Bilgisayarlı görü görevleri hakkında bilmen gereken her şey
Nesne takibi, örnek segmentasyonu ve görüntü sınıflandırması gibi bilgisayarlı görü görevlerinin nasıl çalıştığını ve Ultralytics YOLO11'in bunları nasıl desteklediğini öğren.
Kameralar ve yapay zekâdaki (AI) gelişmeler sayesinde bilgisayarlar ve makineler artık dünyayı insanların gördüğüne benzer şekilde görebiliyor. Örneğin insanları tanıyabiliyor, nesneleri takip edebiliyor ve hatta bir videoda neler olup bittiğinin bağlamını anlayabiliyorlar.
Özellikle bilgisayarlı görü, makinelerin çevrelerindeki dünyadan gelen görsel bilgileri anlamasını ve yorumlamasını sağlayan AI dalıdır. Bilgisayarlı görü, görüntülerden veya videolardan belirli bir tür içgörü çıkarmak üzere tasarlanmış çeşitli görevleri kapsar. Örneğin nesne algılama, bir görüntüdeki farklı ögeleri tanımlamaya ve konumlandırmaya yardımcı olurken izleme, segmentasyon ve poz tahmini gibi diğer görevler makinelerin hareketi, şekilleri ve konumları daha doğru anlamasına yardımcı olur.
Belirli bir uygulama için kullanılan bilgisayarlı görü görevi, ihtiyaç duyduğun içgörülerin türüne bağlıdır. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri çeşitli bilgisayarlı görü görevlerini destekler ve bu da onları gerçek dünyadaki Vision AI sistemlerini oluşturmak için güvenilir bir seçenek hâline getirir.
Bu kılavuzda YOLO11 gibi modellerin desteklediği bilgisayarlı görü görevlerine daha yakından bakacağız. Her görevin nasıl çalıştığını ve farklı sektörlerde nasıl kullanıldığını inceleyeceğiz. Hadi başlayalım!
Bilgisayarlı görü görevleri nelerdir?#
Bilgisayarlı görü görevleri, insan görüşü yeteneklerini farklı şekillerde taklit etmeyi amaçlar. Bu görevler makinelerin nesneleri algılamasına, hareketlerini izlemesine, pozları tahmin etmesine ve hatta görüntülerdeki ve videolardaki tek tek ögelerin ana hatlarını çıkarmasına yardımcı olabilir. Genellikle bilgisayarlı görü görevleri, görsel verileri daha küçük parçalara ayırarak neler olup bittiğini daha net yorumlamalarını sağlayan modellerle gerçekleştirilir.
Ultralytics YOLO modelleri gibi Vision AI modelleri, algılama, izleme ve segmentasyon gibi birden fazla görevi tek bir çerçevede destekler. Bu çok yönlülük sayesinde YOLO11 modelleri çok çeşitli kullanım alanlarına kolayca uyarlanabilir.
Şekil 1. Ultralytics YOLO11 tarafından desteklenen bilgisayarlı görü görevleri.
Bunun iyi bir örneği spor analitiğidir. YOLO11, nesne algılama kullanarak sahadaki her oyuncuyu algılamak ve ardından nesne izlemeyle maç boyunca onları takip etmek için kullanılabilir. Bu sırada YOLO11'in poz tahmini yetenekleri oyuncu hareketlerini ve tekniklerini analiz etmeye, örnek segmentasyonu ise her oyuncuyu arka plandan ayırarak analize hassasiyet katmaya yardımcı olabilir.
Bu YOLO11 destekli bilgisayarlı görü görevleri birlikte, maç sırasında neler olduğuna dair eksiksiz bir tablo oluşturur ve takımlara oyuncu performansı, taktikler ve genel strateji hakkında daha derin içgörüler sunar.
Ultralytics YOLO11 tarafından desteklenen bilgisayarlı görü görevlerine genel bakış#
Bilgisayarlı görü görevlerinin ne olduğuna göz attığımıza göre şimdi gerçek dünya örnekleriyle YOLO11 tarafından desteklenen her bir görevi daha ayrıntılı olarak inceleyelim.
Ultralytics YOLO11'in görüntü sınıflandırma desteği#
Bir fotoğrafa baktığında çoğu insan, hepimiz bu ögelerin genellikle nasıl göründüğünü öğrendiğimiz için görüntünün bir köpek, dağ veya trafik işareti içerip içermediğini kolayca anlayabilir. Görüntü sınıflandırma, makinelerin de aynısını yapmasına yardımcı olur; ana nesnesine göre bir görüntüyü sınıflandırmayı ve etiketlemeyi öğretir. Bu nesne "araba", "muz" veya "kırık içeren röntgen" olabilir. Bu etiket, bilgisayarlı görü sistemlerinin görsel içeriği anlamasına ve buna göre yanıt vermesine veya karar almasına yardımcı olur.
