6 Ocak 2025
David Scott'ın YOLO Vision 2024 açılış konuşmasında yapay zekaya dayalı davranış analizi ve bunun hayvan yetiştiriciliği gibi sektörlerdeki gerçek dünya uygulamalarını tekrar gözden geçirirken bize katılın.
%25202.webp)
Uzun yıllardır, bilgisayarlı görü yenilikleri, görüntülerde ve videolarda bir köpek veya bir araba gibi nesneleri tanımlayan nesne tespiti gibi görevlere odaklanmıştır. Bu yaklaşımlar, otonom araçlar, üretim ve sağlık hizmetleri gibi alanlarda uygulamaları mümkün kılmıştır.
Ancak, bu görevler genellikle yalnızca bir nesnenin ne olduğunu belirlemeye odaklanır. Görüntü İşleme Yapay Zeka sistemleri bir adım daha ileri gidebilseydi ne olurdu? Örneğin, sadece bir köpeği tespit etmek yerine, köpeğin bir topu kovaladığını veya bir arabanın bir yaya geçtiği için aniden fren yaptığını anlayabildiğini varsayalım. Temel tanımadan bağlamsal anlayışa doğru bu geçiş, daha akıllı, bağlam duyarlı davranışsal yapay zekaya doğru önemli bir değişimi temsil ediyor.
Ultralytics'in Vision AI alanındaki gelişmeleri kutladığı yıllık hibrit etkinliği YOLO Vision 2024'te (YV24), The Main Branch CEO'su David Scott'ın ilginç konuşması sırasında AI güdümlü davranış analizi kavramı ön plana çıktı.
Konuşmasında David, temel bilgisayarlı görü görevlerinden davranışsal takibe geçişi inceledi. En son teknoloji uygulamaları oluşturma konusunda 25 yılı aşkın deneyime sahip olan David, bu sıçramanın etkisini sergiledi. Kalıpları ve davranışları çözmenin tarım ve hayvan refahı gibi endüstrileri nasıl yeniden şekillendirdiğini vurguladı.
Bu makalede, David'in konuşmasının önemli noktalarını inceleyeceğiz ve davranışsal izlemenin yapay zekayı nasıl daha pratik hale getirdiğini keşfedeceğiz.
David Scott, açılış konuşmasına cesur bir gerçeklik kontrolüyle başladı ve şöyle dedi: "Bir meslektaşım sık sık 'Bilim satmaz' der ki bu, burada bulunan çoğumuzu rahatsız eder çünkü biz bilimi gerçekten seviyoruz. Yapay zeka gerçekten harika; insanlar neden onu satın almasın ki? Ama gerçek şu ki, insanlar sadece biz harika olduğunu düşündüğümüz için onu satın almak istemiyorlar; onu satın almak için bir sebebe ihtiyaçları var."
Devam etti ve şirketi The Main Branch'te odak noktasının her zaman yapay zekanın yeteneklerini göstermekten ziyade gerçek sorunları çözmek olduğunu açıkladı. Birçok müşteri genel olarak yapay zekayı nasıl kullanabilecekleri hakkında konuşmak isteyerek geliyor, ancak bunu geriye dönük bir yaklaşım olarak görüyor - bu, sorunu olmayan bir çözüme sahip olmak gibi. Bunun yerine, gerçek bir fark yaratacak yapay zeka çözümleri oluşturabilmeleri için belirli zorluklar getiren müşterilerle çalışıyorlar.
David ayrıca, çalışmalarının genellikle sadece bir sahnedeki nesneleri tanımaktan öteye geçtiğini de paylaştı. Orada ne olduğunu tespit etmek sadece ilk adım. Gerçek değer, bu bilgiyi ne yapacağımızı ve daha büyük değer zinciri içinde nasıl faydalı hale getireceğimizi çözmekten geliyor.
Yapay zekayı gerçekten faydalı hale getirmenin önemli bir adımı, nesne algılama gibi temel bilgisayarlı görü görevlerinin ötesine geçmek ve bu bilgileri davranışsal izleme için kullanmaktır. David, davranışsal yapay zekanın sadece nesneleri tanımlamak yerine eylemleri ve kalıpları anlamaya odaklandığını vurguladı. Bu, yapay zekayı anlamlı olayları tanıma ve eyleme geçirilebilir içgörüler sağlama yeteneğine sahip kılar.
Bir hayvanın yerde yuvarlanmasını örnek verdi, bu da hastalık belirtisi olabilir. İnsanlar bir hayvanı günün her saati izleyemezken, davranışsal izleme özelliklerine sahip yapay zeka odaklı gözetim sistemleri bunu yapabilir. Bu tür çözümler nesneleri sürekli olarak izleyebilir, belirli davranışları detect edebilir, bir uyarı gönderebilir ve zamanında harekete geçilmesini sağlayabilir. Bu da ham veriyi pratik ve değerli bir şeye dönüştürür.
