüsüz otomobillerde bilgisayarlı görü, araçların şeritleri, araçları, yayaları ve trafik ışıklarını gerçek zamanlı algılamasını sağlar.

Perakende de ilgi çekici bir başka örnektir. Otomatik perakende mağazaları, müşterilerin aldığı ürünleri algılamak ve kasasız alışveriş imkânı sunmak için bilgisayarlı görü ve sensör füzyonundan yararlanır.

Sağlık hizmetlerinde ise bilgisayarlı görü, X-ışını, MRI ve CT görüntüleri gibi taramaları analiz etmek için tıbbi görüntülemede yaygın olarak kullanılır; klinisyenlerin anormallikleri tespit etmesine ve tanıyı desteklemesine yardımcı olur.

Görsel yapay zekâ projesine başlamadan önce dikkate alman gerekenler#

Görsel yapay zekâ projen için önceden planlama yapmak, yaygın hatalardan kaçınmana ve daha güvenilir bir sistem geliştirmeni sağlayabilir. Bilgisayarlı görü projesine başlamadan önce göz önünde bulundurabileceğin birkaç pratik etken:

• Hedefi açıkça belirle: Sistemin nesneleri algılamasını, hareketi izlemesini, pozu tahmin etmesini veya görüntüleri sınıflandırmasını isteyip istemediğini netleştir. Açık bir hedef, proje boyunca teknik kararlarına daha iyi yön verebilir.
• Veri kümesi kalitesine öncelik ver: İyi etiketlenmiş, çeşitli ve temsili veriler ile açıklamalar çok önemlidir. Düşük kaliteli veriler genellikle modelin güvenilmez performans göstermesine yol açar.
• Doğru araçları seç: İyi desteklenen ve kullanımı kolay araçları tercih et. Bilgisayarlı görü kütüphaneleri ve öğrenme kaynaklarından oluşan geniş bir ekosistem sunduğu için Python, yeni başlayanların sıkça tercih ettiği bir seçenektir. Ultralytics YOLO ailesinin modelleri de nesne algılama ve izleme gibi çeşitli görü görevlerinde popülerdir; bu da onları pratik ve erişilebilir bir başlangıç noktası hâline getirir.
• Gerçek dünya koşullarına göre optimizasyon: Işık değişimleri, kamera açıları, hareket bulanıklığı ve arka plan karmaşası performansı etkileyebilir. Sistemi, gerçekten kullanılacağı koşullara benzer ortamlarda test et.
• Gizliliği ve etiği göz önünde bulundur: İnsanların görüntüleri veya videolarıyla çalışıyorsan veri gizliliği düzenlemelerini ve sorumlu yapay zekâ uygulamalarını dikkate al. Verilerin uygun şekilde toplandığından ve kullanıldığından emin ol.

Önemli çıkarımlar#

Bilgisayarlı görü, sistemlerin görsel verileri anlama biçimini değiştiriyor. Yeni başlayanlar, pratik proje fikirlerini ve gerçek dünya uygulamalarını keşfederek kısa sürede uygulamalı deneyim kazanabilir.

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

Büyüyen topluluğumuza katıl ve yapay zekâ kaynakları için GitHub depomuzu keşfet. Bugün görsel yapay zekâyla geliştirme yapmak için lisanslama seçeneklerimize göz at. Çözümler sayfalarımızı ziyaret ederek tarımda yapay zekânın çiftçiliği nasıl dönüştürdüğünü ve robotikte görsel yapay zekânın geleceği nasıl şekillendirdiğini öğren.