"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Çerez Ayarları
"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Nesne tespiti, yapay zekadaki önemi ve YOLO11 gibi modellerin otonom sürüşlü arabalar, sağlık hizmetleri ve güvenlik gibi sektörleri nasıl dönüştürdüğü hakkında bilgi edinin.
Birçok sektör, yapay zeka (AI) çözümlerini operasyonlarına hızla entegre ediyor. Günümüzde mevcut olan birçok yapay zeka teknolojisi arasında, bilgisayarlı görü en popüler olanlardan biridir. Bilgisayarlı görü, bilgisayarların tıpkı insanlar gibi görüntülerin ve videoların içeriğini görmesine ve anlamasına yardımcı olan bir yapay zeka dalıdır. Makinelerin nesneleri tanımasını, desenleri tanımlamasını ve baktıklarını anlamlandırmasını mümkün kılar.
Bilgisayarlı görünün küresel pazar değerinin 2032 yılına kadar 175,72 milyar dolara ulaşacağı tahmin edilmektedir. Bilgisayarlı görü, Vision AI sistemlerinin görsel verileri analiz etmesini ve yorumlamasını sağlayan çeşitli görevleri kapsar. Bilgisayarlı görünün en yaygın kullanılan ve temel görevlerinden biri nesne tespitidir.
Nesne tespiti, görsel verilerdeki nesneleri lokalize etmeye ve sınıflandırmaya odaklanır. Örneğin, bir bilgisayara bir inek resmi gösterirseniz, bilgisayar ineği tespit edebilir ve etrafına bir sınırlayıcı kutu çizebilir. Bu yetenek, hayvan takibi, otonom sürüşlü arabalar ve gözetim gibi gerçek dünya uygulamalarında kullanışlıdır.
Peki, nesne tespiti nasıl gerçekleştirilebilir? Bir yol, bilgisayarlı görü modelleri aracılığıyladır. Örneğin, Ultralytics YOLO11, nesne tespiti gibi bilgisayarlı görü görevlerini destekleyen bir bilgisayarlı görü modelidir.
Bu kılavuzda, nesne tespitini ve nasıl çalıştığını inceleyeceğiz. Ayrıca nesne tespitinin ve Ultralytics YOLO11'in gerçek dünyadaki bazı uygulamalarını da ele alacağız.
Şekil 1. YOLO11'in nesne tespiti desteğini kullanarak büyükbaş hayvanları izleme.
Nesne tespiti nedir?
Nesne tespiti, görüntü veya videolardaki nesneleri tanımlayan ve konumlandıran bir bilgisayarlı görü görevidir. İki temel soruyu yanıtlar: 'Görüntüde hangi nesneler var?' ve 'Bunlar nerede bulunuyor?'
Nesne tespitini iki temel adımdan oluşan bir süreç olarak düşünebilirsiniz. Birincisi olan nesne sınıflandırması, sistemin kedi, araba veya kişi gibi nesneleri öğrenilmiş kalıplara göre tanımasını ve etiketlemesini sağlar. İkincisi olan konumlandırma ise, nesnenin konumunu etrafına bir sınırlayıcı kutu çizerek belirler ve görüntünün neresinde göründüğünü belirtir. Bu adımlar birlikte, makinelerin bir sahnedeki nesneleri tespit etmesini ve anlamasını sağlar.
Nesne tespitini benzersiz kılan özellik, nesneleri tanıma ve konumlarını tam olarak belirleme yeteneğidir. Diğer bilgisayarlı görü görevleri farklı hedeflere odaklanır.
Örneğin, görüntü sınıflandırması tüm bir görüntüye bir etiket atar. Görüntü bölütleme ise farklı öğelerin piksel düzeyinde anlaşılmasını sağlar. Öte yandan, nesne tespiti tanımayı konumlandırma ile birleştirir. Bu, özellikle gerçek zamanlı olarak birden fazla nesneyi saymak gibi görevler için kullanışlıdır.
Çeşitli bilgisayarlı görü terimlerini incelerken, nesne tanıma ve nesne tespitinin birbirinin yerine kullanılabilir olduğunu düşünebilirsiniz, ancak farklı amaçlara hizmet ederler. Aradaki farkı anlamanın harika bir yolu, yüz tespiti ve yüz tanımına bakmaktır.
Yüz tespiti, bir nesne tespiti türüdür. Bir görüntüde bir yüzün varlığını belirler ve konumunu bir sınırlayıcı kutu kullanarak işaretler. "Görüntüdeki yüz nerede?" sorusunu yanıtlar. Bu teknoloji, genellikle yüzlere otomatik olarak odaklanan akıllı telefon kameralarında veya bir kişinin varlığını algılayan güvenlik kameralarında kullanılır.
