Bilgisayarlı görü görevleri hakkında bilmeniz gereken her şey

Kameralar ve yapay zeka (AI) alanındaki gelişmeler sayesinde, bilgisayarlar ve makineler artık dünyayı insanların yaptığına benzer bir şekilde görebiliyor. Örneğin, insanları tanıyabilir, nesneleri takip edebilir ve hatta bir videoda neler olup bittiğinin bağlamını anlayabilirler.

Özellikle, bilgisayarlı görü, makinelerin çevrelerindeki dünyadan gelen görsel bilgileri anlamalarını ve yorumlamalarını sağlayan yapay zeka dalıdır. Bilgisayarlı görü, her biri görüntülerden veya videolardan belirli bir türde içgörü elde etmek için tasarlanmış çeşitli görevleri içerir. Örneğin, nesne tespiti bir resimdeki farklı öğeleri tanımlamaya ve konumlandırmaya yardımcı olurken, izleme, segmentasyon ve poz tahmini gibi diğer görevler makinelerin hareketi, şekilleri ve konumları daha doğru bir şekilde anlamalarına yardımcı olur.

Belirli bir uygulama için kullanılan bilgisayarla görme görevi, ihtiyaç duyduğunuz içgörülerin türüne bağlıdır. Ultralytics YOLO11 gibi bilgisayarla görme modelleri, çeşitli bilgisayarla görme görevlerini destekleyerek gerçek dünya Vizyon Yapay Zeka sistemleri oluşturmak için güvenilir bir seçimdir.

Bu kılavuzda, YOLO11 gibi modeller tarafından desteklenen bilgisayar görüşü görevlerine daha yakından bakacağız. Her bir görevin nasıl çalıştığını ve farklı sektörlerde nasıl kullanıldığını inceleyeceğiz. Haydi başlayalım!

Bilgisayarlı görü görevleri nelerdir?

Bilgisayarla görü görevleri, insan görme yeteneklerini farklı şekillerde taklit etmeyi amaçlar. Bu görevler, makinelerin nesneleri algılamasına, hareketlerini izlemesine, pozlarını tahmin etmesine ve hatta görüntülerdeki ve videolardaki bireysel öğelerin ana hatlarını çizmesine yardımcı olabilir. Tipik olarak, bilgisayarla görü görevleri, görsel verileri daha küçük parçalara ayıran modeller tarafından etkinleştirilir, böylece neler olup bittiğini daha net bir şekilde yorumlayabilirler. 

Ultralytics YOLO modelleri gibi Görü Yapay Zeka modelleri, tek bir çerçevede tespit, izleme ve segmentasyon gibi birden çok görevi destekler. Bu çok yönlülük sayesinde, YOLO11 modellerinin çok çeşitli kullanım durumları için benimsenmesi kolaydır.

‍

Bunun iyi bir örneği spor analizlerindedir. YOLO11, nesne algılama kullanarak sahadaki her oyuncuyu tespit etmek için kullanılabilir, ardından nesne takibi ile maç boyunca onları takip edebilir. Bu arada, YOLO11'in poz tahmini yetenekleri, oyuncu hareketlerini ve tekniklerini analiz etmeye yardımcı olabilir ve örnek segmentasyonu, her oyuncuyu arka plandan ayırarak analize hassasiyet katabilir. 

Birlikte, bu YOLO11 özellikli bilgisayarlı görü görevleri, oyun sırasında neler olup bittiğine dair eksiksiz bir resim oluşturarak takımlara oyuncu performansı, taktikler ve genel strateji hakkında daha derin bilgiler verir.

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 olarak anlamaya başlayalım.

YOLO11'in görüntü sınıflandırması desteği

Bir fotoğrafa baktığınızda, çoğu insan bunun bir köpek, bir dağ veya bir trafik işareti olup olmadığını kolayca anlayabilir, çünkü hepimiz bunların tipik olarak nasıl göründüğünü öğrendik. Görüntü sınıflandırması, makinelere aynı şeyi yapmaları için ana nesnesine göre bir görüntüyü nasıl sınıflandıracaklarını ve etiketleyeceklerini öğreterek yardımcı olur - ister "araba", ister "muz" veya "kırıklı bir röntgen" olsun. Bu etiket, bilgisayarlı görü sistemlerinin görsel içeriği anlamasına yardımcı olur, böylece buna göre yanıt verebilir veya karar verebilirler.

