Davranışsal AI, bilgisayarlı görüyü daha etkili kılıyor

Uzun yıllardır bilgisayarlı görü yenilikleri, görüntüler ve videolardaki köpek veya araba gibi nesneleri tanımlamak olan nesne algılama gibi görevlere odaklanmıştır. Bu yaklaşımlar, otonom araçlar, üretim ve sağlık hizmetleri gibi alanlarda uygulamaların önünü açmıştır.

Ancak bu görevler genellikle sadece bir nesnenin ne olduğunu tanımlamaya odaklanır. Peki ya vizyon AI sistemleri bir adım daha ileri gidebilseydi? Örneğin, sadece bir köpeği algılamak yerine, köpeğin bir topun peşinden koştuğunu veya bir arabanın yaya geçtiği için aniden fren yaptığını anlayabildiğini düşünelim. Temel tanımadan bağlamsal anlayışa geçiş, daha akıllı, bağlamın farkında olan davranışsal AI'ya doğru büyük bir değişimi temsil eder.

YOLO Vision 2024 (YV24) etkinliğinde, yani Ultralytics'in vizyon AI alanındaki ilerlemeleri kutlayan yıllık hibrit etkinliğinde, AI destekli davranış analizi kavramı, The Main Branch CEO'su David Scott'ın ilgi çekici konuşması sırasında merkezde yer aldı.

David konuşmasında, temel bilgisayarlı görü görevlerinden davranışsal takibe geçişi keşfetti. 25 yılı aşkın ileri teknoloji uygulamaları geliştirme deneyimiyle, bu sıçramanın etkisini sergiledi. Örüntülerin ve davranışların çözümlenmesinin tarım ve hayvan refahı gibi endüstrileri nasıl yeniden şekillendirdiğini vurguladı.

Bu makalede, David'in konuşmasının öne çıkanlarını inceleyeceğiz ve davranışsal takibin AI'yı nasıl daha pratik hale getirdiğini keşfedeceğiz.

Link to this sectionAI benimseme zorluklarını anlamak#

David Scott ana konuşmasına cesur bir gerçeklik kontrolüyle başladı ve şöyle dedi: "Bir iş arkadaşım sık sık 'Bilim satmaz' der, bu da bilimi gerçekten sevdiğimiz için burada bulunan birçoğumuzu biraz rahatsız eder. AI gerçekten harika - insanlar neden sadece onu satın almasın? Ancak gerçek şu ki, insanlar sadece havalı olduğunu düşündüğümüz için bir şeyi satın almak istemiyorlar; satın almak için bir nedene ihtiyaçları var."

Konuşmasına, şirketi The Main Branch'te odak noktasının sadece AI'nın yeteneklerini göstermek değil, AI ile gerçek sorunları çözmek olduğunu açıklayarak devam etti. Birçok müşteri genel olarak AI'yı nasıl kullanabilecekleri hakkında konuşmak için geliyor, ancak o bunu ters bir yaklaşım olarak görüyor - sorunsuz bir çözüme sahip olmak gibi. Bunun yerine, gerçekten fark yaratan AI çözümleri oluşturabilmek için belirli zorlukları beraberinde getiren müşterilerle çalışıyorlar.

Şekil 1. YV24 sahnesinde David Scott.

David ayrıca çalışmalarının genellikle bir sahnedeki nesneleri tanımanın ötesine geçtiğini paylaştı. Orada ne olduğunu tespit etmek sadece ilk adımdır. Gerçek değer, bu bilgiyle ne yapılacağını bulmaktan ve onu daha geniş değer zinciri içinde yararlı hale getirmekten gelir.

Link to this sectionDavranışsal takip teknolojisi: işe yarar AI'nın anahtarı#

AI'yı gerçekten kullanışlı hale getirmenin hayati bir adımı, nesne algılama gibi temel bilgisayarlı görü görevlerinin ötesine geçmek ve bu içgörüleri davranışsal takip için kullanmaktır. David, davranışsal AI'nın sadece nesneleri tanımlamaya değil, eylemleri ve örüntüleri anlamaya odaklandığını vurguladı. Bu, AI'yı anlamlı olayları tanıma ve eyleme geçirilebilir içgörüler sağlama konusunda yetenekli kılar.

Yerde yuvarlanan bir hayvan örneğini verdi, bu bir hastalığı gösterebilir. İnsanlar bir hayvanı günün her saati izleyemezken, davranışsal takip yeteneklerine sahip AI destekli gözetim sistemleri bunu yapabilir. Bu tür çözümler, nesneleri sürekli izleyebilir, belirli davranışları algılayabilir, uyarı gönderebilir ve zamanında müdahaleye olanak tanıyabilir. Bu, ham veriyi pratik ve değerli bir şeye dönüştürür.

David ayrıca bu yaklaşımın AI'yı sadece ilginç değil, gerçekten etkili kıldığını sergiledi. Davranışları izlemek ve bunlara göre hareket etmek gibi gerçek sorunları ele alarak, davranışsal takip çeşitli endüstrilerde etkili AI çözümlerinin önemli bir parçası haline gelebilir.

