Bilgisayarlı görü görevleri hakkında bilmen gereken her şey

Kameralar ve yapay zeka (AI) alanındaki gelişmeler sayesinde bilgisayarlar ve makineler artık dünyayı insanlarınkine benzer bir şekilde görebiliyor. Örneğin; insanları tanıyabiliyor, nesneleri takip edebiliyor ve hatta bir videoda olup bitenlerin bağlamını anlayabiliyorlar.

Özellikle bilgisayarlı görü, makinelerin etraflarındaki dünyadan gelen görsel bilgileri anlamalarını ve yorumlamalarını sağlayan bir yapay zeka dalıdır. Bilgisayarlı görü, her biri görüntülerden veya videolardan belirli türde bir içgörü çıkarmak için tasarlanmış çeşitli görevleri içerir. Örneğin; nesne algılama, bir resimdeki farklı öğeleri tanımlamaya ve konumlandırmaya yardımcı olurken, takip, 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 içgörü türüne bağlıdır. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri çeşitli bilgisayarlı görü görevlerini destekleyerek, gerçek dünya Vision AI sistemleri oluşturmak için güvenilir bir seçim haline gelir.

Bu rehberde, YOLO11 gibi modellerin desteklediği bilgisayarlı görü görevlerine daha yakından bakacağız. Her bir görevin nasıl çalıştığını ve farklı sektörlerde nasıl kullanıldıklarını keşfedeceğiz. Hadi başlayalım!

Link to this sectionBilgisayarlı görü görevleri nelerdir?#

Bilgisayarlı görü görevleri, insan görme yeteneklerini farklı şekillerde kopyalamayı amaçlar. Bu görevler makinelerin nesneleri tespit etmesine, hareketlerini takip etmesine, poz tahmininde bulunmasına ve hatta resim ve videolardaki bireysel öğelerin ana hatlarını belirlemesine yardımcı olabilir. Genellikle bilgisayarlı görü görevleri, görsel veriyi daha küçük parçalara bölerek olup biteni daha net yorumlayabilen modeller tarafından desteklenir.

Ultralytics YOLO modelleri gibi Vision AI modelleri, algılama, takip ve segmentasyon gibi birden fazla görevi tek bir çerçevede destekler. Bu çok yönlülük sayesinde, YOLO11 modellerini çok çeşitli kullanım durumları için benimsemek kolaydır.

Şekil 1. YOLO11 tarafından desteklenen bilgisayarlı görü görevleri.

Buna iyi bir örnek, spor analizidir. YOLO11, nesne algılama kullanılarak sahadaki her oyuncuyu tespit etmek için kullanılabilir, ardından nesne takibi ile maç boyunca onları takip edebilir. Bu arada, YOLO11'in poz tahmin yetenekleri oyuncu hareketlerini ve tekniklerini analiz etmeye yardımcı olabilir ve örnek segmentasyonu (instance segmentation), her bir oyuncuyu arka plandan ayırarak analize kesinlik kazandırabilir.

Birlikte, YOLO11 destekli bu bilgisayarlı görü görevleri oyun sırasında olup bitenlerin eksiksiz bir resmini oluşturarak takımlara oyuncu performansı, taktikler ve genel strateji hakkında daha derin içgörüler sunar.

Link to this sectionYOLO11 tarafından desteklenen bilgisayarlı görü görevlerine genel bir bakış#

Artık bilgisayarlı görü görevlerinin neler olduğuna göz attığımıza göre, gerçek dünya örneklerini kullanarak YOLO11 tarafından desteklenen her birini daha ayrıntılı bir şekilde inceleyelim.

Link to this sectionYOLO11'in görüntü sınıflandırma desteği#

Bir fotoğrafa baktığında, çoğu insan bir köpek, dağ veya trafik işareti olup olmadığını kolayca söyleyebilir çünkü hepimiz bunların genellikle neye benzediğini öğrendik. Görüntü sınıflandırma, makinelerin de aynısını yapmasına yardımcı olur; onlara bir görüntüyü "araba", "muz" veya "kırıklı röntgen" gibi ana nesnesine göre nasıl sınıflandıracaklarını ve etiketleyeceklerini öğretir. Bu etiket, bilgisayarlı görü sistemlerinin görsel içeriği anlamasına ve buna göre yanıt vermesine veya karar almasına yardımcı olur.

