Etkili 60 bilgisayarlı görü uygulaması

Görüntüler ve videolar bugün karar verme süreçlerinde önemli bir rol oynuyor. Kalabalık yollarda ilerlerken, çevrimiçi alışveriş yaparken, sosyal medyada gezinirken, hastaneleri ziyaret ederken ve hatta işletmeleri yönetirken görsel bilgilere güveniyoruz.

Görsel veriler günlük yaşamın doğal bir parçası hâline geldi ve yaptığımız birçok seçimi etkiliyor. Makinelerin bu bilgileri benzer şekilde anlayabilmesi için görsel içeriği görüp yorumlayabilmeleri de gerekir.

Bilgisayarlı görü tam da bu noktada fark yaratır. Yapay zekânın (AI) bir dalı olan bilgisayarlı görü, makinelerin görsel bilgileri yorumlamasını ve anlamlandırmasını sağlar.

Bilgisayarlı görü teknolojisi, olup bitenleri yalnızca kaydetmek yerine yararlı bilgiler çıkarmak için görüntüleri analiz edebilir. Bilgisayarlı görü çözümleri nesneleri algılayabilir, hareketi izleyebilir ve öğeleri şekillerine, boyutlarına veya renklerine göre sınıflandırabilir.

Basit bir örneği ele alalım. Diyelim ki bir mağaza müdürü, hangi rafların stoklarının en hızlı tükendiğini belirlemek istiyor. Bilgisayarlı görü sistemleri, eksik ürünleri tespit etmek ve hızlı satılan ürünleri öne çıkarmak için raf görüntülerini analiz edebilir. Böylece mağaza müdürleri stokları zamanında yenileyebilir.

Bu tür sistemler, nesneleri tanımak ve görsel verilerdeki örüntüleri belirlemek için veri kümeleri üzerinde eğitilen bilgisayarlı görü modelleriyle çalışır. Örneğin Ultralytics YOLO26, gerçek zamanlı bilgisayarlı görü yetenekleri için tasarlanmış hızlı ve güvenilir bir görsel modeldir.

Şekil 1. Şişeleri algılamak için kullanılan Ultralytics YOLO26. (Kaynak)

Bu makalede, bilgisayarlı görünün etkili 60 uygulamasını inceleyecek ve bu uygulamaların farklı sektörlerde nasıl kullanıldığını göreceğiz.

Modern yapay zekâ çağında bilgisayarlı görünün rolü#

Bilgisayarlı görü uygulamalarına yakından bakmadan önce, bilgisayarlı görünün günümüzdeki önemini kısaca ele alalım.

Yıllarca görüntüleri veya videoları izlemek ve analiz etmek elle yapılan bir işti. Bu elle yürütülen yaklaşım zaman alıcı, hataya açık ve tutarsızdı. Araştırmalar, fabrika ortamlarındaki denetimle ilgili sorunların neredeyse dörtte birinin insan hatasından kaynaklandığını ve bunun birçok sektörde karar verme sürecini yavaşlattığını gösteriyor.

Makine öğreniminin yükselişi ve bilgisayarlı görü alanındaki büyük ilerlemelerle birlikte bu durum değişti. Görsel yapay zekânın temelinde, modellerin gördüklerini anlamasını sağlayan görüntü analizi yer alır.

Bu durum; denetim, izleme ve otomasyon gibi uygulamaların hızla benimsenmesine yol açtı ve küresel bilgisayarlı görü pazarının 2034'e kadar yaklaşık 73 milyar dolara ulaşacağı öngörülüyor.

Bu büyüme, bilgisayarlı görünün gerçek dünya uygulamalarına sağladığı değerden kaynaklanıyor. Görüntü ve video analizini otomatikleştirerek daha hızlı, doğru ve güvenilir sonuçlar sunuyor. Örneğin yollar kazalara karşı izlenebilir. Benzer şekilde çiftlikler ürünlerin sağlığını gerçek zamanlı takip edebilirken mağazalar hangi rafların önce boşaldığını izleyebilir.

Bu kullanım alanları, ekiplerin güvenilir verileri kullanarak daha hızlı harekete geçmesine ve daha iyi kararlar almasına yardımcı olur. Bilgisayarlı görü, bunu gerçekleştirmek için çok çeşitli uygulamaları mümkün kılan temel görevlerden yararlanır.

Bilgisayarlı görünün temel görevleri#

Bilgisayarlı görü görevleri, büyük veri kümelerinden öğrenen ve bu bilgiyi canlı görüntülere uygulayan, eğitilmiş bilgisayarlı görü modelleriyle desteklenir. Örneğin YOLO26 gibi Ultralytics YOLO modelleri, gerçek zamanlı ortamlarda çeşitli görevleri destekler.

İşte çok çeşitli uygulamalarda kullanılan temel bilgisayarlı görü görevlerinden bazıları:

• Nesne algılama: Bir görüntü veya videodaki nesneleri belirlemeyi ve sınırlayıcı kutular kullanarak konumlarını saptamayı içerir. Çoğu bilgisayarlı görü uygulamasında genellikle ilk adımdır.
• Örnek segmentasyonu: Nesneleri arka plandan ayırarak veya hassas bölgelere bölerek bir adım daha ileri gider.
• Görüntü sınıflandırma: Bu görev, görüntünün tamamına bir etiket atar. Araç türlerini belirlemek, olgun meyveleri ham meyvelerden ayırmak veya üretim hattındaki farklı kusur türlerini sınıflandırmak için kullanılabilir.
• Poz tahmini: Nesnelerdeki kilit noktaların konumunu ve yönelimini, çoğunlukla insanlarda veya hayvanlarda belirler. Duruşu, hareketi ve etkileşimleri anlamak için spor analitiğinde, hasta takibinde ve robotikte yaygın biçimde kullanılır.
• Yönlendirilmiş sınırlayıcı kutu algılama (OBB): Bu görev nesneleri algılar, konumlarını ve dönüş açılarını gösterir; bu nedenle görüntü veya videolardaki eğik ya da döndürülmüş nesneleri belirlemek için kullanışlıdır.
• Nesne izleme: Bir nesne algılandıktan sonra görsel bir model, nesneyi videonun kareleri boyunca izlemeyi sürdürebilir. Bu, modellerin hareketi izlemesini ve anlamasını sağlar.

