Ultralytics YOLO11 ile yapay zekâ destekli drone uygulamaları geliştir

Mağazadan ve çevrimiçi alışveriş birbirine benzer görünebilir, ancak farklı lojistik süreçlerine dayanır. Mağazaların rafları yeniden doldurması gerekirken çevrimiçi siparişler kapıya teslimata bağlıdır. Teknolojik gelişmeler sayesinde her iki alışveriş deneyimi de aynı anda dönüşüyor.

Örneğin, teslimatlarda büyük bir değişim yaşanıyor. Yapay zekâ destekli dronlar, ürünlerin evlerimize ulaşma şeklini değiştiriyor. Bu akıllı dronların önümüzdeki on yılda yaklaşık 808 milyon teslimat yapması bekleniyor; böylece gökyüzü, günlük ticaret için en yeni teslimat rotasına dönüşüyor.

Teslimat dronları, engellerin çevresinde yol bulmak ve manevra yapmak için yapay zekâ (AI) ve görsel verileri analiz etmekte kullanılan bir yapay zekâ alt alanı olan bilgisayarlı görü teknolojisinden yararlanır. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, dronların nesneleri gerçek zamanlı olarak algılayıp takip etmesine yardımcı olabilir; böylece dronlar çevrelerini daha iyi anlayabilir ve çevreleriyle etkileşime girebilir.

Şekil 1. Bir paketi hedefine götüren teslimat dronu.

Meituan gibi şirketler ve DJI, bilgisayarlı görü teknolojisini dronlarına çoktan entegre ediyor. Hatta dronların çeşitli sektörlerde hızla benimsenmesi, yapay zekâ drone pazarının 2031'e kadar 206,9 milyar dolara ulaşmasının önünü açtı.

Bu makalede, Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin drone teslimatı gibi drone tabanlı uygulamalarda nasıl kullanılabileceğine daha yakından bakacağız. Bu teknolojilerin gerçek dünya senaryolarında kullanılmadan önce nasıl geliştirilebileceğini ve test edilebileceğini gösteren bir örneği adım adım inceleyeceğiz.

Evleri algılamak için dronlarda Ultralytics YOLO11 kullanımı#

Teslimat dronlarının önemli özelliklerinden biri, yol alırken evleri algılayabilmeleridir. Bu özelliği yeniden oluşturup nasıl çalıştığını anlamak için hava dronuyla çekilmiş görüntülerde evleri belirleyebilen bir bilgisayarlı görü modeli eğiteceğiz. Bunun için, önceden eğitilmiş bir YOLO11 modelini etiketli örneklerle evleri tanıyıp algılayacak şekilde ince ayar yapmayı içeren Ultralytics YOLO11'i özel olarak eğiteceğiz.

Bunu yapmak için bir drondan alınmış yüksek kaliteli video verilerine ihtiyacımız olacak. İlginç bir şekilde, gerçek bir drona erişimimiz olmasa bile gerçekçi hava görüntüleri oluşturabiliriz. Nasıl yapılacağına bakalım.

Google Earth Studio kullanarak yapay bir drone çekimi oluşturma#

Google Earth Studio, kullanıcıların Google Earth'ün uydu görüntülerini ve 3B görsellerini kullanarak durağan ve hareketli içerikler oluşturmasını sağlayan web tabanlı bir animasyon aracıdır. Gerçekçi hava görüntüleri oluşturmak için bu aracı kullanabiliriz.

İlk adım, aşağıda gösterildiği gibi Google Earth Studio'yu açıp 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 eğitimde Kanada'yı seçeceğiz. Ayrıca evleri algılayan bir model eğiteceğimiz için drone videomuzda evlerin havadan görünümü yer almalı.

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 görüntülerinde hareket efekti oluşturmamıza yardımcı olur. Bunu yapmak için, drone çekiminde hareket efekti oluşturmak üzere çubuğu (aşağıda vurgulanmıştır) sağa, belirli bir zamana kaydır. Son noktayı ayarlamak için yine mavi elmasları kullan.

