Görüntü yapay zekâsına ve çalışma biçimine kısa bir bakış

Fabrikalarda, hastanelerde, şehirlerde, araçlarda ve tüketici cihazlarında bulunan kameralar her gün devasa miktarda görüntü ve video yakalıyor. Bu sürekli görsel veri akışı yeni olanaklar yaratırken neler olup bittiğini anlamayı ve hızla harekete geçmeyi de zorlaştırıyor.

Örneğin, yoğun kavşaklar veya kalabalık kamusal alanlar bir andan diğerine değişebilir. Bu ortamları elle izlemek yavaştır ve çoğu zaman hatalıdır; özellikle hızlı ve güvenilir kararlar gerektiğinde.

Bu tür durumlarla başa çıkmak için sistemlerin görsel bilgiyi ortaya çıktığı anda anlaması ve gerçek zamanlı yanıt vermesi gerekir. Bilgisayarlı görü, makinelerin görüntü ve videoları analiz etmesini, örüntüleri tanımasını ve yararlı bilgiler çıkarmasını sağlayarak bunu mümkün kılar.

Önceki bilgisayarlı görü sistemleri sabit kurallara dayanıyordu. Bu kurallar kontrollü ortamlarda işe yarasa da aydınlatma veya kamera açıları gibi koşullar değiştiğinde çoğu zaman başarısız oluyordu. Modern görsel AI, yapay zekâ ve makine öğrenmesinden yararlanarak bu yaklaşımı geliştiriyor.

Bu sistemler yalnızca görselleri yakalamak veya depolamak yerine görsel verileri gerçek zamanlı analiz eder, örneklerden öğrenir ve değişen ortamlara uyum sağlar. Böylece görsel AI gerçek dünya koşullarında daha etkili olur ve daha fazla uygulamada kullanıldıkça zaman içinde gelişebilir.

Bu makalede görüntü işleme yapay zekâsının ne olduğunu ve uçtan uca akıllı iş akışları oluşturmak için nasıl kullanılabileceğini daha yakından inceleyeceğiz.

Görsel AI nedir?#

Görsel AI, makinelerin görüntü ve videoları anlamasını ve yorumlamasını sağlayan bir yapay zekâ dalıdır. Başka bir deyişle, görsel AI sistemleri gördüklerini analiz eder ve daha kapsamlı bir iş akışının parçası olarak eylemleri desteklemek, tahminleri iyileştirmek veya kararlar almak için bu bilgileri kullanır. Yeni içerikler oluşturan üretken AI'den farklı olarak görsel AI, mevcut görsel verileri anlamaya ve bu verilerden bilgi çıkarmaya odaklanır.

Örneğin, bir fabrika sahasındaki veya kamusal alandaki faaliyetleri uzun süre izlemek, elle sürdürülmesi zor olabilecek bir hız ve tutarlılık gerektirir. Görsel AI sistemleri, örüntüleri tanımak, ilgili ayrıntıları belirlemek ve yeni görsel bilgiler ortaya çıktıkça yanıt vermek için makine öğrenmesi ve derin öğrenme tekniklerini uygulayarak bu zorluğun üstesinden gelebilir.

Şekil 1. Bir görüntüdeki nesneleri algılamak için görsel AI kullanımına örnek (Kaynak)

Görüntüler ve videolar genellikle büyük miktarlarda ve yüksek hızda üretildiğinden, görüntü işleme yapay zekâsı sistemleri görsel verileri sürekli işleyebilir ve aynı modeli her kareye uygulayabilir. Bu, sonuçları daha tutarlı hâle getirir ve koşullar değişirken doğruluğu koruyarak ekiplerin operasyonlarını iyileştirmesine yardımcı olur.

Gerçek dünya uygulamalarında görsel AI genellikle uçtan uca bir AI sisteminin parçasıdır. Görsel AI modellerini, karar mantığına ve sonuçlara göre harekete geçen diğer araçlara bağlar. Görsel girdileri yararlı bulgulara dönüştüren görsel AI, rutin görevleri otomatikleştirebilir ve pek çok bilgisayarlı görü uygulamasında daha hızlı ve güvenli kararlar alınmasını destekleyebilir.