Şekil 2. Ultralytics YOLO26 tarafından desteklenen bilgisayarlı görü görevleri (Kaynak)

Sektörler genelinde bilgisayarlı görünün 60 uygulamasını keşfet#

Şimdi bilgisayarlı görünün perakende, üretim, sağlık, otomotiv ve tarım gibi sektörleri kapsayan çok çeşitli gerçek dünya kullanım alanlarında nasıl uygulandığını inceleyelim.

1. Görsel denetimle kestirimci bakım#

Fabrikalarda aynı anda çalışan çok sayıda makine bulunur ve hepsini takip etmek zor olabilir. Bilgisayarlı görü tabanlı kestirimci bakım sistemleri, ekipmanı sürekli izlemek ve korozyon, sızıntı, hizalama bozukluğu ve yüzey aşınması gibi görsel belirtileri analiz etmek için kameralar kullanır. Arızanın erken belirtilerini tespit eden bu görsel sistemler, ekiplerin bakımı önceden planlamasına, plansız duruşları azaltmasına, makinelerin kullanım ömrünü uzatmasına ve daha güvenli, verimli endüstriyel operasyonları sürdürmesine yardımcı olur.

2. Plaka algılama#

Bilgisayarlı görü teknolojisiyle plakaları algılayabilirsin. Bu sistemler, bir aracın plakasını taramak ve harfleri ve rakamları çıkarmak için genellikle optik karakter tanıma (OCR) teknolojisiyle entegre edilir.

Bu, araçların yollarda veya kontrol noktalarında ilerlerken tanımlanmasını kolaylaştırır. Bu teknoloji trafik izlemede, gişelerde ve otopark sistemlerinde yaygın olarak kullanılır. Araç takibini otomatikleştirmek ve elle yapılan kontrolleri azaltmak amacıyla konut veya ticari binaların giriş ve çıkış noktalarında da uygulanır.

3. Şüpheli davranışların izlenmesi#

Bilgisayarlı görüyle şüpheli insan davranışlarını izleyebilirsin. Her kamera görüntüsünü tek tek izlemek yerine, görsel sistemlerle entegre kameralar ve sensörler algılama ve izleme yöntemlerinden yararlanır.

Bu sistemler etkinlikleri algılayabilir ve amaçsız dolaşma, aniden koşma veya kısıtlı alanlara girme gibi anormallikleri işaretleyebilir. Başlıca kamuya açık alanlarda, perakende mağazalarında, ulaşım istasyonlarında ve yüksek güvenlikli bölgelerde kullanılır; şüpheli bir durum ortaya çıktığında güvenlik ekiplerini hızlıca müdahale etmeleri için uyarır.

4. Yangın ve duman algılama#

Yangın ve duman algılama, büyük bir olay yaşanmadan önce erken uyarı sağlayabilir. Bu, bilgisayarlı görü modelleri sayesinde mümkün olur.

Bu modeller; sürüklenen dumanı, titreyen alevleri veya havadaki olağandışı pusları gözlemlemek gibi görsel değişimleri sürekli izlemek için kullanılabilir. Yangın ve duman algılama genellikle erken tespitin her şeyi değiştirebildiği depolarda, fabrikalarda, ormanlarda ve büyük binalarda kullanılır.

Şekil 3. YOLO kullanarak duman algılama ve segmentasyonu (Kaynak)

5. Otonom araçlar#

Otonom araçlar, sürekli hareketi yorumlamak için genellikle bilgisayarlı görüye dayanır. Örneğin Tesla, sürücüsüz araçlarında görsel verileri işlemek ve şeritleri, trafik işaretlerini, yakındaki araçları ve insanları algılamak için kameralar ve bilgisayarlı görü sistemleri kullanır. Görü tabanlı modeller algılama, takip ve segmentasyon gibi görevleri destekleyerek aracın çevresini anlamasına ve kritik bilgilere öncelik vermesine yardımcı olur.

6. Yapay zekâyla grafiti algılama#

Duvarlara, köprülere ve diğer kamusal alanlara çizilmiş işaretleri belirlemek için grafiti algılama bilgisayarlı görü kullanılarak yapılabilir. Akıllı sistemler, yoğun kentsel sahnelerde bile grafitiyi andıran şekilleri, renkleri ve örüntüleri tanımak için görüntüleri veya videoları tarayabilir.

Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, grafitiyi algılamak için kullanılabilecek nesne algılama ve görüntü sınıflandırma özellikleri sunarak yeni çizimlerin gerçek zamanlı olarak işaretlenmesini sağlar. Akıllı şehirler, temizlik çalışmalarını daha hızlı planlamak, bölgeleri izlemek ve kamusal alanları korumak için YOLO26 destekli grafiti algılama çözümlerinden yararlanabilir.

7. Şehir bakımı#

Bir şehrin sorunsuz işlemesini sağlamak, her gün birden fazla bakım denetimi yapmayı gerektirir. Bilgisayarlı görü çözümleri, sokakları ve kamusal alanları izleyerek bu işi kolaylaştırabilir.

Örneğin Singapur, kentsel alanların bakımında görsel yapay zekâdan yararlanan girişimleriyle tanınır. Görüntü tabanlı sistemler sokakları, kamusal alanları ve altyapıyı izleyerek çukurlar, kırık tabelalar veya taşmış çöp kutuları gibi sorunları tespit eder.

8. Kalabalık izleme#

Kalabalık izleme, insanların yoğun alanlarda nasıl hareket ettiğini ve bir araya geldiğini analiz etmeyi içerir. Görsel bir algoritmayla entegre edilmiş kameralar ve sensörler, kalabalığın büyüklüğünü tahmin etmek, hareket örüntülerini izlemek ve ani değişiklikleri algılamak için canlı video akışlarını işleyebilir.

