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, computer vision, makinelerin çevrelerindeki dünyadan görsel bilgileri anlamasını ve yorumlamasını sağlayan yapay zekanın bir dalıdır. Computer vision, her biri görüntülerden veya videolardan belirli türde bir içgörü çıkarmak için tasarlanmış çeşitli görevleri içerir. Örneğin, nesne tespiti bir resimdeki farklı öğelerin tanımlanmasına ve konumlandırılmasına yardımcı olurken; takipleme, bölütleme ve poz kestirimi gibi diğer görevler makinelerin hareketi, şekilleri ve konumları daha doğru bir şekilde anlamasına yardımcı olur.

Belirli bir uygulama için kullanılan computer vision task, ihtiyaç duyduğun içgörü türüne bağlıdır. Ultralytics YOLO11 gibi computer vision modelleri çeşitli computer vision görevlerini destekleyerek gerçek dünyada Vision AI sistemleri inşa etmek için onu güvenilir bir seçenek haline getirir.

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!

Bilgisayarlı 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 models, tek bir çerçeve içinde tespit, takipleme ve bölütleme gibi çoklu görevleri destekler. Bu çok yönlülük sayesinde YOLO11 modellerini çok çeşitli kullanım senaryolarına uyarlamak kolaydır.

Şekil 1. Ultralytics 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.

Ultralytics YOLO11 tarafından desteklenen bilgisayarlı görü görevlerine genel bakış#

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

Ultralytics YOLO11'in görüntü sınıflandırma desteği#

Bir fotoğrafa baktığınızda, çoğumuz bunların normalde nasıl göründüğünü öğrendiğimiz için bunun bir köpek, bir dağ veya bir trafik işareti gösterip göstermediğini kolayca söyleyebiliriz. Image classification, bir görüntüyü ana nesnesine ("araba", "muz" veya "kırıklı bir röntgen" olup olmadığına) göre nasıl sınıflandıracağını ve etiketleyeceğini öğreterek makinelerin de aynı şeyi yapmasına yardımcı olur. Bu etiket, computer vision sistemlerinin görsel içeriği anlamasına yardımcı olur, böylece buna göre yanıt verebilir veya kararlar alabilirler.

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.

Fig 2. Image classification için YOLO11 kullanımına dair bir örnek.

Ultralytics YOLO11'in nesne tespiti yetenekleri#

Image classification, bir görüntünün ne içerdiği hakkında genel bir fikir edinmek için yararlı olsa da, tüm görüntüye yalnızca tek bir etiket atar. Birden fazla nesnenin kesin konumu ve kimliği gibi ayrıntılı bilgiye ihtiyaç duyulan durumlarda object detection hayati önem taşır.

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.

Örnek segmentasyonu (instance segmentation) için YOLO11 kullanımı#

Object detection, bir görüntütteki nesneleri tanımlamak ve konumlandırmak için sınırlayıcı kutular kullanır ancak tam şekillerini yakalamaz. Instance segmentation tam burada devreye girer. Bir nesnenin etrafına kutu çizmek yerine, instance segmentation nesnenin kesin hatlarını izler.

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.

Nesne takibi: YOLO11 ile kareler boyunca nesneleri takip etme#

Şimdiye kadar incelediğimiz computer vision görevleri tek bir görüntüde ne olduğuna odaklanıyordu. Ancak söz konusu videolar olduğunda, tek bir karenin ötesine geçen içgörülere ihtiyacımız var. Object tracking 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.

Fig 5. YOLO11'in object tracking desteği hız kestirimi için kullanılabilir.

YOLO11 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 object detection yöntemleri, bir nesnenin yönüne uyum sağlamayan sabit dikdörtgen kutular kullanır; bu da döndürülmüş bu şekillerin doğru bir şekilde yakalanmasını zorlaştırır. Oriented bounding box (OBB) detection, daha hassas tespit için nesnenin açısıyla hizalanacak ve etrafını sıkıca sarmak üzere dönecek 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.

Fig 6. OBB detection ve YOLO11 kullanarak tekneleri tespit etme.

Poz tahmini ve YOLO11: Anahtar noktaları takip etme#

Pose estimation, bir nesnenin nasıl hareket ettiğini anlamak için eklemler, uzuvlar veya diğer işaretçiler gibi kilit noktaları takip eden bir computer vision tekniğidir. Bu yöntem, tüm nesneyi veya vücudu tek bir bütün birim olarak ele almak yerine onu kilit 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.

Fig 7. YOLO11, pose estimation kullanarak bir antrenmanı izleyebilir.

YOLO11'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 yalnızca tek bir model değildir; her biri belirli bir computer vision görevi için tasarlanmış özel model varyantlarından oluşan bir pakettir. Bu, YOLO11'i çok çeşitli uygulamalara uyarlanabilen çok yönlü bir araç haline getirir. Projelerinin benzersiz zorluklarının üstesinden gelmek için bu modelleri özel datasets üzerinde de ince ayarlardan geçirebilirsin.

Belirli görme görevleri için önceden eğitilmiş YOLO11 model variants 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.

Öne 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.

AI'ı çalışırken görmek için our community topluluğumuza katıl ve our GitHub repository GitHub depolarımızı ziyaret et. Çözüm sayfalarımızda our licensing options hakkında bilgi alabilir, AI in agriculture ve computer vision in manufacturing konularında daha fazlasını keşfedebilirsin.