Görsel AI nasıl çalışır: Görsel veriden uygulanabilir bulgulara#

Peki bir sistem veya makine, bir görüntüyü ya da videoyu görmekten neler olduğunu anlamaya ve sonra ne yapacağına karar vermeye nasıl geçer?

Süreç; fotoğraflar, video klipleri, canlı kamera akışları veya sensör verileri gibi gerçek dünyadan alınan görsel girdilerle başlar. Bu verilerin kalitesi, aydınlatması ve kamera açısı büyük ölçüde değişebileceğinden analizden önce genellikle hazırlanmaları gerekir.

Bu ön işleme; görüntüleri yeniden boyutlandırmayı, aydınlatmayı ayarlamayı ve video karelerini tutarlı bir biçimde düzenlemeyi içerebilir. Daha doğru analiz yapılmasını desteklemek için zaman damgası veya kamera konumu gibi ek bağlam bilgileri de sıklıkla kullanılır.

Hazırlanan veriler daha sonra sistemin görsel örüntüleri tanımasını sağlayan bir öğrenme çerçevesinde kullanılır. Etiketli görüntüler ve videolar üzerinde eğitilen bir görsel AI modeli, nesnelerin, örüntülerin ve olayların farklı koşullarda nasıl göründüğünü öğrenir.

Bu öğrenilmiş anlayış, nesne algılama (bir görüntüdeki nesneleri tanımlama ve konumlarını belirleme) ve örnek bölütleme (tek tek nesneleri piksel düzeyinde ayırıp etiketleme) gibi pek çok yaygın bilgisayarlı görü görevinin temelini oluşturur. Ultralytics YOLO26 gibi son teknoloji görsel AI modelleri, gerçek dünya ortamlarında hızlı ve doğru olmayı sürdürürken bu görevleri destekleyecek şekilde tasarlanmıştır.

Şekil 2. Örnek bölütleme için YOLO kullanımına bakış (Kaynak)

Sistem kullanıma alındıktan sonra görsel girdiler uçtan uca bir iş akışının parçası olarak sürekli işlenir. Model, görüntüleri ve videoları analiz eder ve çıktılarını panolara, otomasyon araçlarına veya diğer yapay zekâ sistemlerine gönderir. Bazı durumlarda görüntü işleme yapay zekâsı ajanları, eylemleri tetiklemek veya karar almayı desteklemek için bu sonuçlardan yararlanarak görsel anlayışı pratik ve uygulanabilir içgörülere dönüştürür.

Görsel modellerin ve mimarilerin evrimi#

Görsel AI hakkında daha fazla bilgi edindikçe modellerin ve mimarilerin neden önemli olduğunu, sistem performansını nasıl etkilediğini merak edebilirsin. Görsel AI modelleri, günümüz bilgisayarlı görü yeniliklerinin temel bileşenleridir.

Çoğu görsel AI sistemi, görüntülerin ve videoların nasıl analiz edileceğini belirleyen bir model etrafında kurulur. Model, sistemin bir sahnede neleri tanıyabileceğini ve farklı koşullarda ne kadar iyi performans göstereceğini belirler.

Görüntü işleme yapay zekâsı uygulamaları çeşitlenip karmaşıklaştıkça, bu gelişmelere ayak uydurmak ve kullanımı kolaylaştırmak için görüntü işleme yapay zekâsı modelleri ve bunların temelindeki mimariler de gelişmeye devam etti. İlk bilgisayarlı görü sistemlerinde mühendislerin, sistemin araması gereken belirli kenarları, renkleri veya şekilleri elle tanımlaması gerekiyordu.

Bu kural tabanlı yaklaşımlar kontrollü ortamlarda iyi çalışıyordu; ancak aydınlatma değiştiğinde, kamera kalitesi farklılık gösterdiğinde veya sahneler karmaşıklaştığında çoğu zaman başarısız oluyordu. Modern görsel AI modelleri farklı bir yaklaşım benimsiyor.

Açık kaynaklı pek çok model, görsel örüntüleri doğrudan verilerden öğrenir. Bu da onları daha esnek ve koşulların öngörülemediği gerçek dünya ortamlarına daha uygun hâle getirir. Model mimarisindeki gelişmeler, görüntü ve videoların işlenmesini de kolaylaştırarak bu sistemlerin devreye alınmasını ve pratik görsel AI platformlarına entegre edilmesini kolaylaştırdı.