Bu, darboğazları, aşırı kalabalığı veya olağan dışı faaliyetleri sorun hâline gelmeden önce belirlemeye yardımcı olur. Kalabalık izleme; tren istasyonları, stadyumlar, halka açık etkinlikler ve şehir merkezleri gibi yerlerde değerlidir.

Şekil 4. İnsan sayımı ve kalabalık yönetimi için YOLO kullanımı (Kaynak)

9. Hırsızlık tespiti#

Hırsızlık tespitinde şüpheli faaliyetleri belirlemek için bilgisayarlı görü teknolojisi kullanılır. Görsel yapay zekâ, insanları, nesneleri ve hareket örüntülerini gerçek zamanlı izlemek üzere derin öğrenme ve nesne tespiti algoritmalarıyla kamera görüntülerini analiz etmeye yardımcı olabilir.

Yalnızca alarmlara veya olay sonrası incelemelere bel bağlamak yerine, bu bilgisayarlı görü uygulamaları olağan dışı davranışları işaretler. Bu otomasyon; perakende mağazalarının, depoların ve akıllı şehirlerin kayıpları azaltmasına ve güvenlik iş akışlarını kolaylaştırmasına yardımcı olur.

10. Şerit tespiti#

Güvenli bir şekilde yol almak için otonom araçların yolu net biçimde anlaması gerekir. Şerit tespiti, yol yapısını gerçek zamanlı anlamak için kullanılan temel bir bilgisayarlı görü uygulamasıdır.

Görsel tabanlı sistemler şerit çizgilerini, yol kenarlarını ve virajları belirleyebilir. Bölütleme ve nesne tespiti gibi görsel görevleri uygulayan bilgisayarlı görü modelleri, aydınlatma değiştiğinde veya trafik yoğun olduğunda bile şeritleri izleyebilir.

11. Kaza ve çarpışma tespiti#

Kaza ve çarpışma tespiti, çarpışmaları ve ramak kala olaylarını gerçek zamanlı tespit etmek için bilgisayarlı görü teknolojisini kullanır. Bilgisayarlı görü modelleri, çarpışma tespit algoritmalarıyla birlikte trafik kameralarından, araç içi kameralardan veya dronlardan gelen gerçek zamanlı video akışlarını analiz etmeye yardımcı olabilir.

Ani araç duruşlarını, anormal hareketleri veya nesnelerle beklenmedik etkileşimleri izleyen bu yapay zekâ destekli sistemler, kazaları saniyeler içinde belirleyebilir. Böylece acil müdahale hızlanır ve akıllı şehirlerde trafik yönetimi iyileşir.

12. Sürücü izleme ve uyuşukluk tespiti#

Uzun yolculuklar ve yoğun trafik sürücünün dikkatini etkileyebilir. Bilgisayarlı görü sistemleriyle mümkün olan sürücü dikkatini izleme ve uyuklama tespiti, sürücünün fiziksel durumunu gerçek zamanlı olarak anlayabilir.

Örneğin araç içindeki kameralar gözlerin kapanması, göz kırpma sıklığı, baş hareketi ve bakış yönü gibi ipuçlarını gözlemleyebilir. Makine öğrenimi ve derin öğrenme modelleri bu sinyalleri yorumlar. Yorgunluk veya dikkat dağınıklığı belirtileri görüldüğünde sistem uyarı verebilir.

13. Akıllı park sistemleri#

Yoğun bir şehirde park yeri bulmak zor olabilir, ancak bilgisayarlı görü teknolojisi günümüzde bunu kolaylaştırıyor. Akıllı park sistemleri, otoparkları gerçek zamanlı izlemek için kameralar ve yapay zekâ destekli bilgisayarlı görü modelleri kullanır.

Görsel modeller boş ve dolu park yerlerini tespit ederek sürücülerin hızlı ve verimli biçimde park yeri bulmasına yardımcı olabilir. Park verimliliğini artırmak için alışveriş merkezlerinde, havaalanlarında, ofis komplekslerinde ve şehir merkezlerinde yaygın olarak kullanılırlar.

Şekil 5. YOLO ile park yerlerinin tespiti (Kaynak)

14. Müşteri ısı haritası analizi#

Perakendeciler, müşterilerin mağazada nasıl hareket ettiğini anlamak için müşteri ısı haritası analizinden yararlanabilir. Görü destekli kameralar müşterilerin nerede yürüdüğünü, durakladığını veya toplandığını izler ve ardından bu verileri renk kodlu ısı haritalarına dönüştürür.

Yoğun alanlar daha sıcak renklerle, daha sakin bölgeler ise daha soğuk tonlarla gösterilir. Bu haritalar özellikle mağaza düzenlerini iyileştirirken, ürünleri daha iyi konumlandırırken, kasa yakınındaki kalabalığı azaltırken ve müşteri davranışlarını analiz ederken yararlıdır.

15. Marka logosu tespiti#

Birçok medya şirketi artık reklamlar, etkinlikler ve sosyal medya gönderileri dâhil olmak üzere farklı platformlardaki görsel ve videolarda logoları tespit etmek için bilgisayarlı görü kullanıyor. Şirketler logoları tespit edip sınıflandırarak kampanya erişimini ölçebilir, markalarının görünürlüğünü izleyebilir ve logoların izinsiz veya sahte kullanımını erkenden belirleyebilir. Böylece pazarlama ve hukuk ekipleri, büyük miktarda görsel içeriği elle incelemeden marka varlığını geniş ölçekte izleyebilir.