Link to this sectionDavranışsal AI'yı hayata geçirmek#

David Scott daha sonra, bir bilgisayarlı görü modeli olan Ultralytics YOLOv8'in ekibinin davranışsal takip projeleri için nasıl bir dönüm noktası olduğunu gösterdi. Onlara nesneleri tespit etme, sınıflandırma ve izleme için sağlam bir temel sağladı. Ekibi ayrıca bir adım daha ileri gitti ve davranışları zaman içinde izlemeye odaklanmak için YOLOv8'i özel olarak eğitti, böylece onu gerçek dünya durumları için daha pratik ve yardımcı hale getirdi.

İlginç bir şekilde, Ultralytics YOLO11'in piyasaya sürülmesiyle, The Main Branch tarafından oluşturulanlar gibi çözümler daha da güvenilir ve doğru hale gelebilir. Bu son model, davranışları takip etme yeteneğini geliştiren gelişmiş hassasiyet ve daha hızlı işleme gibi özellikler sunar. Bunu, davranışsal AI'nın kullanılabileceği uygulamaları daha iyi anladıktan sonra daha ayrıntılı bir şekilde tartışacağız.

Şimdi, David'in bahsettiği çözümleri ve davranışsal takip teknolojisinin gerçek dünya uygulamalarında günlük zorlukları çözmek ve anlamlı bir etki yaratmak için nasıl kullanıldığını keşfedelim.

Link to this sectionAI destekli davranış analizi ile HerdSense#

David ilk olarak, devasa bir besi yerindeki binlerce ineğin sağlığını izlemeyi içeren HerdSense adlı bir projeyle ele aldıkları heyecan verici bir zorluğu paylaştı. Amaç, olası sağlık sorunlarını belirlemek için tek tek ineklerin davranışlarını takip etmekti. Bu, on binlerce hayvanı aynı anda gözlemlemek anlamına geliyordu ve basit bir görev değildi.

Şekil 2. HerdSense, davranışsal AI kullanarak inekleri izlemeye ve tanımlamaya odaklandı.

Her bir ineği tanımlama ve davranışlarını takip etme sorununu çözmeye başlamak için David'in ekibi, izlemeleri gereken her olası davranışı ana hatlarıyla belirlemek için iki günlük bir çalıştay düzenledi. Toplamda 200'den fazla davranış belirlediler.

200 davranışın her biri, tek tek inekleri doğru bir şekilde tanıyabilmeye bağlıydı, çünkü tüm verilerin belirli hayvanlarla ilişkilendirilmesi gerekiyordu. Büyük bir endişe, inekler bir araya geldiklerinde onları takip etmekti, bu da tek tek hayvanları görmeyi zorlaştırıyordu.

David'in ekibi, zor durumlarda bile her ineğin tutarlı bir şekilde tanımlanmasını sağlamak için bir bilgisayarlı görü sistemi geliştirdi. Görüş alanından çıksa, başkalarıyla karışsa veya daha sonra tekrar görünse bile aynı ineğe her zaman aynı kimliğin atanacağını doğrulamayı başardılar.

Link to this sectionBilgisayarlı görü ile at sağlığını izleme#

Ardından David, benzer davranışsal takip tekniklerini atları izlemek için uyguladıkları başka bir büyüleyici projeyi tanıttı. Bu projede David'in ekibinin, ineklerde yaptıkları kadar yakından tek tek at kimliklerini takip etmeleri gerekmiyordu. Bunun yerine, belirli davranışlara odaklandılar ve sağlık sorunlarını erkenden tespit etmek için yeme düzenleri ve genel aktivite düzeyleri gibi detayları takip ettiler. Davranıştaki küçük değişiklikleri belirlemek, daha iyi bakım sağlamak ve sorunlar ciddileşmeden önce önlemek için daha hızlı müdahalelere yol açabilirdi.

Şekil 3. Davranışsal AI yardımıyla atları izleme.

Link to this sectionDavranışsal AI neden göründüğü kadar basit değil#

David ayrıca davranışsal takibin karmaşıklığını ilgi çekici bir örnekle tartıştı. Davranış analizini geliştirmenin yollarını araştırırken, ekibi elinde cep varken birinin olması gibi belirli pozları analiz ederek mağaza hırsızlığını tespit ettiğini iddia eden bir şirketle karşılaştı. İlk başta bu akıllıca bir fikir gibi görünüyordu - bazı hareketler şüpheli davranışı düşündürebilir, değil mi?

Şekil 4. Davranışsal takip teknolojisinin zorluklarını anlamak.

