"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 algılama, yapay zekadaki önemi ve YOLO11 gibi modellerin sürücüsüz 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 algılama, görsel verilerdeki nesnelerin yerini belirlemeye ve sınıflandırmaya odaklanır. Örneğin, bir bilgisayara bir ineğin görüntüsünü gösterirseniz, ineği detect ve etrafına bir sınırlayıcı kutu çizebilir. Bu yetenek, hayvan izleme, sürücüsüz arabalar ve gözetim gibi gerçek dünya uygulamalarında kullanışlıdır.
Peki, nesne tespiti nasıl gerçekleştirilebilir? Bunun bir yolu bilgisayarla görme modelleridir. Örneğin, Ultralytics YOLO11 nesne algılama gibi bilgisayarla görme görevlerini destekleyen bir bilgisayarla görme modelidir.
Bu kılavuzda, nesne algılamayı ve nasıl çalıştığını inceleyeceğiz. Ayrıca nesne algılama ve Ultralytics YOLO11'in bazı gerçek dünya uygulamalarını da tartışacağız.
Şekil 1. Sığırları izlemek için YOLO11'in nesne algılama desteğini kullanma.
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 algılamayı iki temel adım içeren bir süreç olarak düşünebilirsiniz. Bunlardan ilki olan nesne sınıflandırması, sistemin nesneleri tanımasını ve etiketlemesini sağlar; örneğin öğrenilen kalıplara göre bir kediyi, bir arabayı veya bir kişiyi tanımlamak gibi. İkincisi olan lokalizasyon, nesnenin etrafına bir sınırlayıcı kutu çizerek nesnenin konumunu belirler ve görüntüde nerede göründüğünü gösterir. Bu adımlar birlikte makinelerin bir sahnedeki nesneleri detect 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 algılama bir nesne algılama türüdür. Bir görüntüdeki bir yüzün varlığını tanımlar ve bir sınırlayıcı kutu kullanarak konumunu işaretler. "Yüz görüntünün neresinde?" sorusuna yanıt verir. Bu teknoloji genellikle otomatik olarak yüzlere odaklanan akıllı telefon kameralarında veya bir kişinin mevcut olduğunu detect eden güvenlik kameralarında kullanılır.
Yüz tanıma ise bir tür nesne tanımadır. Sadece bir yüzü detect ; benzersiz özellikleri analiz ederek ve bunları bir veri tabanıyla karşılaştırarak yüzün kimin yüzü olduğunu belirler. "Bu kişi kim?" sorusuna yanıt verir. Bu, Face ID ile telefonunuzun kilidini açmanın ya da kimlikleri doğrulayan havaalanı 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 algılama modeli yüz algılamayı desteklemek için tasarlanmıştır ancak yüz tanımayı desteklemez. YOLO11 , bir görüntüdeki bir yüzün varlığını verimli bir şekilde tanımlayabilir ve etrafına bir sınırlayıcı kutu çizebilir, bu da onu gözetim sistemleri, kalabalık izleme ve otomatik fotoğraf etiketleme gibi uygulamalar için kullanışlı hale getirir. Ancak bu yüzün kimin yüzü olduğunu belirleyemez. YOLO11 , Facenet veya DeepFace gibi yüz tanıma için özel olarak eğitilmiş modellerle entegre edilerek tek bir sistemde hem algılama hem de tanımlama yapılmasını sağlayabilir.
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 onları şekil, renk ve birbirlerine ne kadar yakın olduklarına göre anlamlı bölgeler halinde gruplandırır. YOLO11 gibi nesne algılama modelleri, bu piksel gruplarındaki desenleri 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 algılama modelinin üç temel parçası vardır: backbone, boyun ve kafa. backbone , bir görüntüden önemli özellikleri çıkarır. Boyun bu özellikleri işler ve iyileştirir, kafa ise nesne konumlarını tahmin etmekten ve 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 bilgisayarla görme modeli mevcuttur ve en popüler olanlardan bazıları Ultralytics YOLO modelleridir. Hızları, doğrulukları ve çok yönlülükleri ile bilinirler. Yıllar geçtikçe bu modeller daha hızlı, daha hassas ve daha geniş bir görev yelpazesini yerine getirebilir hale geldi. Serbest bırakılması Ultralytics YOLOv5PyTorch gibi çerçevelerle dağıtımı kolaylaştırarak daha fazla insanın derin teknik uzmanlığa ihtiyaç duymadan gelişmiş Vision AI kullanmasına olanak sağladı.