Şekil 5. Çubuğu hareket ettirerek son kareyi ayarlama.

Son olarak, sayfanın sağ üst köşesindeki kırmızı “Render” düğmesine tıklayarak projeyi kaydedip işleyebilirsin. Böylece drone çekiminin son video çıktısını alır ve yapay drone video görüntülerini başarıyla oluşturursun.

Şekil 6. Son video çıktısını işleme.

Drone verileri nasıl etiketlenir?#

Yapay drone video görüntülerini oluşturduğumuza göre sıradaki adım, videodaki evleri etiketlemek veya anotasyon eklemek. Ayrıca videonun tek tek karelerini de ayırmamız gerekecek.

Başlamak için LabelImg'yi yükleyeceğiz. LabelImg, açık kaynaklı bir görüntü etiketleme aracıdır. pip paket yükleyicisini kullanarak terminalden doğrudan şu komutu çalıştırıp yükleyebilirsin: “pip install labelImg”.

Kurulumdan sonra terminalinde veya komut isteminde ‘labelImg’ komutunu çalıştırarak aracı açabilirsin. Aşağıda gösterilen sayfa açılır.

Şekil 7. LabelImg araç arayüzü.

Bu sırada videoyu karelere bölmek için çevrimiçi bir videodan görüntüye dönüştürücü ya da FFmpeg adlı aracı kullanabiliriz. FFmpeg; ses, video, altyazı ve ilgili meta veriler gibi multimedya içeriklerini işlemek için kullanılan bir kütüphane ve araç koleksiyonudur.

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

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

Drone görüntülerinin karelerini ayırdıktan sonra bu karelerdeki nesneleri (evleri) etiketlemeye başlayabiliriz. LabelImg aracı üzerinden görüntü klasörüne giderek her görüntüdeki nesneleri etiketleyebiliriz. Etiketlenmiş her görüntüyü kaydettiğinden ve doğruladığından emin ol. Görüntülere anotasyon ekledikten sonra bu verileri kullanarak Ultralytics YOLO11 modelini eğitmeye geçebiliriz.

Şekil 8. Anotasyon eklenmiş görüntüleri kaydetme örneği.

Ultralytics YOLO11 model eğitim iş akışı#

Ultralytics YOLO11 modelini eğitmeye başlamadan önce görüntülerimizi ve etiketlerimizi düzenleyeceğiz. Önce iki klasör oluştur: birine "train", diğerine "valid" adını ver. Görüntülerini bu klasörlere böl. Aşağıda gösterildiği gibi, her klasörün içinde görüntüler ve bunlara karşılık gelen etiket dosyaları (metin biçiminde) için ayrı alt klasörler oluştur.

Şekil 9. Görüntü ve etiket klasörleri oluşturma örneği.

Ardından Ultralytics YOLO11 modelini şu şekilde eğitmeye başlayabiliriz:

• Adım 1: Ultralytics Python paketini yükle. Bunun için terminalinde “pip install ultralytics” komutunu çalıştırabilirsin. Kurulumla ilgili bir sorunla karşılaşırsan, sorunu çözmene yardımcı olacak ipuçları ve öneriler için sorun giderme kılavuzumuza göz at.
• Adım 2: Paketi başarıyla yükledikten sonra ‘data.yaml’ adlı bir dosya oluştur. Bu yapılandırma dosyası, model eğitimi için kritik öneme sahiptir. Aşağıda gösterildiği gibi, data.yaml dosyasına eğitim veri kümesinin yolunu, doğrulama veri kümesinin yolunu, sınıf sayısını (nc) ve sınıf adlarının listesini (names) ekle.

Şekil 10. data.yaml dosyası örneği.

• Adım 3: ‘data.yaml’ dosyasını yapılandırdıktan sonra aşağıdaki Python kodunu kullanarak modelini eğitmeye başlayabilirsin. Bu kod, önceden eğitilmiş Ultralytics YOLO11 modelini yükler ve yapılandırmana göre eğitir.

from ultralytics import YOLO

# YOLO11 modelini yükle
model = YOLO("yolo11n.pt")  # modelini seç; ör. YOLO11 nano

# Modeli verilerin ve ayarlarınla eğit
model.train(data="data.yaml", epochs=100, imgsz=640)

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

Şekil 11. Model eğitiminin ardından görüntülenen çıktı.