Yüz tanıma ise bir nesne tanıma biçimidir. Sadece bir yüzü tespit etmekle kalmaz; benzersiz özellikleri analiz ederek ve bunları bir veritabanıyla karşılaştırarak kimin yüzü olduğunu da belirler. "Bu kişi kim?" sorusunu yanıtlar. Bu, telefonunuzu Face ID ile açmanın veya kimlikleri doğrulayan havalimanı güvenlik sistemlerinin arkasındaki teknolojidir.
Basitçe söylemek gerekirse, nesne tespiti nesneleri bulur ve konumlandırır, nesne tanıma ise onları sınıflandırır ve tanımlar.
Şekil 3. Nesne tespiti ve nesne tanıma karşılaştırması. Görsel: yazar tarafından.
YOLO11 gibi birçok nesne tespiti modeli, yüz tanımayı değil, yüz tespitini desteklemek için tasarlanmıştır. YOLO11, bir görüntüdeki bir yüzün varlığını etkili bir şekilde belirleyebilir ve etrafına bir sınırlayıcı kutu çizebilir, bu da onu gözetim sistemleri, kalabalık izleme ve otomatik fotoğraf etiketleme gibi uygulamalar için kullanışlı hale getirir. Ancak, bunun kimin yüzü olduğunu belirleyemez. YOLO11, tek bir sistemde hem tespiti hem de tanımlamayı etkinleştirmek için Facenet veya DeepFace gibi yüz tanıma için özel olarak eğitilmiş modellerle entegre edilebilir.
Nesne tespitinin nasıl çalıştığını anlama
Nesne tespitinin nasıl çalıştığını tartışmadan önce, bir bilgisayarın bir görüntüyü nasıl analiz ettiğine daha yakından bakalım. Bir görüntüyü bizim gördüğümüz gibi görmek yerine, bir bilgisayar onu piksel adı verilen küçük karelerden oluşan bir ızgaraya ayırır. Her piksel, bilgisayarların görsel verileri yorumlamak için işleyebileceği renk ve parlaklık bilgileri içerir.
Bu pikselleri anlamlandırmak için algoritmalar, şekil, renk ve birbirlerine ne kadar yakın olduklarına bağlı olarak bunları anlamlı bölgeler halinde gruplandırır. YOLO11 gibi nesne tespiti modelleri, bu piksel gruplarındaki kalıpları veya özellikleri tanıyabilir.
Örneğin, otonom sürüş yapan bir araba bir yayayı bizim gördüğümüz gibi görmez; bir yayanın özellikleriyle eşleşen şekilleri ve desenleri algılar. Bu modeller, etiketlenmiş görüntü veri kümeleriyle kapsamlı bir eğitime dayanır ve bu da onların arabalar, trafik işaretleri ve insanlar gibi nesnelerin ayırt edici özelliklerini öğrenmelerini sağlar.
Tipik bir nesne tespiti modelinin üç temel bölümü vardır: omurga (backbone), boyun (neck) ve baş (head). Omurga, bir görüntüden önemli özellikleri çıkarır. Boyun, bu özellikleri işler ve iyileştirir, baş ise nesne konumlarını tahmin etmekten ve onları sınıflandırmaktan sorumludur.
Tespitleri iyileştirme ve sonuçları sunma
İlk tespitler yapıldıktan sonra, doğruluğu artırmak ve gereksiz tahminleri filtrelemek için işlem sonrası teknikler uygulanır. Örneğin, çakışan sınırlayıcı kutular kaldırılır ve yalnızca en alakalı tespitlerin korunması sağlanır. Ayrıca, modelin tespit edilen bir nesnenin belirli bir sınıfa ait olduğundan ne kadar emin olduğunu gösteren sayısal değerler olan güvenilirlik skorları, modelin tahminlerindeki kesinliğini belirtmek için tespit edilen her nesneye atanır.
Son olarak, çıktı, tespit edilen nesnelerin etrafına çizilen sınırlayıcı kutular, tahmin edilen sınıf etiketleri ve güvenilirlik skorları ile birlikte sunulur. Bu sonuçlar daha sonra gerçek dünya uygulamaları için kullanılabilir.