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

‍

YOLO11'in nesne algılama yetenekleri

Görüntü sınıflandırması, bir görüntünün ne içerdiğine dair genel bir fikir edinmek için yardımcı olsa da, tüm görüntüye yalnızca bir etiket atar. Birden çok nesnenin kesin konumu ve kimliği gibi ayrıntılı bilgilerin gerekli olduğu durumlarda, nesne tespiti şart hale gelir.

Nesne tespiti, genellikle çevrelerine sınırlayıcı kutular çizerek bir görüntü içindeki tek tek nesneleri tanımlama ve konumlandırma işlemidir. Ultralytics YOLO11, gerçek zamanlı nesne tespitinde özellikle iyi performans gösterir ve bu da onu çok çeşitli uygulamalar için ideal hale getirir.

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

‍

Örnek segmentasyonu için YOLO11 kullanma

Nesne tespiti, bir görüntüdeki nesneleri tanımlamak ve konumlandırmak için sınırlayıcı kutular kullanır, ancak bunların tam şekillerini yakalamaz. Örnek segmentasyonu burada devreye giriyor. Örnek segmentasyonu, bir nesnenin etrafına bir kutu çizmek yerine, tam hatlarını izler.

Bunu şöyle düşünebilirsiniz: sadece "bu alanda bir elma var" demek yerine, elmanın tam şeklini dikkatlice ana hatlarıyla belirtir ve içini doldurur. Bu detaylı süreç, yapay zeka sistemlerinin bir nesnenin sınırlarını, özellikle nesneler birbirine yakın olduğunda, net bir şekilde anlamasına yardımcı olur.

Örnek segmentasyonu, altyapı denetimlerinden jeolojik araştırmalara kadar birçok uygulamaya uygulanabilir. Örneğin, jeolojik araştırmalardan elde edilen veriler, büyük ve küçük yüzey çatlaklarını veya anormallikleri segmentlere ayırmak için YOLO11 kullanılarak analiz edilebilir. Mühendisler, bu anormalliklerin etrafına kesin sınırlar çizerek sorunları tespit edebilir ve bir proje başlamadan önce bunları giderebilir. 

‍

Nesne takibi: YOLO11 ile kareler boyunca nesneleri takip etme

Şimdiye kadar baktığımız bilgisayarlı görü görevleri, tek bir görüntüde ne olduğuna odaklanıyor. Ancak, videolar söz konusu olduğunda, tek bir karenin ötesine geçen içgörülere ihtiyacımız var. Nesne takibi görevi bunun için kullanılabilir.

YOLO11'in nesne izleme yeteneği, bir kişinin veya arabanın bir dizi video karesi boyunca hareketini takip edebilir. Kamera açısı değişse veya başka nesneler görünse 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 izleyebilir ve her arabanın hızını gerçek zamanlı olarak tahmin etmeye yardımcı olmak için takip edebilir. Bu, nesne takibini trafik izleme gibi sistemlerde önemli bir bileşen haline getirir.

‍

YOLO11 kullanarak yönlendirilmiş sınırlayıcı kutuların (OBB) tespiti

Gerçek dünyadaki nesneler her zaman mükemmel şekilde hizalanmaz; eğimli, yan veya garip açılarda konumlandırılmış olabilirler. Örneğin, uydu görüntülerinde gemiler ve binalar genellikle dönmüş görünür. 

Geleneksel nesne algılama yöntemleri, bir nesnenin yönüne göre ayarlanmayan sabit dikdörtgen kutular kullanır ve bu da döndürülmüş şekilleri doğru bir şekilde yakalamayı zorlaştırır. Yönlendirilmiş sınırlayıcı kutu (OBB) algılama, bir nesnenin etrafına sıkıca oturacak şekilde dönen ve daha hassas algılama için açısıyla hizalanan kutular kullanarak bu sorunu çözer.