16. Raf stoğu izleme#

Boş raflar, bir müşteri durumu bildirene kadar çoğu zaman fark edilmez. Raf stoğu izleme, rafları düzenli olarak taramak için kameralar kullanarak bunu önleyebilir. Görsel yapay zekâ sistemleri raf görüntülerini tarayabilir, ürünleri tespit edebilir, ürünleri sayabilir ve nesne tespiti ile takibini kullanarak zaman içindeki değişiklikleri izleyebilir. Bu, perakendede sık görülen ve yeniden stoklama fırsatlarının kaçırılmasına yol açan bir sorunu çözer.

17. Döşeme altı su kaçağı tespiti#

Bilgisayarlı görü teknolojisi, termal kamera görüntülerini analiz ederek bina döşemelerindeki kaçakları belirlemek için kullanılabilir. Bu sistemler nem, çatlak veya yapısal sorunların ince belirtilerini fark etmek için nesne tespiti ve bölütleme gibi görevleri gerçekleştirir. Bakım ekipleri termal kameralar kullanarak sorunları erken tespit edebilir ve manuel incelemelere olan ihtiyacı azaltabilir. Döşeme altı su kaçağı tespiti, onarım maliyetlerini düşürmek için konutlarda, ticari binalarda ve büyük tesislerde yaygın olarak kullanılır.

18. Kalite kontrol#

Kalite kontrol, bitmiş bir ürünün müşteriye ulaşmadan önce gerekli standardı karşılayıp karşılamadığına odaklanır. Bilgisayarlı görü modelleri, kullanılabilirliği, güvenliği veya görünümü etkileyen görünür sorunları denetleyerek ürünleri önceden belirlenmiş ölçütlerle karşılaştırabilir. Bu sayede üreticiler, üretimi yavaşlatmadan tutarlı kaliteyi geniş ölçekte koruyabilir ve iadeleri azaltabilir.

19. Kusur tespiti#

Kusur tespiti, ürünlerde çatlak, çizik veya yanlış etiket gibi sorunları kontrol eder. Üretim hattında hızla ilerleyen ürünlerde bile kusurları saptamak için nesne algılama gibi bilgisayarlı görü görevlerinden yararlanır.

Bir kusur bulunduğunda ürün otomatik olarak işaretlenebilir veya hattan çıkarılabilir. Bu, üretim süreçlerini yavaşlatmadan yalnızca yüksek kaliteli ürünlerin ilerlemesini sağlar.

20. Yüzey denetimi#

Bilgisayarlı görü, ürünlerin dış yüzeyini incelemek ve tutarlı kalite sağlamak için de kullanılır. Görsel tabanlı modeller, düzensiz yüzeyleri veya yüzey hasarını tespit etmek için dokuyu, renk tutarlılığını, kaplamaları ve cilayı analiz eder. Bu uygulama; görünümün performans kadar önemli olduğu elektronik, otomotiv üretimi ve tüketim malları gibi sektörlerde yaygındır.

21. Eksik parça denetimi#

Ürünler kapatılmadan veya gönderilmeden önce yapay zekâ destekli kameralar gerekli tüm parçaların mevcut olup olmadığını kontrol edebilir. Makine öğrenimi ve bilgisayarlı görü kullanan bu sistemler eksik şişeleri, parçaları veya ambalajlı bileşenleri hızla tespit ederek hataları ve yeniden işleme ihtiyacını azaltabilir. Üreticiler, nesne tespitini gerçek zamanlı izlemeyle birleştirerek tutarlı kaliteyi koruyabilir ve maliyetli hatalardan kaçınabilir.

22. Montaj hattı izleme#

Üretim hatları; hizası bozuk parçaları, sıkışmaları veya atlanan adımları belirlemek için bilgisayarlı görü teknolojisiyle gerçek zamanlı izlenebilir. Görü sistemleri nesneleri takip edebilir ve ürünler hat boyunca ilerlerken konumlarını kontrol edebilir.

Bir sorun tespit edildiğinde ekipler anında bilgilendirilebilir; böylece kesinti süresi azalır, iş akışları iyileşir ve ürün kalitesi korunur. Bu otomasyon, zamanında karar almayı desteklerken operasyonların verimli biçimde yürütülmesini sağlar.

23. Depo otomasyonu#

Bilgisayarlı görü sistemleri, modern depo otomasyonunda önemli bir rol oynayabilir. Örneğin Amazon depolarında, görüntü kılavuzlu robotlar paketleri tanımlar, hareketlerini izler ve paketlerin nereye yerleştirileceğine veya nereden alınacağına karar verir. Depolar, görsel verileri yapay zekâ destekli robotik sistemlerle birleştirerek iş akışlarını kolaylaştırabilir, insan hatasını azaltabilir ve paketlerin hedeflerine daha hızlı ulaşmasını sağlayabilir.

24. Envanter takibi#

Bilgisayarlı görü teknolojisindeki gelişmeler sayesinde işletmeler stok düzeylerini gerçek zamanlı izleyebilir, eksik veya yanlış yerleştirilmiş ürünleri tespit edebilir ve kayıtları otomatik olarak güncelleyebilir. Bu, envanter yönetiminin doğruluğunu artırır, aşırı stok veya stok tükenmesini önlemeye yardımcı olur ve depolarda, perakende mağazalarında ve üretim ortamlarında daha hızlı karar alınmasını destekler.

25. Hap sayımı ve tanımlama#

Sağlık hizmetlerinde, hataları önlemek için hapların doğru sayılması ve tanımlanması kritik önem taşır. Bilgisayarlı görü sistemleri, hap türlerini belirlemek ve hapları otomatik olarak saymak için nesne algılama ve görüntü sınıflandırmadan yararlanabilir. Görüyle bütünleşik kameralar ilaçların yüksek çözünürlüklü görüntülerini yakalar; yapay zekâ destekli algoritmalar bu görüntüleri gerçek zamanlı analiz ederek eczanelerin, hastanelerin ve kliniklerin iş akışlarını sürdürmesine yardımcı olur.