David ayrıca, bu yaklaşımın yapay zekayı sadece ilginç değil, aynı zamanda gerçekten etkili kıldığını da gösterdi. Davranışları izleme ve bunlara göre hareket etme gibi gerçek sorunları ele alarak, davranış takibi çeşitli sektörlerdeki etkili yapay zeka çözümlerinin önemli bir parçası haline gelebilir.
David Scott daha sonra nasıl Ultralytics YOLOv8bir bilgisayarla görme modeli, ekibinin davranışsal izleme projeleri için bir atılım oldu. Nesneleri tespit etmek, sınıflandırmak ve izlemek için onlara sağlam bir temel sağladı. Ekibi ayrıca bir adım daha ileri giderek YOLOv8 'i zaman içindeki davranışları izlemeye odaklanacak şekilde özel olarak eğitti ve gerçek dünyadaki durumlar için daha pratik ve yararlı hale getirdi.
İlginç bir şekilde Ultralytics YOLO11The Main Branch tarafından üretilenler gibi çözümler daha da güvenilir ve doğru hale gelebilir. Bu son model, davranışları track etme kabiliyetini artıran gelişmiş hassasiyet ve daha hızlı işleme gibi özellikler sunuyor. Davranışsal yapay zekanın kullanılabileceği uygulamaları daha iyi anladıktan sonra bunu daha ayrıntılı olarak tartışacağız.
Şimdi de David'in bahsettiği çözümleri ve davranış izleme teknolojisinin günlük zorlukları çözmek ve anlamlı bir etki yaratmak için gerçek dünya uygulamalarında nasıl kullanıldığını inceleyelim.
David ilk olarak, büyük bir besi çiftliğindeki binlerce ineğin sağlığının izlenmesini içeren HerdSense adlı bir projede üstesinden geldikleri heyecan verici bir zorluğu paylaştı. Amaç, potansiyel sağlık sorunlarını tespit etmek için tek tek ineklerin davranışlarını track . Bu, aynı anda on binlerce hayvana göz kulak olmak anlamına geliyordu ve bu basit bir görev değildi.
David'in ekibi, her bir ineği tanımlama ve davranışlarını izleme sorununu çözmeye başlamak için, izlemeleri gereken olası her davranışı özetlemek üzere iki günlük bir çalıştay düzenledi. Toplamda 200'den fazla davranış belirlediler.
200 davranışın her biri, tüm verilerin belirli hayvanlara bağlanması gerektiğinden, bireysel inekleri doğru bir şekilde tanımaya bağlıydı. Temel endişelerden biri, bireysel hayvanları görmeyi zorlaştıran, bir araya toplanan inekleri takip etmekti.
David'in ekibi, her ineğin zor durumlarda bile tutarlı bir şekilde tanımlanmasını sağlamak için bir bilgisayarlı görü sistemi geliştirdi. Aynı ineğe, görüş alanından kaybolsa, diğerleriyle karışsa veya daha sonra yeniden ortaya çıksa bile her zaman aynı kimliğin atanacağını doğrulayabildiler.
Devamında David, atları izlemek için benzer davranışsal izleme tekniklerini uyguladıkları bir başka büyüleyici projeyi tanıttı. Bu projede, David'in ekibinin aşağıdakileri yapmasına gerek yoktu track Atların kimliklerini ineklerde olduğu kadar yakından takip etmediler. Bunun yerine, belirli davranışlara odaklandılar ve herhangi bir sağlık sorununu erkenden tespit etmek için yeme düzenleri ve genel aktivite seviyeleri gibi ayrıntıları izlediler. Davranışlardaki küçük değişiklikleri tespit etmek, daha iyi bakım sağlamak ve sorunları ciddileşmeden önlemek için daha hızlı müdahalelere yol açabilir.
David ayrıca davranışsal izlemenin karmaşıklığını ilgi çekici bir örnek üzerinden tartıştı. Davranışsal analizi geliştirmenin yollarını araştırırken ekibi, birinin elini cebine sokması gibi belirli pozları analiz ederek mağaza hırsızlığınıdetect ettiğini iddia eden bir şirketle karşılaştı. İlk başta bu akıllıca bir fikir gibi göründü - belirli hareketler şüpheli davranışlara işaret edebilir, değil mi?
Ancak David daha fazla araştırdıkça, bu yöntemin sınırlamalarını fark etti. Bir cepteki el gibi tek bir poz, mutlaka birinin hırsızlık yaptığı anlamına gelmez. Sadece rahat, düşünceli veya hatta üşümüş olduklarını gösterebilir. İzole pozlara odaklanmanın sorunu, daha büyük bağlamı göz ardı etmesidir. Davranış sadece tek bir eylem değildir - bağlam ve niyet tarafından şekillendirilen, zaman içindeki bir eylem örüntüsüdür.
