Ultralytics YOLO11 ile yapay zeka destekli drone uygulamaları oluştur

Mağaza alışverişi ve çevrim içi alışveriş birbirine benzer görünebilir, ancak farklı lojistik süreçlerine dayanırlar. Mağazaların raflarının yeniden doldurulması gerekirken, çevrim içi siparişler kapıya teslimata bağlıdır. Teknolojik gelişmeler sayesinde her iki alışveriş deneyimi de paralel bir şekilde yeniden şekilleniyor.

Örneğin, teslimatlarda büyük bir değişim yaşanıyor. Yapay zeka destekli drone'lar ürünlerin evlerimize ulaşma şeklini değiştiriyor. Bu akıllı drone'ların önümüzdeki on yıl içinde yaklaşık 808 milyon teslimatı gerçekleştirmesi ve gökyüzünü günlük ticaret için en yeni teslimat rotasına dönüştürmesi bekleniyor.

Teslimat drone'ları, yapay zeka (AI) ve görsel verileri analiz etmek için kullanılan bir yapay zeka alt dalı olan bilgisayarlı görü teknolojisini, engellerin etrafında gezinmek ve manevra yapmak için kullanır. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, drone'ların nesneleri gerçek zamanlı olarak algılamasına ve takip etmesine yardımcı olarak çevrelerini daha iyi anlamalarını ve etkileşime girmelerini sağlar.

Şekil 1. Bir paketi hedefine götüren bir teslimat drone'u.

Meituan ve DJI gibi şirketler, bilgisayarlı görüyü halihazırda drone'larına entegre ediyorlar. Aslında, drone'ların çeşitli endüstrilerde hızla benimsenmesi, yapay zeka drone pazarının 2031 yılına kadar 206,9 milyar dolara fırlamasını sağladı.

Bu makalede, Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin drone teslimatları gibi drone tabanlı uygulamalarda nasıl kullanılabileceğine daha yakından bakacağız. Bu teknolojilerin gerçek dünya senaryolarında kullanılmadan önce nasıl geliştirilip test edilebileceğini gösterecek bir örneği inceleyeceğiz.

Link to this sectionEvleri algılamak için drone'larda Ultralytics YOLO11 kullanımı#

Teslimat drone'larının önemli bir parçası, gezinirken evleri algılama yetenekleridir. Bu yeteneği yeniden oluşturmak ve nasıl çalıştığını anlamak için, bir hava drone'u tarafından çekilen görüntülerdeki evleri tanımlayabilen bir bilgisayarlı görü modeli eğiteceğiz. Bunun için YOLO11'i özel olarak eğiteceğiz, bu süreç önceden eğitilmiş bir YOLO11 modelinin etiketli örnekler kullanılarak evleri tanıması ve algılaması için ince ayar yapılmasını içerir.

Bunu yapmak için bir drone'dan yüksek kaliteli video verilerine ihtiyacımız olacak. İlginç bir şekilde, gerçek bir drone'a erişimimiz olmasa bile gerçekçi hava görüntüleri üretebiliriz. Nasıl yapacağımıza bir bakalım.

Link to this sectionGoogle Earth Studio kullanarak yapay bir drone çekimi oluşturma#

Google Earth Studio, kullanıcıların Google Earth'ün uydu ve 3D görüntülerini kullanarak sabit ve hareketli içerikler oluşturmasına olanak tanıyan web tabanlı bir animasyon aracıdır. Gerçekçi hava görüntüleri oluşturmak için kullanabiliriz.

İlk adım, Google Earth Studio'yu açmak ve aşağıda gösterildiği gibi bir proje oluşturmaktır.

Oturum açmak için bir Google hesabına ihtiyacın olacak.

Şekil 2. Google Earth Studio'da proje oluşturma.

Oturum açtıktan sonra, yapay drone videon için bir konum seçebilirsin. Sayfanın sol üst köşesindeki arama çubuğunu kullanarak konumları arayabilirsin. Bu eğitim için Kanada'yı seçeceğiz. Ayrıca, evleri algılamak için bir model eğiteceğimizden, drone videomuzun evlerin kuş bakışı görüntüsünü içermesi gerekir.

Şekil 3. Google Earth Studio kullanarak konum seçme.

Ardından, yapay drone çekiminin hareketini yakalamak için ilk ve son zaman karelerini ayarlayabiliriz. Drone çekimi için başlangıç konumunu seçtikten sonra, aşağıda gösterildiği gibi mavi elmasları kullanarak ilk kareyi ayarla.

Şekil 4. Mavi elmasları kullanarak ilk kareyi ayarlama.