Ultralytics YOLO modelleri bu değişimin iyi bir örneğidir. YOLO26 gibi modeller, özellikle canlı video uygulamalarında hız ve tutarlılık gerektiren nesne algılama görevlerinde yaygın olarak kullanılır.

Temel görsel AI görevlerini keşfet#

Görsel AI destekli sistemlerin görsel bilgileri anlamak ve gerçek dünya ortamlarında süreçleri kolaylaştırmak için yararlandığı temel bilgisayarlı görü görevlerinden bazıları şunlardır:

• Nesne tespiti: Bu görev, bir sistemin görüntüde veya videoda hangi nesnelerin bulunduğunu belirlemesini ve genellikle her nesnenin çevresine sınırlayıcı kutular çizerek konumlarını saptamasını sağlar.
• Örnek bölütleme: Daha fazla hassasiyet gerektiren görevlerde görüntüyü piksel düzeyinde parçalara ayırarak sahnedeki nesneleri veya bölgeleri birbirinden ayırır.
• Görüntü sınıflandırma: Bu yaklaşımda görüntünün tamamı analiz edilir ve genel içeriğine göre bir veya daha fazla etiket atanır. Bu, görselleri düzenlemeye ve kararları bilgilendirmeye yardımcı olur.
• Poz tahmini: Dinamik ortamlarda konum, duruş ve hareketi belirlemek için insanlar veya nesneler üzerindeki eklemler ya da referans noktaları gibi temel noktaları saptar.
• Nesne takibi: Video tabanlı uygulamalarda bu özellik, nesnelerin kimliğini ve zaman içindeki hareketini koruyarak kareler boyunca izlenmesini sağlar.

Şekil 3. YOLO kullanarak araçları algılama ve takip etme (Kaynak)

Görsel AI'de veri kümelerinin rolü#

Her etkili görsel AI sisteminin temelinde özenle derlenmiş bir veri kümesi bulunur. Bu görsel AI veri kümeleri, görsel AI modellerinin öğrenmesine yardımcı olan görüntü ve videoları sağlar; modellerin gerçek dünya ortamlarındaki nesneleri, örüntüleri ve sahneleri tanımasına katkıda bulunur.

Veri kalitesi, sistemin ne kadar doğru ve güvenilir olacağını doğrudan etkiler. Görsel verileri kullanışlı hâle getirmek için veri kümelerine anotasyon eklenir. Başka bir deyişle her görüntüye veya videoya nesneleri etiketlemek, belirli alanları vurgulamak ya da kategoriler atamak gibi önemli ayrıntılar eklenir.

Etiketlerin yanı sıra verileri düzenlemeye ve anlamayı geliştirmeye yardımcı olmak için zaman, konum veya sahne türü gibi ek üst veriler de eklenebilir. Sistemlerin daha önce görmedikleri görseller üzerinde değerlendirilebilmesi için veri kümeleri genellikle eğitim, doğrulama ve test kümelerine ayrılır.

ImageNet, COCO ve Open Images gibi popüler veri kümeleri, geniş ve çeşitli etiketli görüntü koleksiyonları sağlayarak görsel AI'nin ilerlemesinde önemli rol oynadı. Buna rağmen gerçek dünya verilerini toplamak hâlâ zordur.

Yanlılık, kapsama boşlukları ve sürekli değişen ortamlar, gerçek koşulları yansıtan veri kümeleri oluşturmayı zorlaştırır. Güvenilir görsel AI sistemleri geliştirmek için geniş ölçekte doğru veri dengesini sağlamak çok önemlidir.

Görsel AI'nin çeşitli kullanım alanlarına bakış#

Görsel AI'nin nasıl çalıştığını artık daha iyi anladığımıza göre, gerçek dünya uygulamalarında nasıl kullanıldığını inceleyelim. Görsel AI, pek çok sektörde ekiplerin görsel görevleri geniş ölçekte yerine getirmesine yardımcı olarak daha hızlı yanıtlar ve daha verimli operasyonlar sağlar.