Bu bilgisayarlı görü görevinin ilgi çekici uygulamalarından biri yaban hayatı izlemektir. Görüntü sınıflandırma, doğada çekilen fotoğraflardan farklı hayvan türlerini tanımlamak için kullanılabilir. Araştırmacılar görüntüleri otomatik olarak etiketleyerek popülasyonları takip edebilir, göç modellerini izleyebilir ve koruma çalışmalarını desteklemek üzere nesli tehlike altındaki türleri daha kolay belirleyebilir.
Şekil 2. YOLO11'in görüntü sınıflandırma için kullanımına bir örnek.
Ultralytics YOLO11'in nesne algılama yetenekleri#
Görüntü sınıflandırma, bir görüntünün genel olarak ne içerdiğine dair fikir edinmek için yararlı olsa da tüm görüntüye yalnızca bir etiket atar. Birden fazla nesnenin kesin konumu ve kimliği gibi ayrıntılı bilgilerin gerektiği durumlarda nesne algılama vazgeçilmez hâle gelir.
Nesne algılama, genellikle nesnelerin çevresine sınırlayıcı kutular çizerek bir görüntüdeki tek tek nesneleri tanımlama ve konumlandırma işlemidir. Ultralytics YOLO, gerçek zamanlı nesne algılamada özellikle başarılıdır ve bu da onu çok çeşitli uygulamalar için ideal kılar.
Örneğin mağazalarda rafların stoklanması için kullanılan bilgisayarlı görü çözümlerini ele alalım. Nesne algılama meyveleri, sebzeleri ve diğer ürünleri sayarak doğru bir envanter tutulmasına yardımcı olabilir. Tarım alanlarında aynı teknoloji, çiftçilerin hasat için en uygun zamanı belirlemesine yardımcı olmak üzere ürünlerin olgunluğunu izleyebilir ve hatta olgun ürünleri ham ürünlerden ayırabilir.
Şekil 3. Ultralytics YOLO11 kullanarak meyveleri algılama.
Örnek segmentasyon için YOLO11 kullanımı#
Nesne algılama, bir görüntüdeki nesneleri tanımlamak ve konumlandırmak için sınırlayıcı kutular kullanır ancak nesnelerin kesin şekillerini yakalayamaz. Örnek segmentasyon burada devreye girer. Örnek segmentasyonu, bir nesnenin çevresine kutu çizmek yerine kesin ana hatlarını takip eder.
Bunu şöyle düşünebilirsin: yalnızca "bu bölgede bir elma var" demek yerine elmanın tam şeklini dikkatlice ana hatlarıyla belirler ve doldurur. Bu ayrıntılı işlem, özellikle nesneler birbirine yakın olduğunda AI sistemlerinin bir nesnenin sınırlarını net biçimde anlamasına yardımcı olur.
Örnek segmentasyonu, altyapı denetimlerinden jeolojik araştırmalara kadar pek çok uygulamada kullanılabilir. Örneğin jeolojik araştırmalardan elde edilen veriler, büyük ve küçük yüzey çatlaklarını veya anormallikleri segmentlere ayırmak için YOLO11 kullanılarak analiz edilebilir. Mühendisler bu anormalliklerin çevresine kesin sınırlar çizerek sorunların yerini belirleyebilir ve bir proje başlamadan önce bunları giderebilir.
Şekil 4. YOLO11 destekli çatlak segmentasyonu.
Nesne izleme: YOLO11 ile nesneleri kareler arasında takip etme#
Şimdiye kadar incelediğimiz bilgisayarlı görü görevleri tek bir görüntüde ne olduğuna odaklanıyordu. Ancak videolar söz konusu olduğunda tek bir karenin ötesine geçen içgörülere ihtiyaç duyarız. Nesne izleme görevi bunun için kullanılabilir.
YOLO11'in nesne izleme yeteneği, kişi veya araba gibi belirli bir nesneyi bir dizi video karesi boyunca hareket ederken takip edebilir. Kamera açısı değişse veya başka nesneler ortaya çıksa bile sistem aynı hedefi takip etmeye devam eder.
Bu, trafikte arabaları izlemek gibi zaman içinde izleme gerektiren uygulamalar için kritik öneme sahiptir. Hatta YOLO11 araçları doğru bir şekilde takip edebilir ve gerçek zamanlı olarak hızlarını tahmin etmeye yardımcı olmak için her arabayı izleyebilir. Bu, nesne izlemeyi trafik izleme gibi sistemlerin temel bir bileşeni hâline getirir.
Şekil 5. YOLO11'in nesne izleme desteği hız tahmini için kullanılabilir.
YOLO11 kullanarak yönlendirilmiş sınırlayıcı kutuları (OBB) algılama#
Gerçek dünyadaki nesneler her zaman kusursuz biçimde hizalanmış değildir; eğik, yan dönmüş veya alışılmadık açılarda konumlanmış olabilirler. Örneğin uydu görüntülerinde gemiler ve binalar çoğu zaman dönük görünür.
Geleneksel nesne algılama yöntemleri, nesnenin yönüne uyum sağlamayan sabit dikdörtgen kutular kullanır ve bu da döndürülmüş şekilleri doğru biçimde yakalamayı zorlaştırır. Yönlendirilmiş sınırlayıcı kutu (OBB) algılama, nesnenin etrafına sıkı biçimde oturacak şekilde dönen ve açısıyla hizalanan kutular kullanarak daha hassas algılama sağlar.