Ardından, drone'un varış noktasını belirlemek için son kareyi seçebiliriz. Bu, drone görüntüsü için bir hareket efekti oluşturmamıza yardımcı olacaktır. Bunu yapmak için, drone çekiminde hareket etkisi oluşturmak amacıyla çubuğu (aşağıda vurgulanan) sağa doğru kaydır. Bir kez daha, son noktayı ayarlamak için mavi elmasları kullan.

Şekil 5. Çubuğu hareket ettirerek son kareyi ayarlama.

Son olarak, bu projeyi kaydedebilir ve sayfanın sağ üst köşesindeki kırmızı “Render” düğmesine tıklayarak işleyebilirsin. Bu, sana drone çekiminin nihai video çıktısını verecek ve yapay drone video görüntülerini başarıyla oluşturmanı sağlayacaktır.

Şekil 6. Nihai çıktı videosunu işleme.

Link to this sectionDrone verileri nasıl etiketlenir?#

Artık yapay drone video görüntüleri oluşturduğumuza göre, bir sonraki adım içindeki evleri etiketlemek veya açıklama eklemektir. Ayrıca videonun ayrı karelerini ayırmamız gerekecek.

Buna başlamak için LabelImg'i kuracağız. LabelImg, açık kaynaklı bir görüntü etiketleme aracıdır. Aşağıdaki komutu çalıştırarak pip paket yükleyicisini kullanarak doğrudan terminalden kurabilirsin: “pip install labelImg”.

Kurulumdan sonra, aracı terminalinizde veya komut isteminizde 'labelImg' komutunu kullanarak çalıştırabilirsin. Bu seni aşağıda gösterilen sayfaya götürecektir.

Şekil 7. LabelImg araç arayüzü.

Bu arada, videoyu karelere bölmek için çevrim içi bir videodan görüntüye dönüştürücü veya FFmpeg adlı bir araç kullanabiliriz. FFmpeg, ses, video, altyazı ve ilgili meta veriler gibi multimedya içeriğini işlemek için kullanılan bir kütüphane ve araç koleksiyonudur.

Drone görüntüleri videosunun her bir karesini ayırmak için aşağıdaki terminal komutunu kullanabilirsin:

ffmpeg -i input_video.mp4 frame_%04d.png

Drone görüntülerinin karelerini ayırdıktan sonra, içlerindeki nesneleri (evleri) etiketlemeye başlayabiliriz. LabelImg aracı aracılığıyla görüntü klasörüne giderek, her görüntüdeki nesneleri etiketleyebiliriz. Her etiketli görüntüyü kaydettiğinden ve doğruladığından emin ol. Görüntülere açıklama ekledikten sonra, bu verileri kullanarak YOLO11'i eğitmeye geçebiliriz.

Şekil 8. Açıklamalı görüntüleri kaydetme örneği.

Link to this sectionYOLO11 model eğitim iş akışı#

YOLO11 eğitimine başlamadan önce, görüntülerimizi ve etiketlerimizi düzenleyeceğiz. "train" ve "valid" adında iki klasör oluşturarak başlayın. Görüntülerini bu klasörler arasında bölüştür. Her birinin içinde, aşağıda gösterildiği gibi görüntüler ve karşılık gelen etiket dosyaları (metin formatında) için ayrı alt klasörler oluştur.

Şekil 9. Görüntü ve etiket klasörleri oluşturma örneği.

Ardından, YOLO11 modelini şu şekilde eğitmeye başlayabiliriz:

• Adım 1: Ultralytics Python paketini yükle. Bunu terminalinde “pip install ultralytics” komutunu çalıştırarak yapabilirsin. Herhangi bir kurulum sorunuyla karşılaşırsan, bunları çözmene yardımcı olacak ipuçları ve püf noktaları için sorun giderme kılavuzumuza göz at.
• Adım 2: Paketi başarıyla yükledikten sonra 'data.yaml' adında bir dosya oluştur. Bu, modeli eğitmek için çok önemli bir yapılandırma dosyasıdır. Data.yaml dosyasında şu bilgileri ekle: eğitim veri setinin yolu, doğrulama veri setinin yolu, sınıf sayısı (nc) ve sınıf adlarının bir listesi (names), aşağıda gösterildiği gibi.

Şekil 10. data.yaml dosyası örneği.

