Ultralytics YOLO11 ile yapay zeka destekli drone uygulamaları oluşturun

Mağazada alışveriş ve çevrimiçi alışveriş benzer görünse de, farklı lojistiklere dayanırlar. Mağazaların raflarının yeniden doldurulması gerekirken, çevrimiçi siparişler kapıya teslimata bağlıdır. Teknolojik gelişmeler sayesinde, her iki alışveriş deneyimi de paralel olarak yeniden şekilleniyor.

Örneğin, teslimatlarda büyük bir değişim yaşanıyor. Yapay zeka destekli dronlar, ürünlerin evlerimize nasıl ulaştığını değiştiriyor. Bu akıllı dronların önümüzdeki on yılda yaklaşık 808 milyon teslimatı gerçekleştirmesi ve gökyüzünü günlük ticaret için en yeni teslimat rotasına dönüştürmesi bekleniyor.

Teslimat dronları, engellerin etrafında gezinmek ve manevra yapmak için görsel verileri analiz etmek için kullanılan yapay zeka (AI) ve AI'nın bir alt alanı olan bilgisayar görüşü kullanır. Bilgisayarla görme modelleri gibi Ultralytics YOLO11 drone'ların nesneleri gerçek zamanlı olarak detect ve track yardımcı olarak çevrelerini daha iyi anlamalarını ve etkileşime girmelerini sağlayabilir.

‍

Meituan ve DJI gibi şirketler, bilgisayarlı görü teknolojisini şimdiden dronlarına entegre ediyor. Aslında, dronların çeşitli endüstrilerde hızla benimsenmesi, yapay zeka drone pazarının 2031 yılına kadar 206,9 milyar dolara fırlamasına zemin hazırladı. 

Bu makalede, Ultralytics YOLO11 gibi bilgisayarla görme modellerinin drone teslimatları gibi drone tabanlı uygulamalarda nasıl kullanılabileceğine daha yakından bakacağız. Bu teknolojilerin gerçek dünya senaryolarında kullanılmadan önce nasıl geliştirilebileceğini ve test edilebileceğini gösteren bir örnek üzerinden yürüyeceğiz.

Evleri detect etmek için dronlarda Ultralytics YOLO11 'i kullanma

Teslimat dronlarının önemli bir parçası, gezinirken evleri detect etme yetenekleridir. Bu yeteneği yeniden oluşturmak ve nasıl çalıştığını anlamak için, bir hava dronu tarafından çekilen görüntülerdeki evleri tanımlayabilen bir bilgisayarla görme modeli eğiteceğiz. Bunun için YOLO11 'i özel olarak eğiteceğiz; bu, etiketli örnekler kullanarak evleri tanımak ve detect etmek için önceden eğitilmiş bir YOLO11 modeline ince ayar yapmayı içerir.

Bunu yapmak için, bir drone'dan yüksek kaliteli video verisine ihtiyacımız olacak. İlginç bir şekilde, gerçek bir drone'a erişimimiz olmasa bile, gerçekçi hava görüntüleri oluşturabiliriz. Şimdi nasıl olduğuna bir göz atalım.

Google Earth Studio kullanarak yapay bir drone çekimi oluşturma

Google Earth Studio, Google Earth'ün uydu ve 3D görüntülerini kullanarak hareketsiz ve animasyonlu içerik oluşturmak için kullanıcılar tarafından kullanılabilen 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 ihtiyacınız olacak.

‍

Giriş yaptıktan sonra yapay drone videonuz için bir konum seçebilirsiniz. Sayfanın sol üst köşesindeki arama çubuğunu kullanarak konumları arayabilirsiniz. Bu eğitim için Kanada'yı seçeceğiz. Ayrıca, evleri detect etmek için bir model eğiteceğimiz için, drone videomuzun evlerin havadan bir görüntüsüne sahip olması gerekir.