Bu bilgisayarlı görü görevinin ilginç bir uygulaması vahşi yaşam takibidir. Görüntü sınıflandırma, vahşi doğada çekilen fotoğraflardan farklı hayvan türlerini tanımlamak için kullanılabilir. Araştırmacılar görüntüleri otomatik olarak etiketleyerek popülasyonları takip edebilir, göç modellerini izleyebilir ve koruma çabalarını desteklemek için nesli tükenmekte olan türleri daha kolay tanımlayabilir.

Şekil 2. YOLO11'in görüntü sınıflandırma için kullanımına bir örnek.

Link to this sectionYOLO11'in nesne algılama yetenekleri#

Görüntü sınıflandırma, bir görüntünün ne içerdiğine dair genel bir fikir edinmek için yararlı olsa da, tüm görüntüye yalnızca tek bir etiket atar. Birden fazla nesnenin kesin konumu ve kimliği gibi ayrıntılı bilginin gerekli olduğu durumlarda, nesne algılama vazgeçilmez hale gelir.

Nesne algılama, genellikle etraflarına sınırlayıcı kutular (bounding boxes) çizerek görüntü içindeki bireysel nesneleri tanımlama ve konumlandırma sürecidir. Ultralytics YOLO11, gerçek zamanlı nesne algılamada özellikle başarılıdır ve bu da onu çok çeşitli uygulamalar için ideal kılar.

Örneğin, perakende mağazalarında rafları stoklamak için kullanılan bilgisayarlı görü çözümlerini ele alalım. Nesne algılama, meyveleri, sebzeleri ve diğer ürünleri saymaya yardımcı olarak doğru bir envanter sağlar. Tarım alanlarında aynı teknoloji, çiftçilerin hasat için en iyi zamanı belirlemelerine yardımcı olmak amacıyla mahsul olgunluğunu izleyebilir, hatta olgun ve olgunlaşmamış ürünleri ayırt edebilir.

Şekil 3. Ultralytics YOLO11 kullanarak meyve tespiti.

Link to this sectionÖrnek segmentasyonu (instance segmentation) için YOLO11 kullanımı#

Nesne algılama, görüntüdeki nesneleri tanımlamak ve konumlandırmak için sınırlayıcı kutular kullanır ancak tam şekillerini yakalamaz. İşte örnek segmentasyonu burada devreye girer. Bir nesnenin etrafına kutu çizmek yerine, örnek segmentasyonu onun kesin anahatlarını çizer.

Şöyle düşünebilirsin: "bu alanda bir elma var" demek yerine, elmanın tam şeklini dikkatlice ana hatlarıyla belirler ve içini doldurur. Bu ayrıntılı süreç, özellikle nesneler birbirine yakın olduğunda AI sistemlerinin nesnenin sınırlarını net bir şekilde anlamasına yardımcı olur.

Örnek segmentasyonu, altyapı incelemelerinden jeolojik araştırmalara kadar birçok uygulamaya uygulanabilir. Örneğin, jeolojik araştırmalardan elde edilen veriler, hem büyük hem de küçük yüzey çatlaklarını veya anormallikleri segmentlere ayırmak için YOLO11 kullanılarak analiz edilebilir. Mühendisler, bu anomalilerin etrafına kesin sınırlar çizerek sorunları noktasal olarak belirleyebilir ve bir proje başlamadan önce bunları ele alabilirler.

Şekil 4. YOLO11 destekli çatlak segmentasyonu.

Link to this sectionNesne takibi: YOLO11 ile kareler boyunca nesneleri takip etme#

Şimdiye kadar incelediğimiz bilgisayarlı görü görevleri tek bir görüntüdeki içeriğe odaklanıyordu. Ancak videolar söz konusu olduğunda, tek bir karenin ötesine geçen içgörülere ihtiyacımız var. Nesne takibi görevi bunun için kullanılabilir.

YOLO11'in nesne takibi yeteneği, bir video dizisi boyunca hareket ederken bir kişi veya araba gibi belirli bir nesneyi izleyebilir. Kamera açısı değişse veya başka nesneler ortaya çıksa bile sistem aynı hedefi takip etmeye devam eder.

Bu, trafikteki arabaları izlemek gibi zaman içinde izleme gerektiren uygulamalar için çok önemlidir. Aslında YOLO11, araçları doğru bir şekilde takip edebilir, hızlarını gerçek zamanlı olarak tahmin etmeye yardımcı olmak için her bir arabayı izleyebilir. Bu, nesne takibini trafik izleme gibi sistemlerde önemli bir bileşen haline getirir.

Şekil 5. YOLO11'in nesne takibi desteği hız tahmini için kullanılabilir.

