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 yapay zeka (AI) ve görsel verileri analiz etmek için kullanılan bir yapay zeka alt alanı olan bilgisayarlı görü'yü kullanır. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, dronların nesneleri gerçek zamanlı olarak algılamasına ve izlemesine yardımcı olarak çevrelerini daha iyi anlamalarını ve etkileşimde bulunmalarını sağlar.

‍

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 bilgisayar görüşü modellerinin drone teslimatları gibi drone tabanlı uygulamalarda nasıl kullanılabileceğine daha yakından bakacağız. Bu teknolojilerin gerçek dünya senaryolarında kullanılmadan önce nasıl geliştirilip test edilebileceğini gösteren bir örneği adım adım inceleyeceğiz.

Evleri tespit etmek için dronlarda Ultralytics YOLO11 kullanma

Teslimat dronlarının temel bir parçası, gezinirken evleri tespit edebilme yetenekleridir. Bu yeteneği yeniden oluşturmak ve nasıl çalıştığını anlamak için, bir hava dronu tarafından çekilen görüntülerde evleri tanımlayabilen bir bilgisayarlı görü modeli eğiteceğiz. Etiketli örnekler kullanarak evleri tanımak ve tespit etmek için önceden eğitilmiş bir YOLO11 modeline ince ayar yapmayı içeren bu işlem için YOLO11'i özel olarak eğiteceğiz.

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, kullanıcılar tarafından Google Earth'ün uydu ve 3D görüntülerini kullanarak statik ve animasyonlu içerik oluşturmak için kullanılabilen web tabanlı bir animasyon aracıdır. Gerçekçi hava çekimleri oluşturmak için kullanabiliriz.

İlk adım, aşağıda gösterildiği gibi Google Earth Studio'yu açmak ve 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 tespit etmek için bir model eğiteceğimiz için, drone videomuzun evlerin havadan görünümüne 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, içindeki nesneleri (evleri) etiketlemeye başlayabiliriz. LabelImg aracı aracılığıyla görüntü klasörüne giderek, her görüntüdeki nesneleri etiketleyebiliriz. Etiketlenen her görüntüyü kaydettiğinizden ve doğruladığınızdan emin olun. Görüntüleri etiketledikten sonra, 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 adlandırılır. Resimlerinizi bu klasörler arasında bölün. Her birinin içinde, resimler ve bunlara karşılık gelen etiket dosyaları (metin biçimi) için aşağıda gösterildiği gibi ayrı alt klasörler oluşturun.

‍

Ardından, YOLO11 modelini aşağıdaki gibi eğitmeye başlayabiliriz:

• Adım 1: Ultralytics Python paketini kurun. Bunu terminalinizde “pip install ultralytics” komutunu çalıştırarak yapabilirsiniz. Herhangi bir kurulum sorunuyla karşılaşırsanız, sorunları çözmenize yardımcı olacak ipuçları ve püf noktaları için sorun giderme kılavuzumuza göz atın.
  ‍
• Adım 2: Paketi başarıyla yükledikten sonra, ‘data.yaml’ adında bir dosya oluşturun. Bu, modelin eğitilmesi için çok önemli olan bir yapılandırma dosyasıdır. data.yaml dosyasına aşağıdaki bilgileri ekleyin: eğitim veri kümenizin yolu, doğrulama veri kümenizin yolu, sınıf sayısı (nc) ve aşağıda gösterildiği gibi sınıf adlarının (names) bir listesi.

‍

• Adım 3: ‘data.yaml’ 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 tamamlandıktan sonra, aşağıda gösterilene benzer bir çıktı görmelisiniz. Bu, drone tabanlı uygulamalar için YOLO11 modelinizi başarıyla eğittiğiniz anlamına gelir.

‍

Ultralytics YOLO11 kullanarak dronlarda tahminler çalıştırma

Eğitilmiş YOLO11 modeli artık çıkarım adı verilen bir süreç aracılığıyla tahminlerde bulunmak için kullanılabilir. Çıkarım, bir modeli eğitim sırasında öğrendiklerine dayanarak yeni, görülmemiş verileri analiz etmek için kullanmayı içerir. Bu durumda, model, görüntülerdeki veya videolardaki evler gibi belirli nesneleri bulmak ve etiketlemek için etraflarına sınırlayıcı kutular çizerek kullanılabilir.

Bir tahmini çalıştırmak için, aşağıdaki Python kodunu kullanarak eğitilmiş YOLO11 modelini bir giriş videosunda kullanabilirsiniz. Bu örnekte, eğitim için kullanılan aynı yapay drone videosunu 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.

‍

Çeşitli uygulamalar için Ultralytics YOLO11'in dronlara entegre edilmesi

Drone ile teslimat paketleri için ev tespiti, bilgisayarlı görü ve YOLO11'in nasıl uygulanabileceğinin sadece bir örneğidir. İşte bilgisayarlı görü, YOLO11 ve hava dronlarının diğer bazı gerçek dünya kullanımları:

• Gözetim ve güvenlik: Yapay zeka dronları, geniş alanları gerçek zamanlı olarak izlemek için kullanılabilir. İzinsiz girişleri tespit edebilir, şüpheli faaliyetleri takip edebilir ve ulusal sınırlarda ve 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: Bilgisayarlı görü ile entegre edilmiş drone'lar, mahsul sağlığını analiz etmek ve hastalıkları tespit etmek için kullanılabilir, bu da çiftçilerin maliyetleri düşürürken verimi artırmasına yardımcı olur. 

• 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

Bilgisayarlı görü ile güçlendirilen yapay zeka dronları, paket tesliminden acil durumlarda yardıma ve çiftçiliğe kadar birçok sektörü değiştiriyor. Bu kılavuzda, yapay bir drone videosu oluşturma, içindeki nesneleri etiketleme, YOLO11'i eğitme ve evleri tespit etmek için kullanma adımlarını inceledik.

Nesne tespitini drone görüntülerine uygulamak, bu dronları daha akıllı hale getirerek nesneleri gerçek zamanlı olarak otomatik olarak tanımalarını ve izlemelerini sağlar. Teknoloji geliştikçe, yapay zeka destekli dronlar, teslimatları hızlandırmada, güvenliği artırmada ve afet müdahalesine yardımcı olmada 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.