Liman izleme ile ilgili olarak, YOLO11'in OBB algılama desteği, limana giren veya çıkan her geminin düzgün bir şekilde izlenmesini sağlayarak, yönelimlerinden bağımsız olarak gemileri doğru bir şekilde tanımlamaya ve izlemeye yardımcı olabilir. Bu hassas algılama, yoğun limanları yönetmek ve çarpışmaları önlemek için kritik olan gemi konumları ve hareketleri hakkında gerçek zamanlı bilgi sağlar.

‍

Poz tahmini ve YOLO11: Anahtar noktaları izleme 

Poz tahmini, bir nesnenin nasıl hareket ettiğini anlamak için eklemler, uzuvlar veya diğer işaretler gibi kilit noktaları izleyen bir bilgisayarlı görü tekniğidir. Bu yöntem, tüm bir nesneyi veya vücudu tek bir bütün birim olarak ele almak yerine, onu temel parçalarına ayırır. Bu, hareketleri, jestleri ve etkileşimleri ayrıntılı olarak analiz etmeyi mümkün kılar.

Bu teknolojinin yaygın bir uygulaması, insan poz tahmini yapmaktır. Çeşitli vücut parçalarının konumlarını gerçek zamanlı olarak izleyerek, bir kişinin nasıl hareket ettiğine dair net bir resim sunar. Bu bilgi, jest tanıma ve aktivite izlemeden, sporda performans analizine kadar çeşitli amaçlar için kullanılabilir. 

Benzer şekilde, fiziksel rehabilitasyonda terapistler, hastaların egzersiz sırasındaki hareketlerini izlemek için insan pozu tahmini ve YOLO11'i kullanabilir. Bu, her hareketin doğru yapılmasını sağlarken zaman içindeki ilerlemeyi de takip etmeye yardımcı olur.

‍

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 desteklediğini gözden geçirelim. 

YOLO11 sadece 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, projelerinizin benzersiz zorluklarının üstesinden gelmek için bu modelleri özel veri kümelerinde ince ayar yapabilirsiniz.

İşte belirli görüntü işleme görevleri için önceden eğitilmiş YOLO11 model varyantları:

• YOLO11: Bu model, gerçek zamanlı olarak birden çok nesneyi algılar ve etiketler, bu da onu yüksek hızlı görsel tanıma için ideal hale getirir.
  
  
• 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 için tasarlanmıştır.
  
  
• YOLO11-cls: Bu varyant, genel içeriğe göre tek bir kategori etiketi atayarak görüntüleri sınıflandırır.
  
  
• YOLO11-pose: Bu model, duruşu, uzuv pozisyonlarını ve hareketi izlemek için vücut üzerindeki kilit noktaları tahmin eder.

Her varyant farklı boyutlarda mevcuttur ve kullanıcıların özel ihtiyaçları için hız ve doğruluk arasında doğru dengeyi seçmelerine olanak tanır.

Önemli çıkarımlar

Bilgisayarla görü görevleri, makinelerin dünyayı anlama ve etkileşim kurma biçimini değiştiriyor. Görüntüleri ve videoları temel öğelere ayırarak, bu teknolojiler nesneleri, hareketleri ve etkileşimleri ayrıntılı olarak analiz etmeyi kolaylaştırır. 

Trafik güvenliğini ve spor performansını iyileştirmekten endüstriyel süreçleri kolaylaştırmaya kadar, YOLO11 gibi modeller inovasyonu yönlendiren gerçek zamanlı içgörüler sağlayabilir. Görü YZ gelişmeye devam ettikçe, görsel verileri her gün nasıl yorumladığımız ve kullandığımızda giderek daha önemli bir rol oynayacaktır.

Topluluğumuza katılın ve yapay zekayı iş başında görmek için GitHub depomuzu ziyaret edin. Lisanslama seçeneklerimizi keşfedin ve çözüm sayfalarımızda tarımda yapay zeka ve üretimde bilgisayarlı görü hakkında daha fazla bilgi edinin.