Şekil 6. Ultralytics YOLO modeliyle hap sayımı ve tespiti (Kaynak)

26. Çamaşırların ayrıştırılması#

Büyük ölçekli çamaşır yıkama operasyonlarında elle ayrıştırma yavaştır ve sıklıkla hatalara yol açar. Bilgisayarlı görü sistemleri, kıyafetleri renklerine, bedenlerine veya kumaş türlerine göre otomatik olarak ayırmak için kameralar ve yapay zekâ modelleri kullanabilir.

Her parçayı tespit edip doğru kutuya veya yıkama programına yönlendiren bu sistemler hızı ve tutarlılığı artırır. Bu nedenle verimliliğin ve doğruluğun kritik olduğu otellerde, hastanelerde ve endüstriyel çamaşırhanelerde özellikle kullanışlıdırlar.

27. Çatlak tespiti#

Bilgisayarlı görü, insan gözünün kolayca kaçırabileceği çatlakları bulmaya yardımcı olur. Yapay zekâ modelleri kameralar ve görüntü işleme kullanarak yollar, duvarlar, köprüler ve makineler gibi yüzeyleri tarar ve hasarın erken belirtilerini tespit eder.

Nesne tespiti ve bölütleme gibi görevlerle çok küçük çatlaklar bile erken aşamada belirlenebilir. Bu, ekiplerin onarımları zamanında planlamasına ve güvenlik risklerini azaltmasına yardımcı olur.

28. Mikroskopide hücre sayımı#

Laboratuvar deneylerinde çoğu zaman bir örnekteki hücre sayısının tam olarak bilinmesi gerekir. Bu nedenle araştırmacılar görüntü bölütlemeyi ve nesne sayımını destekleyen bilgisayarlı görü modellerinden yararlanıyor. Bu modeller tek tek hücreleri tespit eder, üst üste binen hücreleri birbirinden ayırır ve otomatik olarak sayarak zamandan tasarruf sağlar ve doğruluğu artırır.

29. Torus kırığı tespiti#

Bilgisayarlı görü, doktorların çocuklarda sık görülen ve gözden kaçması kolay olan röntgen görüntülerindeki torus kırıklarını fark etmesine yardımcı olabilir. Derin öğrenme modelleri, kemik şekillerini ve dokularını öğrenerek hafif eğilmeleri veya çatlakları tespit etmek üzere tıbbi görüntüleme verilerini analiz edecek şekilde ince ayarlanabilir. Özellikle nesne algılama, endişe verici bölgeleri vurgulayarak radyologların daha hızlı ve doğru tanı koymasına yardımcı olabilir.

30. Hasta düşmesi tespiti#

Hastanelerde ve bakım evlerinde hastaları günün her saati güvende tutmak kritik bir konudur. Personel her an her yerde bulunamaz. Ancak bilgisayarlı görü gibi teknolojiler, hasta hareketlerini izleyerek ve olası riskleri gerçek zamanlı tespit ederek yardımcı olabilir.

Örneğin görsel tabanlı sistemler, vücut duruşunu ve hareket örüntülerini izleyerek ani düşmeleri gerçek zamanlı tespit edebilir. Bir düşme tespit edildiğinde sistem bakım verenleri anında uyarabilir ve hızlı müdahaleyi mümkün kılar. Hızlı yardımın ciddi yaralanma riskini azaltıp genel bakımı iyileştirebildiği yaşlı veya iyileşme sürecindeki hastalar için bunun etkisi özellikle büyüktür.

31. Yoğun bakım hastalarının izlenmesi#

Yoğun bakım ünitesindeki hastaların her an yakından izlenmesi gerekir. Bu, özellikle uzun vardiyalarda sağlık personeli için yorucu ve zahmetli olabilir. Bilgisayarlı görü sistemleri, hasta hareketlerini ve duruşunu sürekli izleyerek yardımcı olabilir; böylece bakım ekipleri kritik görevlere odaklanırken sorunlara da hızla müdahale edebilir.

32. Cerrahi alet takibi#

Ameliyat sırasında her tıbbi aleti takip etmek kritik önem taşır. Tavan kameraları, işlem boyunca cerrahi aletleri tespit edip izlemek için bilgisayarlı görü sistemleriyle entegre edilebilir. Bu, ameliyathane güvenliğini artırır, gecikmeleri azaltır ve cerrahlarla hemşirelerin tüm dikkatlerini işleme vermesini sağlar.

33. Tıbbi görüntü tanılama#

Tıbbi görüntü tanılama, bilgisayarlı görüyle desteklenebilir. Bu teknoloji, doktorların taramaları daha net ve hızlı analiz etmesini sağlar.

Derin öğrenme ve evrişimli sinir ağlarını kullanan görü sistemleri, görsel örüntüleri bulmak için röntgenleri, MRI ve BT taramalarını analiz eder. Örneğin tümör tespitinde görüntü işleme, bölütleme ve nesne tespiti gibi görsel yetenekler şüpheli bölgeleri vurgular ve doğru tanıyı destekler.

34. KKD kurallarına uyum tespiti#

Yoğun endüstriyel ortamlarda her çalışanı sürekli izlemek zordur. Görsel algılama özellikli kameralar, çalışma alanlarını sürekli gözlemleyerek baret, eldiven ve reflektörlü yelek gibi gerekli güvenlik ekipmanlarının kullanılıp kullanılmadığını kontrol edebilir. Bu sistemler, eksik kişisel koruyucu donanımı (PPE) gerçek zamanlı tespit ederek kazaları önlemeye ve genel iş yeri güvenliğini artırmaya yardımcı olur.

35. Bitki ve mahsul izleme#

Bitki ve mahsul izleme, çiftçilerin yetiştirme sezonu boyunca mahsul sağlığını takip etmesini sağlar. Dronlara, traktörlere veya sabit direklere yerleştirilen kameralar, tarladaki bitkilerin düzenli görüntülerini yakalayabilir.