Bu temel üzerine inşa ediliyor, Ultralytics YOLOv8 örnek segmentasyonu, poz tahmini ve görüntü sınıflandırması gibi yeni özellikleri tanıttı. Şimdi, YOLO11 birden fazla görevde daha iyi performansla işleri daha da ileri götürüyor. YOLOv8m'ye göre %22 daha az parametre ile YOLO11m, COCO veri setinde daha yüksek ortalama hassasiyetmAP) elde ediyor. Basit bir ifadeyle, YOLO11 daha az kaynak kullanırken nesneleri daha yüksek hassasiyetle tanıyabilir, bu da onu daha hızlı ve daha güvenilir hale getirir.
İster yapay zeka uzmanı olun ister yeni başlıyor olun, YOLO11 bilgisayarla görme 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 çok çeşitli günlük nesneler içeren COCO veri kümesi üzerinde zaten eğitilmiştir. Bu önceden eğitilmiş model, orijinal veri kümesinde yer almayan belirli nesneleri detect etmek için özel olarak eğitilebilir.
YOLO11'i özel olarak eğitmek için, detect etmek istediğiniz nesnelerin görüntülerini içeren etiketli bir veri kümesine ihtiyacınız vardır. Örneğin, bir marketteki farklı meyve türlerini tanımlamak için bir model oluşturmak istiyorsanız, elma, muz, portakal vb. etiketli görüntülerden oluşan bir veri kümesi oluşturursunuz. Veri kümesi hazırlandıktan sonra, YOLO11 eğitilebilir ve performansı optimize etmek için yığın boyutu, öğrenme oranı ve epoklar gibi parametreler ayarlanabilir.
Bu yaklaşımla işletmeler, YOLO11 'i üretimdeki kusurlu parçalardan koruma projelerindeki vahşi yaşam türlerine kadar her şeyi detect edecek şekilde eğitebilir ve modeli tam 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 detect etmek için nesne algılamayı kullanma örneği.
Sağlık hizmetlerinde tıbbi görüntüleme analizi
X-ışınları, MRI'lar, CT taramaları ve ultrasonlar gibi tıbbi görüntüleme teknikleri, hastalıkların teşhis ve tedavisine yardımcı olmak için insan vücudunun oldukça ayrıntılı görüntülerini oluşturur. Bu taramalar, radyologlar ve patologlar gibi doktorların hastalıkları detect etmek için dikkatle analiz etmeleri gereken büyük miktarda veri üretir. Bununla birlikte, her görüntüyü ayrıntılı olarak incelemek zaman alıcı olabilir ve insan uzmanlar bazen yorgunluk veya zaman kısıtlamaları nedeniyle ayrıntıları gözden kaçırabilir.
YOLO11 gibi nesne algılama modelleri, tıbbi taramalardaki organlar, tümörler veya anormallikler gibi temel özellikleri yüksek doğrulukla otomatik olarak tanımlayarak yardımcı olabilir. Özel eğitimli modeller, sınırlayıcı kutularla ilgili alanları vurgulayarak doktorların potansiyel sorunlara daha hızlı odaklanmasına yardımcı olabilir. Bu da 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 izleme, YOLO11 tarafından desteklenen, gerçek zamanlı izleme ve güvenlik geliştirmeleri sağlayan bir bilgisayarla görme görevidir. Nesneleri tanımlayarak ve kareler boyunca hareketlerini sürekli olarak izleyerek nesne algılama üzerine kuruludur. Bu teknoloji, çeşitli ortamlarda güvenliği artırmak için gözetim sistemlerinde yaygın olarak kullanılmaktadır.
Örneğin, okullarda ve kreşlerde nesne izleme, çocukların izlenmesine ve başıboş dolaşmalarının önlenmesine yardımcı olabilir. Güvenlik uygulamalarında, kısıtlı alanlarda davetsiz misafirlerin tespit edilmesinde, aşırı kalabalık veya şüpheli davranışlar için kalabalıkların izlenmesinde ve yetkisiz faaliyet tespit edildiğinde gerçek zamanlı uyarılar gönderilmesinde önemli bir rol oynar. YOLO11 track sistemleri, nesneleri hareket halindeyken takip ederek 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 algılama modeli hızlı ve verimlidir, bu da onları anlık sonuçlar gerektiren gerçek zamanlı uygulamalar için ideal hale getirir.
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: Nesne algılamada oklüzyon, nesneler kısmen engellendiğinde veya görünümden gizlendiğinde ortaya çıkar ve modelin bunları doğru bir şekilde detect ve classify 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 algılama, makinelerin görüntü ve videolardaki nesneleri detect ve konumlandırmasına yardımcı olan, bilgisayarla görme alanında oyunun kurallarını değiştiren bir araçtır. Sürücüsüz arabalardan sağlık hizmetlerine kadar birçok sektörde kullanılmakta ve görevleri daha kolay, daha güvenli ve daha verimli hale getirmektedir. YOLO11 gibi yeni modellerle işletmeler, özel bilgisayarla görme uygulamaları oluşturmak için kolayca özel nesne algılama modelleri oluşturabilir.
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.
