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, teslimat alanında büyük bir değişim yaşanıyor. Yapay zeka destekli dronelar, ürünlerin evlerimize ulaşma biçimini değiştiriyor. Bu akıllı droneların önümüzdeki on yıl içinde yaklaşık 808 million deliveries gerçekleştirmesi bekleniyor ve bu durum gökyüzünü günlük ticaret için en yeni teslimat rotasına dönüştürüyor.

Teslimat droneları; yapay zekayı (AI) ve görsel verileri analiz etmek için kullanılan bir yapay zeka alt alanı olan computer vision teknolojisini kullanarak engellerin etrafında gezinir ve manevra yapar. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, droneların nesneleri gerçek zamanlı olarak algılamasına ve takip etmesine yardımcı olarak çevrelerini daha iyi anlamalarını ve etkileşim kurmalarını sağlar.

Fig 1. Hedefine paket götüren bir teslimat drone'u.

Meituan ve DJI gibi şirketler, bilgisayarlı görü teknolojisini halihazırda dronelarında entegre ediyor. Aslında, droneların çeşitli endüstrilerde hızla benimsenmesi, AI drone market pazarının 2031 yılına kadar 206,9 milyar dolara fırlamasının önünü açtı.

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.

Evleri algılamak için drone'larda Ultralytics YOLO11 kullanımı#

Teslimat dronelarının en önemli parçalarından biri, rota çizerken evleri tespit edebilme yetenekleridir. Bu yeteneği yeniden oluşturmak ve nasıl çalıştığını anlamak için, havadan çekilen drone görüntülerindeki evleri tanımlayabilen bir bilgisayarla görü modeli eğiteceğiz. Bunu yapmak için önceden eğitilmiş bir YOLO11 modelini etiketlenmiş örnekler kullanarak evleri tanıyacak ve tespit edecek şekilde ince ayardan geçirerek custom-train Ultralytics YOLO11 gerçekleştireceğiz.

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.

Google 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 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.

Drone verileri nasıl etiketlenir?#

Yapay drone video görüntülerimizi oluşturduğumuza göre, sonraki adım içindeki evleri label or annotate etmektir. 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 sırada, videoyu karelere ayırmak için çevrimiçi bir video dönüştürücü veya FFmpeg adı verilen bir araç kullanabiliriz. FFmpeg; ses, video, altyazı ve ilgili meta veriler gibi multimedya içeriğini işlemek için kullanılan kütüphaneler ve araçlar 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 aracını kullanarak görüntü klasörüne gidip her bir görüntüdeki nesneleri etiketleyebiliriz. Etiketlenen her görüntüyü kaydettiğinden ve doğruladığından emin ol. Görüntüleri etiketledikten sonra, artık bu verileri kullanarak Ultralytics YOLO11 modelini eğitmeye geçebiliriz.

Şekil 8. Açıklamalı görüntüleri kaydetme örneği.

Ultralytics YOLO11 model eğitim iş akışı#

Ultralytics YOLO11 modelini eğitmeye başlamadan önce görüntülerimizi ve etiketlerimizi organize edeceğiz. Biri "train" ve diğeri "valid" adında iki klasör oluşturarak başla. Görüntülerini bu klasörler arasında bölüştür. Aşağıda gösterildiği gibi, her birinin içine görüntüler ve bunlara karşılık gelen etiket dosyaları (metin formatı) için ayrı alt klasörler oluştur.

Şekil 9. Görüntü ve etiket klasörleri oluşturma örneği.

Ardından, Ultralytics YOLO11 modelini aşağıdaki gibi eğitmeye başlayabiliriz:

• Adım 1: Ultralytics Python package paketini kur. Bunu terminalinde “pip install ultralytics” komutunu çalıştırarak yapabilirsin. Herhangi bir kurulum sorunuyla karşılaşırsan, bunları çözmene yardımcı olacak ipuçları ve püf noktaları için troubleshooting guide 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.

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

from ultralytics import YOLO

# Load a Ultralytics 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)

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

Şekil 11. Model eğitiminden sonra gösterilen çıktı.

Drone'larda Ultralytics YOLO11 kullanarak tahminler yapma#

Eğitilmiş Ultralytics YOLO11 modeli artık çıkarım adı verilen bir süreç aracılığıyla tahmin yapmak için kullanılabilir. Çıkarım, bir modelin eğitim sırasında öğrendiklerine dayanarak yeni ve görülmemiş verileri analiz etmek için kullanılmasını içerir. Bu durumda model, görüntülerde veya videolarda evler gibi belirli nesnelerin etrafına sınırlayıcı kutular çizerek bunları bulmak ve etiketlemek için kullanılabilir.

Bir tahmin çalıştırmak için, eğitilmiş Ultralytics YOLO11 modelini aşağıdaki Python kodunu kullanarak bir girdi videosu üzerinde çalıştırabilirsin. Bu örnekte, eğitim için kullanılan yapay drone videosunun aynısını kullanacağız, ancak dilersen başka bir video dosyası 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.

Çeşitli uygulamalar için Ultralytics YOLO11'i drone'lara entegre etme#

Drone teslimat paketleri için evleri tespit etmek, bilgisayarla görü ve Ultralytics YOLO11 teknolojisinin nasıl uygulanabileceğinin yalnızca bir örneğidir. İşte bilgisayarla görü, YOLO11 ve hava droneları için diğer bazı gerçek dünya kullanımları:

• Gözetim ve güvenlik: AI drones geniş alanları gerçek zamanlı olarak izlemek için kullanılabilir. İhlalleri tespit edebilir, şüpheli faaliyetleri takip edebilir ve ulusal sınırların yanı sıra büyük halka açık etkinliklerde güvenliği artırabilir.

• 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.

Öne çıkanlar#

Bilgisayarlı görüyle güçlendirilmiş yapay zeka dronları, paket teslimatından acil durumlara ve tarıma kadar birçok sektörü değiştiriyor. Bu kılavuzda, yapay bir drone videosu oluşturmayı, içindeki nesneleri etiketlemeyi, Ultralytics YOLO11 modelini eğitmeyi ve bunu evleri tespit etmek için kullanmayı adım adım 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.

Görüntü yapay zekası hakkında daha fazla bilgi edinmek için our community topluluğumuza katıl ve our GitHub repository GitHub deponuzu keşfet, bilgisayarlı görü projelerini başlatmak için de our licensing options lisanslama seçeneklerimize göz at. AI in manufacturing veya computer vision in the automotive endüstrisindeki yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret et.