Ancak David konuyu daha derinlemesine araştırdıkça, bu yöntemin sınırlamalarını fark etti. Cepte el olması gibi tek bir poz, mutlaka birinin hırsızlık yaptığı anlamına gelmez. Sadece rahat, düşünceli veya hatta üşümüş olduklarını gösterebilir. İzole edilmiş pozlara odaklanmanın sorunu, daha geniş bağlamı göz ardı etmesidir. Davranış sadece tek bir eylem değildir - bağlam ve niyet tarafından şekillendirilen, zaman içindeki eylemlerin bir örüntüsüdür.

David, gerçek davranışsal takibin çok daha karmaşık olduğunu ve bütünsel bir yaklaşım gerektirdiğini vurguladı. Eylem dizilerini analiz etmek ve bunların daha büyük resimde ne anlama geldiğini anlamakla ilgilidir. AI endüstrisi ilerleme kaydetse de, anlamlı ve doğru içgörüler sunmak için davranışsal takibi ilerletme konusunda yapılacak işler olduğunu belirtti.

Link to this sectionEylemleri anlayan daha akıllı vizyon AI modelleri oluşturma#

Daha sonra David, izleyicilere ekibinin YOLOv8 ve onun poz tahmini yetenekleri yardımıyla inek sağlığını izlemek için nasıl bir bilgisayarlı görü çözümü oluşturduğunu göstermek için kamera arkasına geçti.

İnek poz tahmini için özel bir veri kümesi oluşturarak başladılar ve modeli hareket analizinde daha iyi hale getirmek için standart anahtar nokta sayısını 17'den 145'e çıkardılar. Ardından model, 2 milyondan fazla görüntü ve 110 milyon davranış örneğinden oluşan devasa bir veri kümesi üzerinde eğitildi.

Gelişmiş donanım altyapısını kullanan David'in ekibi, geleneksel donanımda haftalar sürecek modeli sadece iki günde eğitmeyi başardı. Eğitilmiş model daha sonra, ineklerin eylemlerindeki örüntüleri algılamak için aynı anda birden fazla video karesini analiz eden özel bir davranış takipçisiyle entegre edildi.

Sonuç, sağlık endişelerine işaret edebilecek küçük davranış değişikliklerini tespit etmek için yeme, içme ve uzanma gibi sekiz farklı inek davranışını algılayıp takip edebilen, vizyon AI destekli bir çözümdü. Bu, çiftçilerin hızlı hareket etmesini sağlar ve sürü yönetimini iyileştirir.

Link to this sectionDavranışsal AI için önümüzdeki yol#

David, konuşmasını izleyicilerle önemli bir ders paylaşarak tamamladı: "Eğer AI'ya başarısız olması için alan tanımazsan, başarısızlığa hazırlanırsın çünkü günün sonunda bu istatistiksel bir durum." AI'nın, güçlü yanlarına rağmen kusursuz olmadığını belirtti. Örüntülerden öğrenen bir araçtır ve işleri doğru yapamadığı zamanlar her zaman olacaktır. Bu hatalardan korkmak yerine anahtar, onlarla başa çıkabilen ve zamanla iyileşmeye devam eden sistemler kurmaktır.

Bu durum bilgisayarlı görü modellerinin kendisi için de geçerlidir. Örneğin, Ultralytics YOLO modellerinin en son sürümü olan Ultralytics YOLO11, YOLOv8'e kıyasla işleri bir üst seviyeye taşıma ihtiyacı göz önünde bulundurularak oluşturulmuştur.

Şekil 5. YOLO11 tarafından desteklenen bilgisayarlı görü görevleri.

Özellikle YOLO11, tarım ve sağlık hizmetleri gibi hassasiyetin önemli olduğu gerçek zamanlı uygulamalarda daha iyi performans sunar. Gelişmiş özellikleriyle YOLO11, yenilikçi gerçek zamanlı içgörüler sağlayarak ve zorluklarla daha etkili bir şekilde başa çıkmalarına yardımcı olarak endüstrilerin AI'yı kullanma biçimini yeniden tanımlıyor.

Link to this sectionÖne çıkanlar#

David'in YV24'teki ana konuşması, AI'nın sadece havalı bir yenilikten fazlası olduğunu hatırlattı - gerçek sorunları çözmek ve yaşama ve çalışma şeklimizi iyileştirmek için güçlü bir araçtır. Davranışa odaklanarak, AI halihazırda hayvan sağlığını izlemek ve günlük eylemlerdeki anlamlı örüntüleri tanımak gibi alanlarda etki yaratıyor.

Davranışsal AI potansiyeli heyecan verici ve biz daha henüz yolun başındayız. Ham veriyi eyleme geçirilebilir içgörülere dönüştürerek, davranışsal AI pasif izlemeden aktif sorun çözmeye geçer. Daha da geliştikçe, davranışsal AI daha akıllı kararlar almaya, süreçleri düzene sokmaya ve yaşamlarımıza anlamlı iyileştirmeler getirmeye hazırdır.

Stay connected with our community to learn more about AI and its real-world applications. Visit our GitHub repository to discover innovations in areas like AI in agriculture and computer vision in manufacturing.