Popüler nesne tespiti modelleri
Günümüzde birçok bilgisayarlı görü modeli mevcuttur ve en popülerlerinden bazıları Ultralytics YOLO modelleridir. Hızları, doğrulukları ve çok yönlülükleri ile bilinirler. Yıllar içinde bu modeller daha hızlı, daha hassas ve daha geniş bir görev yelpazesini işleyebilir hale geldi. Ultralytics YOLOv5'in piyasaya sürülmesi, PyTorch gibi çerçevelerle dağıtımı kolaylaştırarak daha fazla insanın derin teknik uzmanlığa ihtiyaç duymadan gelişmiş Vision AI'yı kullanmasına olanak tanıdı.
Bu temelin üzerine inşa edilen Ultralytics YOLOv8, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırması gibi yeni özellikler sunmuştu. Şimdi ise YOLO11, çeşitli görevlerde daha iyi performans göstererek işleri daha da ileriye taşıyor. YOLO11m, YOLOv8m'den %22 daha az parametreyle COCO veri kümesinde daha yüksek bir ortalama kesinlik (mAP) elde ediyor. Basit bir ifadeyle, YOLO11 daha az kaynak kullanarak nesneleri daha yüksek bir hassasiyetle tanıyabilir, bu da onu daha hızlı ve daha güvenilir hale getirir.
İster bir yapay zeka uzmanı olun, ister yeni başlıyor olun, YOLO11 bilgisayarlı görü uygulamaları için güçlü ancak kullanıcı dostu bir çözüm sunar.
Nesne tespiti için özel bir model eğitme
Görüntü Yapay Zeka modellerini eğitmek, bilgisayarların görüntüleri ve videoları tanımasına ve anlamasına yardımcı olmayı içerir. Ancak eğitim zaman alıcı bir süreç olabilir. Sıfırdan başlamak yerine, transfer öğrenimi, yaygın kalıpları zaten tanıyan önceden eğitilmiş modelleri kullanarak işleri hızlandırır.
Örneğin, YOLO11 zaten çeşitli günlük nesnelerden oluşan COCO veri kümesi üzerinde eğitilmiştir. Bu önceden eğitilmiş model, orijinal veri kümesinde bulunmayan belirli nesneleri tespit etmek için daha da özel olarak eğitilebilir.
YOLO11'i özel olarak eğitmek için, tespit etmek istediğiniz nesnelerin görüntülerini içeren etiketli bir veri kümesine ihtiyacınız vardır. Örneğin, bir markette farklı meyve türlerini tanımlamak için bir model oluşturmak istiyorsanız, elma, muz, portakal vb. etiketli görüntüleriyle bir veri kümesi oluşturursunuz. Veri kümesi hazırlandıktan sonra, YOLO11 eğitilebilir ve performansı optimize etmek için toplu boyut, öğrenme oranı ve epok gibi parametreler ayarlanabilir.
Bu yaklaşımla, işletmeler YOLO11'i üretimdeki kusurlu parçalardan, koruma projelerindeki yaban hayatı türlerine kadar her şeyi tespit etmek için eğitebilir ve modeli tam olarak kendi ihtiyaçlarına göre uyarlayabilir.
Nesne tespitinin uygulamaları
Şimdi de nesne tespitinin gerçek dünyadaki kullanım alanlarından bazılarına ve çeşitli sektörleri nasıl dönüştürdüğüne bir göz atalım.
Otonom sürüş için tehlike tespiti
Otonom araçlar, güvenli bir şekilde gezinmek ve engellerden kaçınmak için nesne tespiti gibi bilgisayarlı görü görevlerini kullanır. Bu teknoloji, yayaları, diğer araçları, çukurları ve yol tehlikelerini tanımalarına yardımcı olarak çevrelerini daha iyi anlamalarını sağlar. Çevrelerini sürekli analiz ederek hızlı kararlar alabilir ve trafikte güvenli bir şekilde hareket edebilirler.
Şekil 4. YOLO11 ile çukurları tespit etmek için nesne tespitinin kullanımına bir örnek.
Sağlık hizmetlerinde tıbbi görüntüleme analizi
Röntgenler, MR'lar, BT taramaları ve ultrasonlar gibi tıbbi görüntüleme teknikleri, hastalıkları teşhis ve tedavi etmeye yardımcı olmak için insan vücudunun son derece ayrıntılı görüntülerini oluşturur. Bu taramalar, radyologlar ve patologlar gibi doktorların hastalıkları tespit etmek için dikkatlice analiz etmesi gereken büyük miktarda veri üretir. Ancak, her görüntüyü ayrıntılı olarak incelemek zaman alıcı olabilir ve insan uzmanlar yorgunluk veya zaman kısıtlamaları nedeniyle bazen ayrıntıları kaçırabilir.