‍

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

‍

Ardından, drone'un varış noktasını belirlemek için son kareyi seçebiliriz. Bu, drone çekimi için hareketli bir efekt oluşturmamıza yardımcı olacaktır. Bunu yapmak için, drone çekimi için hareketli efekt oluşturmak üzere çubuğu (aşağıda vurgulanmıştır) sağa, belirli bir zamana kaydırın. Son noktayı ayarlamak için bir kez daha mavi elmasları kullanın.

‍

Son olarak, bu projeyi kaydedebilir ve sayfanın sağ üst köşesindeki kırmızı "Render" düğmesine tıklayarak işleyebilirsiniz. Bu size drone çekiminin nihai video çıktısını verecek ve yapay drone video kaydını başarıyla oluşturacaktır.

‍

Drone verileri nasıl etiketlenir?

Yapay drone video görüntüleri oluşturduğumuza göre, bir sonraki adım videodaki evleri etiketlemek veya açıklama eklemektir. Ayrıca videonun tek tek karelerini ayırmamız gerekecek. 

Bununla başlamak için LabelImg'i kuracağız. LabelImg, açık kaynaklı bir görüntü etiketleme aracıdır. Aşağıdaki komutu çalıştırarak pip paket yükleyicisini kullanarak doğrudan terminalden kurabilirsiniz: "pip install labelImg".

Kurulumdan sonra, aracı terminalinizde veya komut isteminizde ‘labelImg’ komutunu kullanarak çalıştırabilirsiniz. Bu sizi aşağıdaki sayfaya yönlendirecektir.

‍

Bu arada, videoyu karelere bölmek için çevrimiçi bir video-resim dönüştürücü veya FFmpeg adlı bir araç kullanabiliriz. FFmpeg, ses, video, altyazılar ve ilgili meta veriler gibi multimedya içeriğini işlemek için bir kitaplık ve araç koleksiyonudur. 

Drone görüntüsü videosunun her karesini ayırmak için aşağıdaki terminal komutunu kullanabilirsiniz:

Drone görüntülerinin karelerini ayırdıktan sonra, içlerindeki nesneleri (evleri) etiketlemeye başlayabiliriz. LabelImg aracı aracılığıyla görüntü klasörüne giderek, her görüntüdeki nesneleri etiketleyebiliriz. Etiketlenen her görüntüyü kaydettiğinizden ve doğruladığınızdan emin olun. Görüntülere açıklama ekledikten sonra, artık bu verileri kullanarak YOLO11 'i eğitmeye geçebiliriz.

‍

YOLO11 model eğitim iş akışı

YOLO11'i eğitmeye başlamadan önce, resimlerimizi ve etiketlerimizi düzenleyeceğiz. İki klasör oluşturarak başlayın: biri "train" ve diğeri "valid" olarak adlandırılmıştır. Görüntülerinizi bu klasörler arasında paylaştırın. Her birinin içinde, aşağıda gösterildiği gibi görüntüler ve bunlara karşılık gelen etiket dosyaları (metin biçimi) için ayrı alt klasörler oluşturun.

‍

Ardından, YOLO11 modelini aşağıdaki şekilde eğitmeye başlayabiliriz:

• Adım 1: Ultralytics Python paketini yükleyin. Bunu terminalinizde "pip install ultralytics" komutunu çalıştırarak yapabilirsiniz. Herhangi bir kurulum sorunuyla karşılaşırsanız, bunları çözmenize yardımcı olacak ipuçları ve püf noktaları için sorun giderme kılavuzumuza göz atın.
  ‍
• Adım 2: Paketi başarıyla yükledikten sonra, 'datayaml' adında bir dosya oluşturun. Bu, modeli eğitmek için çok önemli olan bir yapılandırma dosyasıdır. Datayaml dosyasına şu bilgileri ekleyin: eğitim veri setinizin yolu, doğrulama veri setinizin yolu, sınıf sayısı (nc) ve aşağıda gösterildiği gibi sınıf adlarının (names) bir listesi.

‍

• Adım 3: 'datayaml' dosyası yapılandırıldıktan sonra, aşağıdaki Python kodunu kullanarak modelinizi eğitmeye başlayabilirsiniz. Bu kod, önceden eğitilmiş YOLO11 modelini yükler ve yapılandırmalarınıza 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 görmelisiniz. Bu, YOLO11 modelinizi drone tabanlı uygulamalar için başarıyla eğittiğiniz anlamına gelir.