• Adım 3: 'data.yaml' dosyası yapılandırıldıktan sonra, aşağıdaki Python kodunu kullanarak modelini eğitmeye başlayabilirsin. Bu kod, önceden eğitilmiş YOLO11 modelini yükler ve yapılandırmalarına göre eğitir.

from ultralytics import YOLO

# Load a YOLO11 model
model = YOLO("yolo11n.pt")  # choose your model, e.g., YOLO11 nano

# Train the model with your data and settings
model.train(data="data.yaml", epochs=100, imgsz=640)

• Adım 4: Eğitim tamamlandığında, aşağıda gösterilene benzer bir çıktı görmelisin. Bu, drone tabanlı uygulamalar için YOLO11 modelini başarıyla eğittiğin anlamına gelir.

Şekil 11. Model eğitiminden sonra gösterilen çıktı.

Link to this sectionDrone'larda Ultralytics YOLO11 kullanarak tahminler yapma#

Eğitilmiş YOLO11 modeli artık çıkarım adı verilen bir süreçle tahminler yapmak için kullanılabilir. Çıkarım, bir modelin eğitim sırasında öğrendiklerine dayanarak yeni, görülmemiş verileri analiz etmesi için kullanılmasını içerir. Bu durumda model, nesnelerin etrafına sınırlayıcı kutular çizerek görüntülerdeki veya videolardaki evler gibi belirli nesneleri bulmak ve etiketlemek için kullanılabilir.

Bir tahmin çalıştırmak için, aşağıdaki Python kodunu kullanarak eğitilmiş YOLO11 modelini bir giriş videosu üzerinde kullanabilirsin. Bu örnekte, eğitim için kullanılan yapay drone videosunun aynısını kullanacağız, ancak istersen başka herhangi bir video dosyasını da kullanabilirsin.

# Import library
from ultralytics import YOLO

# Load the YOLO model
model = YOLO("best.pt")  # Choose your custom-trained model

# Predict the results from the model
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)

Bu kodu çalıştırdıktan sonra, tahminleri ve sınırlayıcı kutuları içeren çıktı video dosyası kaydedilecektir.

Şekil 12. Çıktı video dosyasından bir kare.

Link to this sectionÇeşitli uygulamalar için Ultralytics YOLO11'i drone'lara entegre etme#

Teslimat paketleri için evleri algılamak, bilgisayarlı görü ve YOLO11'in nasıl uygulanabileceğinin sadece bir örneğidir. İşte bilgisayarlı görü, YOLO11 ve hava drone'larının diğer bazı gerçek dünya kullanımları:

• Gözetim ve güvenlik: Yapay zeka drone'ları, geniş alanları gerçek zamanlı olarak izlemek için kullanılabilir. İzinsiz girişleri algılayabilir, şüpheli etkinlikleri takip edebilir ve ulusal sınırların yanı sıra büyük halka açık etkinliklerde güvenliği artırabilirler.

• Afet müdahalesi ve arama kurtarma: Termal kameralar ve nesne algılama ile donatılmış drone'lar, afet bölgelerindeki kazazedeleri bulmaya yardımcı olabilir. Ayrıca hasar tespiti yapabilir ve acil durum malzemeleri ulaştırabilirler.

• Tarım ve hassas tarım: Bilgisayarlı görü ile entegre drone'lar, mahsul sağlığını analiz etmek ve hastalıkları tespit etmek için kullanılabilir, böylece çiftçilerin maliyetleri düşürürken verimi artırmalarına yardımcı olur.

• Haritalama ve jeo-uzamsal analiz: Yüksek çözünürlüklü 3D haritalar toplayarak, yapay zeka drone'ları kentsel planlama ve arazi etütlerine yardımcı olabilir. Geleneksel yöntemlere göre daha hızlı ve daha doğru arazi değerlendirmeleri sağlarlar.

Link to this sectionÖne çıkanlar#

Bilgisayarlı görü ile desteklenen yapay zeka drone'ları, paket teslimatından acil durumlara ve tarıma kadar birçok endüstriyi değiştiriyor. Bu kılavuzda, yapay bir drone videosu oluşturma, içindeki nesneleri etiketleme, YOLO11'i eğitme ve onu evleri algılamak için kullanma süreçlerini ele aldık.

Drone görüntüleri üzerinde nesne algılama uygulamak, bu drone'ları daha akıllı hale getirerek nesneleri gerçek zamanlı olarak otomatik olarak tanımalarını ve takip etmelerini sağlar. Teknoloji geliştikçe, yapay zeka destekli drone'lar teslimatları hızlandırmada, güvenliği iyileştirmede ve afet müdahalesine yardımcı olmada muhtemelen daha da büyük bir rol oynayacaktır.

Topluluğumuza katıl ve bilgisayarlı görü yapay zekası hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet; ayrıca bilgisayarlı görü projelerini başlatmak için lisanslama seçeneklerimize göz at. Üretimde yapay zeka veya otomotiv endüstrisinde bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret et.