Dronlarda Ultralytics YOLO11 kullanarak tahmin yapma#

Eğitilmiş Ultralytics YOLO11 modeli, çıkarım adı verilen bir süreçle tahmin yapmak için artık kullanılabilir. Çıkarım, eğitim sırasında öğrendiklerine dayanarak bir modelin yeni ve daha önce görülmemiş verileri analiz etmesini içerir. Bu durumda model, görüntülerdeki veya videolardaki evler gibi belirli nesneleri bulup çevrelerine sınırlayıcı kutular çizerek etiketleyebilir.

Tahmin yapmak için, eğitilmiş Ultralytics YOLO11 modelini aşağıdaki Python kodunu kullanarak bir giriş videosunda çalıştırabilirsin. Bu örnekte eğitimde kullanılan yapay drone videosunun aynısını kullanacağız; ancak istersen başka bir video dosyası da kullanabilirsin.

# Kütüphaneyi içe aktar
from ultralytics import YOLO

# YOLO modelini yükle
model = YOLO("best.pt")  # Özel olarak eğittiğin modeli seç

# Modelin sonuçlarını tahmin et
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 kaydedilir.

Şekil 12. Çıktı video dosyasından bir kare.

Çeşitli uygulamalar için dronlara Ultralytics YOLO11 entegrasyonu#

Drone teslimat paketleri için evleri algılamak, bilgisayarlı görü ve Ultralytics YOLO11'in nasıl kullanılabileceğine dair yalnızca bir örnektir. Bilgisayarlı görü, YOLO11 ve hava dronlarının gerçek dünyadaki diğer kullanım alanlarından bazıları şunlardır:

• Gözetim ve güvenlik: Yapay zekâ dronları 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 özelliğiyle donatılmış dronlar, afet bölgelerinde hayatta kalanların yerini belirlemeye yardımcı olabilir. Ayrıca hasarı değerlendirebilir ve acil durum malzemelerini ulaştırabilirler.

• Tarım ve hassas tarım: Bilgisayarlı görüyle entegre dronlar, mahsul sağlığını analiz etmek ve hastalıkları algılamak için kullanılabilir; çiftçilerin maliyetleri düşürürken verimi artırmasına yardımcı olur.

• Haritalama ve coğrafi analiz: Yüksek çözünürlüklü 3D haritalar toplayan yapay zekâ destekli dronlar, şehir planlamasına ve arazi ölçümlerine yardımcı olabilir. Geleneksel yöntemlere kıyasla araziyi daha hızlı ve doğru değerlendirirler.

Önemli çıkarımlar#

Bilgisayarlı görüyle güçlendirilen yapay zekâ dronları, paket teslimatından acil durumlarda ve tarımda yardım etmeye kadar pek çok sektörü değiştiriyor. Bu rehberde yapay bir drone videosu oluşturmayı, videodaki nesneleri etiketlemeyi, Ultralytics YOLO11'i eğitmeyi ve evleri tespit etmek için kullanmayı ele aldık.

Drone görüntülerinde nesne tespiti kullanmak, bu dronları daha akıllı hâle getirerek nesneleri gerçek zamanlı olarak otomatik biçimde tanımalarını ve izlemelerini sağlar. Teknoloji geliştikçe yapay zekâ destekli dronlar teslimatları hızlandırmada, güvenliği artırmada ve afet müdahalesine yardımcı olmada muhtemelen daha da büyük bir rol oynayacak.

Görüntü yapay zekâsı hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu keşfet; bilgisayarlı görü projelerine başlamak için lisans seçeneklerimize göz at. Üretimde yapay zekâ veya otomotiv sektöründe bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözümler sayfalarımızı ziyaret et.