Link to this sectionYOLO11 kullanarak yönlendirilmiş sınırlayıcı kutuları (OBB) tespit etme#

Gerçek dünyadaki nesneler her zaman mükemmel bir şekilde hizalanmaz; eğik, yan veya tuhaf açılarda konumlanmış olabilirler. Örneğin uydu görüntülerinde gemiler ve binalar genellikle dönmüş görünür.

Geleneksel nesne algılama yöntemleri, nesnenin yönüne uyum sağlamayan sabit dikdörtgen kutular kullanır, bu da bu dönmüş şekilleri doğru bir şekilde yakalamayı zorlaştırır. Yönlendirilmiş sınırlayıcı kutu (OBB) algılama, daha hassas algılama için bir nesnenin açısıyla hizalanarak onun etrafına tam oturan kutular kullanarak bu sorunu çözer.

Liman izleme konusunda, YOLO11'in OBB algılama desteği, yönleri ne olursa olsun gemileri doğru bir şekilde tanımlamaya ve takip etmeye yardımcı olarak, limana giren veya limandan çıkan her geminin düzgün bir şekilde izlenmesini sağlar. Bu hassas algılama, yoğun limanları yönetmek ve çarpışmaları önlemek için kritik olan gemi konumları ve hareketleri hakkında gerçek zamanlı bilgiler sağlar.

Şekil 6. OBB algılama ve YOLO11 kullanarak tekneleri tespit etme.

Link to this sectionPoz 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. Tüm nesneyi veya gövdeyi tek bir bütün olarak ele almak yerine, bu yöntem onu ana parçalarına ayırır. Bu; hareketleri, jestleri ve etkileşimleri ayrıntılı olarak analiz etmeyi mümkün kılar.

Bu teknolojinin yaygın bir uygulaması insan poz tahminidir. Çeşitli vücut parçalarının konumlarını gerçek zamanlı olarak takip ederek, bir kişinin nasıl hareket ettiğine dair net bir resim sunar. Bu bilgiler; jest tanıma ve aktivite izlemeden spor performans analizine kadar çeşitli amaçlar için kullanılabilir.

Benzer şekilde, fiziksel rehabilitasyonda terapistler, hastaların egzersiz sırasındaki hareketlerini izlemek için insan poz tahminini ve YOLO11'i kullanabilirler. Bu, zaman içindeki ilerlemeyi takip ederken her hareketin doğru yapıldığından emin olmaya yardımcı olur.

Şekil 7. YOLO11, poz tahminini kullanarak bir antrenmanı izleyebilir.

Link to this sectionYOLO11'in çeşitli bilgisayarlı görü görevlerini nasıl desteklediğini keşfetme#

Artık YOLO11 tarafından desteklenen tüm bilgisayarlı görü görevlerini ayrıntılı olarak incelediğimize göre, YOLO11'in bunları nasıl desteklediğine bakalım.

YOLO11 sadece tek bir model değil; her biri belirli bir bilgisayarlı görü görevi için tasarlanmış özel model varyantlarından oluşan bir pakettir. Bu, YOLO11'i çok çeşitli uygulamalara uyarlanabilen çok yönlü bir araç haline getirir. Ayrıca, projelerinin benzersiz zorluklarını çözmek için bu modelleri özel veri setleri üzerinde ince ayarlayabilirsin.

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 dönmüş nesneleri tespit etmek için tasarlanmıştır.
• YOLO11-cls: Bu varyant, genel içeriğe dayalı 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 mevcuttur ve kullanıcıların özel ihtiyaçları için hız ve doğruluk arasında doğru dengeyi seçmelerine olanak tanır.

Link to this sectionÖne çıkanlar#

Bilgisayarlı görü görevleri, makinelerin dünyayı anlama ve dünyayla etkileşim kurma biçimini değiştiriyor. Görüntüleri ve videoları ana öğelere bölerek, bu teknolojiler nesneleri, hareketleri ve etkileşimleri ayrıntılı olarak analiz etmeyi kolaylaştırıyor.

Trafik güvenliğini ve spor performansını artırmaktan endüstriyel süreçleri kolaylaştırmaya kadar, YOLO11 gibi modeller inovasyonu yönlendiren gerçek zamanlı içgörüler sağlayabilir. Vision AI gelişmeye devam ettikçe, görsel verileri günlük olarak yorumlama ve kullanma şeklimizde giderek daha önemli bir rol oynayacaktır.

Yapay zekayı çalışırken görmek için topluluğumuza katıl ve GitHub depomuza göz at. Lisanslama seçeneklerimizi keşfet ve çözümler sayfalarımızda tarımda yapay zeka ve üretimde bilgisayarlı görü hakkında daha fazla bilgi edin.