6 Ocak 2025
David Scott'ın AI odaklı davranış analizi üzerine yaptığı YOLO Vision 2024 açılış konuşmasını ve bunun hayvancılık gibi sektörlerdeki gerçek dünya uygulamalarını yeniden ziyaret ederken 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.
YOLO Vision 2024 (YV24) etkinliğinde, Ultralytics'in Görüntü Yapay Zekası (Vision AI) alanındaki gelişmeleri kutladığı yıllık hibrit etkinlikte, The Main Branch CEO'su David Scott'ın ilgi çekici bir konuşması sırasında yapay zeka destekli davranış analizi konsepti 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.
Hasta olabileceğine işaret eden, yerde yuvarlanan bir hayvan örneği verdi. İnsanlar bir hayvanı günün her saati izleyemese de, davranış izleme özelliklerine sahip yapay zeka destekli gözetim sistemleri izleyebilir. Bu tür çözümler nesneleri sürekli olarak izleyebilir, belirli davranışları tespit edebilir, bir uyarı gönderebilir ve zamanında harekete geçilmesini sağlayabilir. Bu, ham verileri 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, bir bilgisayarlı görü modeli olan Ultralytics YOLOv8'in ekibinin davranış takibi projeleri için nasıl bir atılım olduğunu gösterdi. Bu, onlara nesneleri tespit etmek, sınıflandırmak ve izlemek için sağlam bir temel sağladı. Ekibi ayrıca bir adım daha ileri giderek, YOLOv8'i özel olarak eğiterek zaman içindeki davranışları izlemeye odaklandı ve bu da onu gerçek dünya durumları için daha pratik ve faydalı 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 en son model, davranışları izleme yeteneğini geliştiren gelişmiş hassasiyet ve daha hızlı işleme gibi özellikler sunar. 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.
İlk olarak David, büyük bir besi çiftliğinde binlerce ineğin sağlığını izlemeyi içeren HerdSense adlı bir projeyle ele aldıkları heyecan verici bir zorluğu paylaştı. Amaç, potansiyel sağlık sorunlarını belirlemek için bireysel ineklerin davranışlarını izlemekti. Bu, aynı anda on binlerce hayvanı gözlemlemek anlamına geliyordu ve basit bir iş 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, benzer davranış izleme tekniklerini atları izlemek için uyguladıkları başka bir büyüleyici projeyi tanıttı. Bu projede, David'in ekibinin ineklerde olduğu kadar atların bireysel kimliklerini izlemesine gerek yoktu. Bunun yerine, belirli davranışlara odaklandılar ve herhangi bir sağlık sorununu erken tespit etmek için yeme alışkanlıkları ve genel aktivite seviyeleri gibi ayrıntıları izlediler. Davranıştaki küçük değişiklikleri belirlemek, daha iyi bakım sağlamak ve sorunlar ciddileşmeden önlemek için daha hızlı müdahalelere yol açabilir.
David ayrıca, ilgi çekici bir örnek üzerinden davranış takibinin karmaşıklığını da ele aldı. Davranış analizini iyileştirmenin yollarını araştırırken, ekibi belirli pozları (örneğin, birinin elinin cebinde olması gibi) analiz ederek mağaza hırsızlığını tespit ettiğini iddia eden bir şirketle karşılaştı. İlk başta bu akıllıca bir fikir gibi görünüyordu; belirli hareketler şüpheli davranışları gösterebilirdi, 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.
Ardından David, YOLOv8 ve onun poz tahmini yetenekleri yardımıyla ekibinin inek sağlığını izlemek için nasıl bir bilgisayarlı görü çözümü oluşturduğunu göstermek için izleyicileri sahne 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 donanımda haftalar sürecekken sadece iki günde eğitebildi. Eğitilen model daha sonra, ineklerin hareketlerindeki kalıpları tespit etmek için birden fazla video karesini aynı anda analiz eden özel bir davranış izleyiciyle entegre edildi.
Sonuç, sağlık sorunlarına işaret edebilecek küçük davranış değişikliklerini tespit etmek için yemek yeme, içme ve yatma gibi sekiz farklı inek davranışını algılayabilen ve izleyebilen, yapay zeka destekli bir vizyon çözümü oldu. Bu, çiftçilerin hızlı hareket etmesini sağlar ve sürü yönetimini iyileştirir.
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, bilgisayarlı görü modelleri 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.
Özellikle YOLO11, hassasiyetin kilit öneme sahip olduğu tarım ve sağlık hizmetleri gibi gerçek zamanlı uygulamalar açısından daha iyi performans sunar. Gelişmiş özellikleriyle YOLO11, endüstrilerin yapay zekayı kullanma biçimini, yenilikçi gerçek zamanlı içgörüler sağlayarak ve zorlukların üstesinden daha etkili bir şekilde gelmelerine yardımcı olarak 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.
.webp)