David, gerçek davranış takibinin çok daha karmaşık olduğunu ve bütünsel bir yaklaşım gerektirdiğini vurguladı. Bu, eylem dizilerini analiz etmek ve bunların daha geniş resimde ne anlama geldiğini anlamakla ilgilidir. Yapay zeka endüstrisi ilerleme kaydetmekle birlikte, davranış takibini anlamlı ve doğru içgörüler sunacak şekilde geliştirme konusunda hala yapılması gereken işler olduğunu belirtti.
Daha sonra David, ekibinin YOLOv8 ve poz tahmin yetenekleri yardımıyla inek sağlığını izlemek için nasıl bir bilgisayarla görme çözümü oluşturduğunu göstermek için izleyicileri perde arkasına götürdü.
İşe, bir ineğin poz tahminlemesi için özel bir veri kümesi oluşturarak başladılar ve modelin hareketi daha iyi analiz edebilmesi için standart anahtar nokta sayısını 17'den 145'e çıkardılar. Ardından, model 2 milyondan fazla resim ve 110 milyon davranışsal örnekten oluşan devasa bir veri kümesi üzerinde eğitildi.
David'in ekibi, gelişmiş donanım altyapısını kullanarak, modeli geleneksel donanımla haftalarca sürecek bir çalışma yerine sadece iki günde eğitebildi. Eğitilen model daha sonra, ineklerin eylemlerindeki kalıpları detect etmek için aynı anda birden fazla video karesini analiz eden özel bir davranış izleyiciyle entegre edildi.
Sonuç, sağlık sorunlarına işaret edebilecek küçük davranış değişikliklerini detect etmek için yeme, içme ve yatma gibi sekiz farklı inek davranışını detect edip track yapay zeka odaklı bir vizyon çözümü oldu. Bu da çiftçilerin hızlı hareket etmesini sağlıyor ve sürü yönetimini iyileştiriyor.
David, konuşmasını dinleyicilerle önemli bir ders paylaşarak tamamladı: "Yapay zekaya başarısız olma alanı tanımazsanız, kendinizi başarısızlığa hazırlıyorsunuz demektir çünkü sonuçta bu istatistikseldir." Yapay zekanın, güçlü yönlerine rağmen kusursuz olmadığını belirtti. Bu, kalıplardan öğrenen bir araçtır ve her zaman işleri doğru yapmadığı zamanlar olacaktır. Bu hatalardan korkmak yerine, önemli olan onları ele alabilen ve zaman içinde gelişmeye devam edebilen sistemler inşa etmektir.
Bu durum, bilgisayarla görme modellerinin kendileri söz konusu olduğunda da geçerlidir. Örneğin, Ultralytics YOLO modellerinin en son sürümü olan Ultralytics YOLO11, YOLOv8'e kıyasla işleri bir sonraki seviyeye taşıma ihtiyacı göz önünde bulundurularak oluşturulmuştur.
YOLO11 , özellikle tarım ve sağlık hizmetleri gibi hassasiyetin önemli olduğu gerçek zamanlı uygulamalar açısından daha iyi performans sunuyor. Gelişmiş özellikleriyle YOLO11 , yenilikçi gerçek zamanlı içgörüler sağlayarak ve zorlukların daha etkili bir şekilde üstesinden gelmelerine yardımcı olarak endüstrilerin yapay zekayı kullanma şeklini yeniden tanımlıyor.
David'in YV24'teki açılış konuşması, yapay zekanın sadece havalı bir yenilikten daha fazlası olduğunu - gerçek sorunları çözmek ve yaşama ve çalışma şeklimizi iyileştirmek için güçlü bir araç olduğunu hatırlattı. Davranışa odaklanarak, yapay zeka şimdiden hayvan sağlığını izleme ve günlük eylemlerdeki anlamlı kalıpları tanıma gibi alanlarda etki yaratıyor.
Davranışsal yapay zekanın potansiyeli heyecan verici ve biz daha yolun başındayız. Ham veriyi eyleme geçirilebilir içgörülere dönüştürerek, davranışsal yapay zeka pasif izlemeden aktif problem çözmeye geçiş yapar. Gelişmeye devam ettikçe, davranışsal yapay zeka daha akıllı kararlar almayı, süreçleri kolaylaştırmayı ve hayatımıza anlamlı iyileştirmeler getirmeyi hedefliyor.
AI ve gerçek dünya uygulamaları hakkında daha fazla bilgi edinmek için topluluğumuzla bağlantıda kalın. tarımda AI ve üretimde bilgisayarlı görü gibi alanlardaki yenilikleri keşfetmek için GitHub depomuzu ziyaret edin.