Bilgisayarlı görünün bu kullanımı, sistemlerin yaprak rengi, bitki boyutu ve büyüme örüntüleri gibi görsel ipuçlarını analiz ederek stres, besin eksikliği veya su yetersizliğinin erken belirtilerini tespit etmesini sağlar. Sorunları erkenden belirleyen çiftçiler daha hızlı müdahale edebilir, mahsul verimini artırabilir ve büyük ölçekli ürün kayıplarını önleyebilir.

36. Hayvan sürülerinin izlenmesi#

Hayvan sürüsü izleme, sürekli insan gözetimi olmadan hayvan davranışlarını gözlemlemek için bilgisayarlı görüden yararlanır. Kameralar hareketi, duruşu ve etkinlik düzeylerini izleyerek yaralanma, hastalık veya stres belirtilerini belirler.

Örneğin hareketlerin azalması veya olağan dışı yürüme örüntüleri sağlık sorunlarına işaret edebilir. Bu sistemler sürüleri sürekli izlemek için tespit ve takipten yararlanarak çiftçilerin büyük çiftlikleri daha verimli yönetmesine yardımcı olur.

Şekil 7. YOLO destekli inek duruşu tespitine bir örnek (Kaynak)

37. Orman yangını tespiti#

Orman yangınları çoğu zaman insan gözetiminin sınırlı olduğu uzak bölgelerde başlar. Bilgisayarlı görü sistemleri; ince duman izleri, bitki örtüsü rengindeki değişiklikler veya ısıyla ilişkili hafif hareketler gibi erken belirtileri tespit etmek için gözetleme kulelerinden, dronlardan ve hava görüntülerinden gelen görsel verileri analiz eder. Sis veya bulutların yol açtığı yanlış alarmları azaltan bu gerçek zamanlı sistemler, yetkililerin daha hızlı müdahale etmesini ve yangınların yayılmasını önlemesini sağlar.

38. Ejder meyvesinin olgunluk tespiti#

Ejder meyvesini hasat etmek için doğru zamanı bilmek, zamanlamanın kaliteyi ve raf ömrünü doğrudan etkilediği son derece özel bir bilgisayarlı görü kullanımına harika bir örnektir. Görsel tabanlı modeller, olgunluğu değerlendirmek ve en uygun hasat zamanını tahmin etmek için tespit ve görüntü sınıflandırmadan yararlanır. Çiftlikler, olgunluk kontrollerini kolaylaştırmak için yapay zekâ destekli kameraları kullanmaya başladı; bu da hasadı daha hızlı, doğru ve tutarlı hâle getiriyor.

39. Kuş gözlemciliği#

Kuş gözlemciliği, bilgisayarlı görü sayesinde daha doğru hâle geldi. Akıllı kameralar ve yapay zekâ destekli dürbünler, nesne tespiti ve poz tahmini gibi görevleri desteklemek için Ultralytics YOLO26 gibi modeller de dâhil olmak üzere bilgisayarlı görü algoritmalarından yararlanır. Bu, araştırmacıların ve meraklıların popülasyonları takip etmesini, davranışları gözlemlemesini ve göç örüntülerini incelemesini sağlar.

40. Karda hayvan izlerinin analizi#

Karlı bölgelerde hayvan izleri, yaban hayatının hareketleri hakkında değerli ipuçları sunabilir. Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, karlı bölgelerdeki hayvan izlerini tespit etmek ve izlemek için kullanılabilir.

Görsel örüntüleri analiz eden bu modeller türleri belirlemeyi, hareketleri tahmin etmeyi ve göçü incelemeyi kolaylaştırır. Böylece araştırmacılar ve doğa koruma uzmanları popülasyonları gerçek zamanlı izleyebilir, davranışları gözlemleyebilir ve yaban hayatını koruyabilir.

41. Demir yolu operasyonları#

Demir yolu ağlarının sürekli hareket, sıkı programlar ve güvenlik riskleri altında işlemesi, manuel izlemeyi karmaşık hâle getirir. Bilgisayarlı görü teknolojisi, hat kenarındaki kameralardan, istasyonlardan ve araç içi sistemlerden gelen görsel verileri analiz ederek bu kontrolleri otomatikleştirebilir.

Nesne tespiti ve örnek bölütleme kullanan görsel modeller; çatlakları, sinyal sorunlarını, hat kenarındaki engelleri veya yasaklı alanlara giren kişileri gerçek zamanlı tespit edip izleyebilir. Bu, insan hatasını azaltır, iş akışlarını kolaylaştırır ve demir yolu operasyonlarının geniş ölçekte daha güvenli ve güvenilir olmasını destekler.

42. Belgelerle ilgili OCR görevleri#

Belge işleme, bilgisayarlı görü destekli optik karakter tanıma sistemleri sayesinde çok daha kolay hâle geldi. Bu sistemler önce faturalar, formlar ve makbuzlar gibi görüntülerdeki metin bölgelerini tespit eder, ardından içeriği çıkararak aranabilir ve kullanılabilir hâle getirir.

Metin alındıktan sonra otomatik olarak işlenebilir, analiz edilebilir veya özetlenebilir. Bu, işletmelerin doğruluğu artırmasına ve finans, sağlık hizmetleri ve operasyonlardaki belge yoğun iş akışlarını kolaylaştırmasına yardımcı olur.

43. Oyuncu tespiti ve takibi#

Büyük spor etkinliklerinde oyuncuların sahadaki hareketlerini takip etmek için bilgisayarlı görü teknolojisi kullanılmaya başlandı. Görsel modeller canlı maç görüntülerini nesne tespiti, nesne takibi ve poz tahminiyle yakından analiz eder.

Antrenörler ve analistler bu verileri performansı, konumlanmayı ve takım çalışmasını incelemek için kullanır. Oyuncu takibi artık futbol, basketbol ve krikette yaygın olarak kullanılıyor; ekiplerin antrenmanlarda ve maçlarda veriye dayalı kararlar almasını sağlıyor.