‍

Drone'larda Ultralytics YOLO11 kullanarak tahminleri çalıştırma

Eğitilen YOLO11 modeli artık çıkarım adı verilen bir süreç aracılığıyla tahminler yapmak için kullanılabilir. Çıkarsama, bir modelin eğitim sırasında öğrendiklerine dayanarak yeni, görülmemiş verileri analiz etmek için kullanılmasını içerir. Bu durumda model, etraflarına sınırlayıcı kutular çizerek görüntülerde veya videolarda evler gibi belirli nesneleri bulmak ve etiketlemek için kullanılabilir.

Bir tahmin çalıştırmak için, aşağıdaki Python kodunu kullanarak bir giriş videosunda eğitilmiş YOLO11 modelini kullanabilirsiniz. Bu örnekte, eğitim için kullanılan yapay drone videosunun aynısını kullanacağız, ancak isterseniz başka bir video dosyası da kullanabilirsiniz.

# 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.

‍

Ultralytics YOLO11 'i çeşitli uygulamalar için dronlara entegre etme

Drone teslimat paketleri için evleri tespit etmek, bilgisayarla görmenin ve YOLO11 'in nasıl uygulanabileceğinin sadece bir örneğidir. İşte bilgisayarlı görü, YOLO11 ve hava dronlarının gerçek dünyadaki diğer bazı kullanımları:

• Gözetim ve güvenlik: Yapay zeka dronları geniş alanları gerçek zamanlı olarak izlemek için kullanılabilir. İzinsiz girişleri detect edebilir, şüpheli faaliyetleri track ve ulusal sınırların yanı sıra büyük halka açık etkinliklerde güvenliği artırabilirler. 

• Afet müdahalesi ve arama kurtarma: Termal kameralar ve nesne algılama ile donatılmış dronlar, afet bölgelerinde hayatta kalanları bulmaya yardımcı olabilir. Ayrıca hasarı değerlendirebilir ve acil durum malzemeleri sağlayabilirler.

• Tarım ve hassas tarım: Bilgisayar görüşü ile entegre edilmiş dronlar, mahsul sağlığını analiz etmek ve hastalıkları detect etmek için kullanılabilir ve çiftçilerin maliyetleri düşürürken verimi artırmasına yardımcı olabilir. 

• Haritalama ve coğrafi uzamsal analiz: Yüksek çözünürlüklü 3B haritalar toplayarak, YZ drone'ları şehir planlamasına ve arazi etütlerine yardımcı olabilir. Geleneksel yöntemlere göre daha hızlı ve daha doğru arazi değerlendirmeleri sağlarlar. 

Önemli çıkarımlar

Bilgisayar görüşü ile desteklenen yapay zekalı dronlar, paket tesliminden acil durumlara ve çiftçiliğe yardıma kadar birçok sektörü değiştiriyor. Bu kılavuzda, yapay bir drone videosu oluşturmayı, içindeki nesneleri etiketlemeyi, YOLO11'i eğitmeyi ve evleri detect etmek için kullanmayı ele aldık.

Drone görüntülerine nesne tespiti uygulamak, bu drone'ları daha akıllı hale getirerek nesneleri gerçek zamanlı olarak otomatik olarak tanımalarını ve track etmelerini sağlar. Teknoloji geliştikçe, yapay zeka güdümlü drone'lar teslimatların daha hızlı yapılmasında, güvenliğin artırılmasında ve afet müdahalesine yardımcı olmada muhtemelen daha da büyük bir rol oynayacaktır.

Vision AI hakkında daha fazla bilgi edinmek için topluluğumuza katılın ve GitHub depomuzu keşfedin ve bilgisayarlı görü projelerinize başlamak için lisanslama seçeneklerimize göz atın. Üretimde yapay zeka veya otomotivde bilgisayarlı görü gibi yeniliklerle mi ilgileniyorsunuz? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret edin.