Liman izleme açısından YOLO11'in OBB algılama desteği, yönlerinden bağımsız olarak gemileri doğru biçimde tanımlamaya ve takip etmeye yardımcı olabilir. Böylece limana giren veya limandan çıkan her gemi gerektiği şekilde izlenir. Bu hassas algılama, gemilerin konumları ve hareketleri hakkında gerçek zamanlı bilgi sağlar; bu da yoğun limanları yönetmek ve çarpışmaları önlemek için kritik öneme sahiptir.
Şekil 6. OBB algılama ve YOLO11 kullanarak tekneleri algılama.
Poz tahmini ve YOLO11: Anahtar noktaları takip etme#
Poz tahmini, bir nesnenin nasıl hareket ettiğini anlamak için eklemler, uzuvlar veya diğer işaretleyiciler gibi anahtar noktaları takip eden bir bilgisayarlı görü tekniğidir. Bu yöntem, nesnenin veya vücudun tamamını tek bir bütün olarak ele almak yerine onu temel parçalarına ayırır. Böylece hareketler, jestler ve etkileşimler ayrıntılı biçimde analiz edilebilir.
Bu teknolojinin yaygın uygulamalarından biri insan pozu tahminidir. Çeşitli vücut bölümlerinin konumlarını gerçek zamanlı olarak takip ederek kişinin nasıl hareket ettiğine dair net bir tablo sunar. Bu bilgi, jest tanıma ve etkinlik izlemeden sporda performans analizine kadar çeşitli amaçlarla kullanılabilir.
Benzer şekilde fiziksel rehabilitasyonda terapistler, egzersizler sırasında hastaların hareketlerini izlemek için insan pozu tahminini ve YOLO11'i kullanabilir. Bu, zaman içindeki ilerlemeyi takip ederken her hareketin doğru şekilde yapılmasını sağlamaya yardımcı olur.
Şekil 7. YOLO11, poz tahmini kullanarak bir antrenmanı izleyebilir.
YOLO11'in çeşitli bilgisayarlı görü görevlerini nasıl desteklediğini keşfetme#
YOLO11 tarafından desteklenen tüm bilgisayarlı görü görevlerini ayrıntılı olarak incelediğimize göre şimdi YOLO11'in bunları nasıl desteklediğine bakalım.
YOLO11 yalnızca tek bir model değildir; her biri belirli bir bilgisayarlı görü görevi için tasarlanmış, uzmanlaşmış model varyantlarından oluşan bir pakettir. Bu, YOLO11'i çok çeşitli uygulamalara uyarlanabilen çok yönlü bir araç hâline getirir. Bu modelleri özel veri kümelerin üzerinde ince ayarlayarak projelerinin kendine özgü zorluklarını da ele alabilirsin.
Belirli görü görevleri için önceden eğitilmiş YOLO11 model varyantları şunlardır:
- YOLO11: Bu model, birden fazla nesneyi gerçek zamanlı olarak algılar ve etiketler; bu da onu yüksek hızlı görsel tanıma için ideal kılar.
- YOLO11-seg: Bu varyant, nesneleri arka planlarından ayırmak için ayrıntılı maskeler kullanarak segmentasyona odaklanır.
- YOLO11-obb: Bu model, her nesnenin yönüyle hizalanan sınırlayıcı kutular çizerek döndürülmüş nesneleri algılamak üzere tasarlanmıştır.
- YOLO11-cls: Bu varyant, genel içeriğe göre tek bir kategori etiketi atayarak görüntüleri sınıflandırır.
- YOLO11-pose: Bu model, duruşu, uzuv konumlarını ve hareketi takip etmek için vücuttaki anahtar noktaları tahmin eder.
Her varyant farklı boyutlarda sunulur; böylece kullanıcılar kendi özel ihtiyaçları için hız ve doğruluk arasında doğru dengeyi seçebilir.
Önemli çıkarımlar#
Bilgisayarlı görü görevleri, makinelerin dünyayı anlama ve dünyayla etkileşim kurma biçimini değiştiriyor. Görüntüleri ve videoları temel ögelere ayıran bu teknolojiler, nesneleri, hareketleri ve etkileşimleri ayrıntılı olarak analiz etmeyi kolaylaştırıyor.
Trafik güvenliğini ve spor performansını iyileştirmekten endüstriyel süreçleri kolaylaştırmaya kadar YOLO11 gibi modeller, yeniliği destekleyen gerçek zamanlı içgörüler sağlayabilir. Vision AI gelişmeye devam ettikçe görsel verileri her gün yorumlama ve kullanma biçimimizde giderek daha önemli bir rol oynaması muhtemeldir.
Yapay zekâyı iş başında görmek için topluluğumuza katıl ve GitHub depomuzu ziyaret et. Lisanslama seçeneklerimizi incele; çözüm sayfalarımızda tarımda yapay zekâ ve üretimde bilgisayarlı görü hakkında daha fazla bilgi edin.