Şekil 8. Futbol sahasında oyuncu tespiti için YOLO kullanımı. (Kaynak)

44. Top takibi#

Bilgisayarlı görü sistemlerinin spor analistlerine nasıl destek olabileceğine dair bir başka iyi örnek top takibidir. Hızlı tempolu sporlarda topu takip etmek zor olabilir.

Bilgisayarlı görü sistemleri topu algılayıp hareketini kare kare izleyebilir; konumunu, hızını ve yönünü gerçek zamanlı olarak kaydedebilir. Bu veriler futbol, kriket ve golf gibi sporlarda performans analizini ve adil kararlar alınmasını destekler.

45. Oyun kartı algılama#

Kumarhaneler gibi düzenlemeye tabi oyun ortamlarında, masadaki oyun kartlarını gerçek zamanlı olarak tanımlayıp takip ederek blackjack gibi kart oyunlarını izlemek için bilgisayarlı görü kullanılır. Bu, oyunun adil yürütülmesini sağlamaya, hileyi önlemeye ve şeffaflığı korumaya yardımcı olur. Ultralytics YOLO26 gibi görü modelleri, kartları şekillerine, numaralarına ve sembollerine göre tanımak için kullanılabilir.

46. Sakatlanma riski analizi#

Sporcu sakatlanmaları genellikle kötü duruş veya tekrarlayan zorlanma nedeniyle zaman içinde gelişir. Görü yapay zekâ sistemleri, antrenman ve maçlar sırasında oyuncuların hareketlerini analiz ederek bu sorunları erkenden fark etmeye yardımcı olabilir.

Yapay zekâ kameraları, güvenli olmayan hareketleri belirlemek için vücut pozisyonunu, dengeyi ve hareket kalıplarını izleyebilir. Bu, takımların hareket biçimini düzeltmesine, antrenman rutinlerini iyileştirmesine ve ciddi sakatlanma riskini azaltmasına olanak tanır.

47. Oyunlarda hareket kontrolü#

Oyunlarda hareket kontrolü, bilgisayarlı görüyle yakından ilişkilidir. Görü tabanlı sistemler el ve vücut hareketlerini algılayıp yorumlayarak oyuncuların fiziksel kontrol cihazları olmadan oyunları kontrol etmesini sağlar.

Bu yaklaşım, el sallama, zıplama veya işaret etme gibi hareketlerin gerçek zamanlı oyun içi tepkilere dönüştürüldüğü artırılmış ve sanal gerçeklik deneyimlerinde yaygın olarak kullanılır ve daha sürükleyici bir deneyim sunar.

48. Besin değeri etiketi analizi#

Besin değeri etiketlerini okumak, özellikle markalar arasında biçimler farklılık gösterdiğinde zaman alabilir. Bilgisayarlı görü çözümleri bu süreci kolaylaştırabilir.

Bilgisayarlı görü sistemleri, gıda etiketlerinin görüntülerini işleyerek kalori, içerik ve besin bilgileri gibi önemli ayrıntıları çıkarabilir. Görüntü işleme, optik karakter tanıma ve makine öğrenimi kullanılarak besin değeri etiketleri akıllı telefonlarla veya basit tarayıcılarla taranabilir; böylece bilgilere erişmek ve bilgileri karşılaştırmak kolaylaşır.

49. İnsan sayımı#

Bir alanda kaç kişinin bulunduğunu bilmek, işletmelerin ve şehirlerin daha iyi planlama yapmasına yardımcı olur. Bilgisayarlı görü tabanlı sistemler, kamusal alanlardaki video akışlarını kullanarak bir alana giren veya alandan çıkan kişileri sayabilir.

Bu tür çözümler, hareketi gerçek zamanlı olarak izlemek için nesne algılama ve takibinden yararlanır. Kalabalık akışını yönetmek ve güvenliği artırmak amacıyla perakende mağazalarında, ulaşım merkezlerinde ve akıllı şehirlerde kullanılır.

50. Trafik akışı izleme#

Trafiği izlemek, yolları güvenli tutmak ve sıkışıklığı azaltmak için çok önemlidir. Bilgisayarlı görüyle birlikte kullanılan kameralar ve sensörler araçları gerçek zamanlı olarak izleyebilir ve trafik akışını analiz edebilir. Bu, şehir planlamacılarının trafik düzenlerini daha iyi anlamasına ve genel trafik yönetimini iyileştirmek için trafik ışıklarının zamanlamasını optimize etmesine yardımcı olur.

Şekil 9. YOLO kullanarak otoyoldaki araçları algılama ve sayma (Kaynak)

51. Boru hattı denetimi#

Bilgisayarlı görü teknolojisi, insanları riske atmadan uzun boru hatlarını denetleyebilir. Yüksek çözünürlüklü kameralar ve görü tabanlı algoritmalarla donatılmış dronlar, boru hatlarını korozyon, sızıntı veya çatlak açısından inceleyebilir. Bu otomasyon insan riskini azaltır, bakım kontrollerini hızlandırır ve uzun mesafelerde sürekli izlemeyi mümkün kılarak boru hattı operasyonlarını daha güvenli hâle getirir.

52. Şişe kapağı denetimi#

Şişe kapakları bazen eksik olabilir veya düzgün kapanmayabilir; bu da bozulmaya ya da güvenlik sorunlarına yol açabilir. Bu, içecek sektörünün önemli bir endişesidir. Bilgisayarlı görü sistemleri, üretim hatlarını izleyip kameralarla eksik, gevşek veya yanlış hizalanmış kapakları tespit ederek bu sorunun çözülmesine yardımcı olabilir.

53. Depolama sahası yönetimi#

Konteynerlerin ve araçların sürekli hareket ettiği büyük depolama sahalarını yönetmek göründüğü kadar kolay değildir. Görü tabanlı sistemler, konteyner kimliklerini belirleyerek, konumlarını izleyerek ve hareketlerini gerçek zamanlı kaydederek bu karmaşıklığı yönetir.