YOLO11 gibi nesne tespiti modelleri, tıbbi taramalardaki organlar, tümörler veya anormallikler gibi temel özellikleri yüksek doğrulukla otomatik olarak tanımlayarak yardımcı olabilir. Özel olarak eğitilmiş modeller, endişe alanlarını sınırlayıcı kutularla vurgulayarak doktorların potansiyel sorunlara daha hızlı odaklanmasına yardımcı olabilir. Bu, iş yükünü azaltır, verimliliği artırır ve hızlı içgörüler sağlar.
Şekil 5. YOLO11 kullanarak tıbbi görüntüleri analiz etme.
Kişi ve anomali tespiti ile güvenliği artırma
Nesne takibi, YOLO11 tarafından desteklenen, gerçek zamanlı izleme ve güvenlik geliştirmeleri sağlayan bir bilgisayarlı görü görevidir. Nesneleri tanımlayarak ve hareketlerini kareler arasında sürekli olarak izleyerek nesne tespitinin üzerine inşa edilir. Bu teknoloji, çeşitli ortamlarda güvenliği artırmak için gözetim sistemlerinde yaygın olarak kullanılmaktadır.
Örneğin, okullarda ve kreşlerde nesne takibi, çocukları izlemeye ve kaybolmalarını önlemeye yardımcı olabilir. Güvenlik uygulamalarında, kısıtlı alanlardaki davetsiz misafirleri tespit etmede, kalabalıkları aşırı kalabalıklaşma veya şüpheli davranışlar için izlemede ve yetkisiz bir etkinlik tespit edildiğinde gerçek zamanlı uyarılar göndermede önemli bir rol oynar. Nesneleri hareket ederken takip ederek, YOLO11 destekli izleme sistemleri güvenliği artırır, izlemeyi otomatikleştirir ve potansiyel tehditlere daha hızlı yanıt verilmesini sağlar.
Nesne tespitinin artıları ve eksileri
İşte nesne tespitinin çeşitli sektörlere getirebileceği temel faydalardan bazıları:
Otomasyon: Nesne tespiti, CCTV görüntülerini izleme gibi görevlerde insan gözetimi ihtiyacını azaltmaya yardımcı olabilir.
Diğer yapay zeka modelleriyle çalışır: Doğruluğu ve işlevselliği artırmak için yüz tanıma, eylem tanıma ve izleme sistemleriyle entegre edilebilir.
Gerçek zamanlı işleme: YOLO11 gibi birçok nesne tespiti modeli hızlı ve verimlidir, bu da onları anında sonuç gerektiren gerçek zamanlı uygulamalar için ideal kılar.
Bu faydalar, nesne tespitinin farklı kullanım durumlarını nasıl etkilediğini vurgularken, uygulamasında yer alan zorlukları da göz önünde bulundurmak önemlidir. İşte temel zorluklardan bazıları:
Veri gizliliği: Görsel verilerin kullanımı, özellikle gözetim veya sağlık hizmetleri gibi hassas alanlarda, gizlilik sorunları ve güvenlik endişeleri yaratabilir.
Oklüzyon (Örtüşme): Nesne tespitinde oklüzyon, nesnelerin kısmen engellenmesi veya görüş alanından gizlenmesi durumunda ortaya çıkar ve modelin bunları doğru bir şekilde tespit edip sınıflandırmasını zorlaştırır.
Hesaplama açısından maliyetli: Yüksek performanslı modeller genellikle işlem yapmak için güçlü GPU'lar (Grafik İşleme Birimleri) gerektirir, bu da gerçek zamanlı dağıtımı maliyetli hale getirir.
Önemli çıkarımlar
Nesne tespiti, makinelerin resim ve videolardaki nesneleri tespit edip konumlandırmasına yardımcı olan, bilgisayarlı görü alanında çığır açan bir araçtır. Kendi kendine giden arabalardan sağlık hizmetlerine kadar çeşitli sektörlerde kullanılarak işleri daha kolay, daha güvenli ve daha verimli hale getiriyor. YOLO11 gibi daha yeni modellerle, işletmeler özel bilgisayarlı görü uygulamaları oluşturmak için kolayca özel nesne tespit modelleri oluşturabilirler.
Gizlilik endişeleri ve nesnelerin görüş alanından gizlenmesi gibi bazı zorluklar olsa da, nesne tespiti güvenilir bir teknolojidir. Görevleri otomatikleştirme, görsel verileri gerçek zamanlı olarak işleme ve diğer Vision AI araçlarıyla entegre olma yeteneği, onu en son yeniliklerin önemli bir parçası haline getiriyor.