Görsel AI'nin farklı sektörlerde yaygın olarak kullanıldığı bazı alanlar şunlardır:

• Üretim: Fabrika sahasında görüntü işleme yapay zekâsı, ürünleri üretimin her aşamasında izlemek için kullanılabilir. Kusurları, eksik parçaları veya tutarsızlıkları erken fark ederek ekiplerin yeniden işlemeyi azaltmasına, kaliteyi korumasına ve beklenmedik kesinti sürelerinden kaçınmasına yardımcı olabilir.
• Perakende: Perakende alanlarında görsel AI çözümleri envanteri takip edebilir, rafların durumunu kontrol edebilir ve kayıpları azaltabilir. Mağaza içi görüntüleri analiz ederek çalışanların sahada neler olup bittiğini daha iyi anlamasını ve operasyonların sorunsuz sürmesi için daha hızlı düzenlemeler yapmasını sağlar.
• Sağlık: Görsel AI, taramalar veya test sonuçları gibi tıbbi görüntülerin incelenmesine yardımcı olarak sağlık profesyonellerini destekleyebilir. Daha yakından incelenmesi gerekebilecek alanları işaretleyerek klinisyenlerin daha verimli çalışmasını sağlarken nihai kararları insanlara bırakır.
• Ulaşım ve akıllı şehirler: Görüntü işleme yapay zekâsı, yollarda ve kamusal alanlarda şehirlerin trafik akışını izlemesine, olayları tespit etmesine ve güvenliği artırmasına yardımcı olur. Kamera görüntülerinin gerçek zamanlı analizi, değişen koşullara daha hızlı yanıt verilmesini sağlar ve kentsel altyapının daha iyi yönetilmesini destekler.

Şekil 4. Üretimde görsel AI kullanarak ürünlerin otomatik izlenmesi (Kaynak)

Görsel AI araçlarının artıları ve eksileri#

Görsel AI'yi gerçek dünya uygulamalarında kullanmanın başlıca faydalarından bazıları şunlardır:

• Kullanım alanlarına göre ölçeklenir: Görsel yapay zekâ sistemleri eğitildikten sonra, çok az değişiklikle birden fazla konumda veya uygulamada devreye alınabilir.
• Daha hızlı yapay zekâ desteği: Görüntüleri ve videoları kaydedildikleri sırada analiz eden görsel yapay zekâ destekli sistemler, daha hızlı yanıt vermeyi ve daha iyi karar almayı destekleyen gerçek zamanlı içgörüler sunabilir.
• Mevcut iş akışlarına kolayca entegre olur: Görsel yapay zekâ çıktıları sonraki sistemlere, panolara veya otomasyon işlem hatlarına bağlanabilir.

Bu avantajlara rağmen, görsel yapay zekâ sistemlerinin performansını etkileyebilecek sınırlamalar vardır. Göz önünde bulundurman gereken bazı etkenler şunlardır:

• Veri kalitesine ve erişilebilirliğine bağımlılık: Görsel yapay zekâ sistemleri büyük ve iyi hazırlanmış veri kümelerine büyük ölçüde dayanır. Yüksek kaliteli görsel verileri toplamak ve güncel tutmak zaman alabilir ve maliyetli olabilir.
• Çevresel değişikliklere duyarlılık: Kameralar hareket ettiğinde, aydınlatma değiştiğinde veya sahneler yeniden eğitim ya da ayarlama yapılmadan önemli ölçüde farklılaştığında performans düşebilir.
• İşlem gücü ve altyapı gereksinimleri: Görsel yapay zekâ modellerini, özellikle gerçek zamanlı olarak veya büyük ölçekte çalıştırmak için önemli miktarda işlem kaynağı ve özel donanım gerekebilir.

Önemli çıkarımlar#

Görsel yapay zekâ, görüntüleri ve videoları sistemlerin anlayıp kullanabileceği anlamlı bilgilere dönüştürür. Bu, görsel görevlerin otomatikleştirilmesine yardımcı olur ve daha hızlı, daha güvenilir karar almayı destekler. Etkinliği; yetenekli modellerin, yüksek kaliteli veri kümelerinin ve iyi tasarlanmış iş akışlarının bir arada çalışmasına bağlıdır.

Görüntü işleme yapay zekâsı ilgini çekiyor mu? Topluluğumuza katıl ve tarımda bilgisayarlı görü ile otomotiv sektöründe görüntü işleme yapay zekâsı hakkında bilgi edin. Bilgisayarlı görüye başlamak için lisans seçeneklerimize göz at. Yapay zekâyı keşfetmeye devam etmek için GitHub depomuzu ziyaret et.