Kameralar saha faaliyetlerini izler ve sistemleri otomatik olarak günceller. Yapay zekâ destekli bu görü çözümü, lojistiği ve genel iş akışını iyileştirmeye odaklanır.

54. Nadir türlerin tespiti#

Nadir türleri incelemek genellikle zordur; çünkü bu türler az görülür ve çoğunlukla koruma altındaki veya uzak bölgelerde yaşar. Ancak görü tabanlı sistemler, fotokapanlar, dronlar veya uydu görüntüleri kullanarak görsel veri toplayabilir.

Bu sistemler, hayvanları şekil, renk ve işaretler gibi özelliklere göre tanımak için görüntü sınıflandırmasından yararlanır. Böylece görü yapay zekâsı türleri otomatik olarak tespit edebilir, gözlemleri zaman içinde kaydedebilir ve yaban hayatını rahatsız etmeden popülasyonları izleyebilir.

55. Kasada kendi kendine ödeme sistemleri#

Bilgisayarlı görü, kasada kendi kendine ödeme işlemlerini daha hızlı ve kolay hâle getirdi. Alışveriş yapanlar uzun kuyruklarda beklemeden ürünleri tarayıp ödemelerini yapabilir.

Bunu, ürünlerin nasıl alınıp bırakıldığını izleyerek sistemlerin ürünleri doğru tanımasına yardımcı olan mağaza içi kameralar, akıllı tarayıcılar ve görü özellikli kiosklar mümkün kılar. Sonuç olarak yoğun perakende mağazalarında hatalar azalır, ödeme süreci hızlanır ve genel alışveriş deneyimi kolaylaşır.

56. Lastik aşınması tespiti#

Lastikler zamanla yol tutuşunu kaybeder, ancak değişiklikler genellikle küçük olur ve fark edilmesi zordur. Garajlara veya servis merkezlerine kurulan görü tabanlı sistemler, sığ diş derinliği ya da düzensiz desenler gibi aşınma veya hasar belirtilerini tespit etmek için lastik yüzeylerini inceler. Bu sistemler sorunları erkenden belirleyerek güvenli olmayan sürüş koşullarını önlemeye yardımcı olur ve lastik bakımını daha öngörülebilir hâle getirir.

57. Ürün sayımı#

Bilgisayarlı görüyle, görüntülerdeki veya videolardaki ürünler algılanıp izlenerek ürün sayımı otomatikleştirilebilir. Örneğin görü sistemleri, konveyör bandındaki paketlenmiş kolileri sayabilir, süpermarketlerdeki envanter seviyelerini izleyebilir veya yıkama ya da işleme aşamalarında montaj hattında ilerleyen ürünleri takip edebilir. Bu yaklaşım, stok tutarsızlıklarını azaltmak, eksik ürünleri erkenden belirlemek ve doğru envanter verilerini korumak için depolarda, fabrikalarda ve perakende ortamlarında yaygın olarak kullanılır.

Şekil 10. Montaj hattında YOLO tarafından algılanan yeşil elmalar (Kaynak)

58. Su altındaki türlerin tespiti#

Okyanus yüzeyinin altındaki yaşamı keşfetmek kolay değildir; ancak bilgisayarlı görü, su altındaki türleri daha etkili biçimde izlemeyi kolaylaştırdı. Araştırmacılar, balıkları, mercanları ve diğer deniz türlerini gerçek zamanlı olarak tanımlamak için su altı dronlarından ve su altı kameralarından alınan görsel verileri kullanabilir. Bu bilgiler, deniz yaşamını rahatsız etmeden popülasyonları izlemeye, habitatları incelemeye ve okyanus ekosistemlerini takip etmeye yardımcı olur.

59. Mutfak atığı tespiti#

Büyük ticari mutfaklarda her gün önemli miktarda gıda israfı oluşur. Günümüzde gıda atıklarının takibini ve azaltılmasını otomatikleştirmeye yardımcı olmak için görü tabanlı sistemler kullanılıyor.

Bu bilgisayarlı görü sistemleri; yiyecekleri tanımak, porsiyon boyutlarını ölçmek ve atık düzenlerini izlemek için hazırlık alanlarının yakınına yerleştirilen kameralardan veya akıllı atık kutularından yararlanır. Birden fazla otel zinciri ve yemek hizmeti şirketi, menüleri ayarlamak, atığı azaltmak ve maliyetleri düşürmek için bu verileri kullanır.

60. Gıda kalitesine göre sınıflandırma#

Gıda işleme tesislerinde gıda kalitesinin sınıflandırılması, bilgisayarlı görü sistemleri kullanılarak giderek daha fazla otomatikleştiriliyor. Meyve, sebze ve paketlenmiş ürünler üretim hatlarında ilerlerken görü modelleri algılama ve sınıflandırma yöntemleriyle bunları boyut, renk, olgunluk ve yüzey kusurlarına göre ayırabilir. Bu, elle yapılan denetimleri azaltır, insan hatasını en aza indirir ve her gün büyük hacimlerde üretim yapılsa bile müşterilere yalnızca yüksek kaliteli gıdaların ulaşmasını sağlar.

Önemli çıkarımlar#

Bilgisayarlı görü, modern üretim ve operasyon sistemlerinin temel bir parçası hâline hızla geliyor. Algılama, takip, segmentasyon ve sınıflandırma gibi temel görü görevleri; sağlık hizmetleri, perakende, tarım ve otonom araçlar dâhil olmak üzere pek çok sektördeki uygulamaları destekliyor. En büyük değişim, bu sistemlerin ne kadar ölçeklenebilir ve pratik hâle geldiği.

Yapay zekâyı daha yakından tanımak ister misin? Büyüyen topluluğumuza katıl ve bilgisayarlı görü hakkında GitHub depomuzda daha fazla bilgi edin. Çözüm sayfalarına göz at ve üretimde yapay zekâ ile sağlıkta görü yapay zekâsı hakkında bilgi al. Görü yapay zekâsını bugün kullanmaya başlamak için lisanslama seçeneklerimizi keşfet!