Ultralytics YOLO11 ile yapay zekâ destekli drone uygulamaları oluştur

Mağazadan alışveriş ve internetten alışveriş benzer görünebilir, ancak farklı lojistik süreçlerine dayanır. Mağazaların rafları yeniden doldurması gerekirken çevrim içi siparişler kapıya teslimata bağlıdır. Teknolojik gelişmeler sayesinde her iki alışveriş deneyimi de paralel olarak yeniden şekilleniyor.

Örneğin teslimatlarda büyük bir değişim yaşanıyor. Yapay zekâ destekli dronelar, ürünlerin evlerimize ulaşma biçimini değiştiriyor. Bu akıllı droneların önümüzdeki on yılda yaklaşık 808 milyon teslimatı gerçekleştirmesi ve gökyüzünü günlük ticaretin en yeni teslimat rotasına dönüştürmesi bekleniyor.

Teslimat droneları, engellerin çevresinde yol almak ve manevra yapmak için yapay zekâ (AI) ile görsel verileri analiz etmek üzere kullanılan bir AI alt alanı olan bilgisayarlı görü teknolojisini kullanır. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, dronelara nesneleri gerçek zamanlı olarak algılayıp takip etmede yardımcı olabilir; böylece dronelar çevrelerini daha iyi anlayabilir ve çevreleriyle etkileşime girebilir.

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

Meituan ve DJI gibi şirketler bilgisayarlı görü teknolojisini dronelarına şimdiden entegre ediyor. Hatta droneların çeşitli sektörlerde hızla benimsenmesi, AI drone pazarının 2031 yılına 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 dronelarda Ultralytics YOLO11 kullanma#

Teslimat dronelarının önemli bir özelliği, yol alırken evleri algılayabilmesidir. Bu özelliği yeniden oluşturmak ve nasıl çalıştığını anlamak için havadan çekim yapan bir drone tarafından kaydedilen görüntülerde evleri tanımlayabilen bir bilgisayarlı görü modeli eğiteceğiz. Bunun için Ultralytics YOLO11'i özel olarak eğiteceğiz; bu süreç, etiketlenmiş örnekleri kullanarak önceden eğitilmiş bir YOLO11 modelinin evleri tanıyıp algılayacak şekilde ince ayarlanmasını içerir.

Bunu yapmak için bir dronedan alınmış yüksek kaliteli video verilerine ihtiyacımız olacak. İlginç biçimde, gerçek bir drone'a erişimimiz olmasa bile gerçekçi hava görüntüleri oluşturabiliriz. Nasıl yapılacağına bakalım.

Google Earth Studio ile yapay bir drone çekimi oluşturma#

Google Earth Studio, kullanıcıların Google Earth'ün uydu ve 3D görüntülerini 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 uygulamasını 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 algılayacak bir model eğiteceğimiz için drone videomuzda evlerin havadan görünümü bulunmalı.

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 hareketli bir efekt oluşturmamıza yardımcı olur. Bunu yapmak için, drone çekiminde hareketli efekti oluşturacak belirli bir zamana gelene kadar çubuğu (aşağıda vurgulanmıştır) sağa kaydır. Son noktayı ayarlamak için mavi elmasları tekrar kullan.

Şekil 5. Çubuğu hareket ettirerek son kareyi ayarlama.

Son olarak, sayfanın sağ üst köşesindeki kırmızı “Render” düğmesine tıklayarak bu projeyi kaydedip işleyebilirsin. Böylece drone çekiminin nihai video çıktısını alabilir ve yapay drone video görüntülerini başarıyla oluşturabilirsin.

Şekil 6. Nihai çıktı videosunu işleme.

Drone verileri nasıl etiketlenir?#

Artık yapay drone video görüntülerini oluşturduğumuza göre sıradaki adım, içindeki evleri etiketlemek veya açıklamaktır. Ayrıca videonun tek tek karelerini ayırmamız gerekecek.

Bunun için LabelImg'yi yükleyerek başlayacağız. LabelImg, açık kaynaklı bir görüntü etiketleme aracıdır. Aşağıdaki komutu çalıştırarak pip paket yükleyicisiyle doğrudan terminalden yükleyebilirsin: “pip install labelImg”.

Yüklemeden sonra, terminalinde veya komut isteminde ‘labelImg’ komutunu kullanarak aracı çalıştırabilirsin. Bu işlem seni aşağıda gösterilen sayfaya götürür.

Şekil 7. LabelImg aracı arayüzü.

Bu sırada videoyu karelere ayırmak için çevrim içi bir videodan görüntüye dönüştürücü veya FFmpeg adlı bir araç kullanabiliriz. FFmpeg; ses, video, altyazı ve ilgili meta veriler gibi çoklu ortam içeriklerini işlemek için kullanılan kitaplıklar ve araçlar koleksiyonudur.

Drone görüntüleri videosundaki her kareyi 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 üzerinden görüntü klasörüne giderek her görüntüdeki nesneleri etiketleyebiliriz. Etiketlenen her görüntüyü kaydettiğinden ve doğruladığından emin ol. Görüntüleri açıkladıktan sonra bu verileri kullanarak Ultralytics YOLO11 eğitimine geçebiliriz.

Şekil 8. Açıklanmış görüntüleri kaydetme örneği.

Ultralytics YOLO11 model eğitim iş akışı#

Ultralytics YOLO11'i eğitmeye başlamadan önce görüntülerimizi ve etiketlerimizi düzenleyeceğiz. İki klasör oluşturarak başla: birinin adı "train", diğerinin adı "valid" olsun. Görüntülerini bu klasörler arasında bölüştür. Her birinin içinde, aşağıda gösterildiği gibi 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 aşağıdaki şekilde eğitmeye başlayabiliriz:

• Adım 1: Ultralytics Python paketini yükle. Bunu terminalinde “pip install ultralytics” komutunu çalıştırarak yapabilirsin. Herhangi bir yükleme sorunuyla karşılaşırsan çözüm önerileri ve ipuçları için sorun giderme kılavuzumuza göz at.
• Adım 2: Paketi başarıyla yükledikten sonra ‘data.yaml’ adında bir dosya oluştur. Bu, modelin eğitimi için kritik olan bir yapılandırma dosyasıdır. data.yaml dosyasına aşağıdaki bilgileri ekle: eğitim veri kümenin yolu, doğrulama veri kümenin yolu, sınıf sayısı (nc) ve aşağıda gösterildiği gibi sınıf adlarının listesi (names).

Şekil 10. data.yaml dosyası örneği.

• Adım 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 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, Ultralytics YOLO11 modelini drone tabanlı uygulamalar için başarıyla eğittiğin anlamına gelir.

Şekil 11. Model eğitiminden sonra gösterilen çıktı.

Dronelarda Ultralytics YOLO11 kullanarak tahmin çalıştırma#

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

Tahmin çalıştırmak için eğitilmiş Ultralytics YOLO11 modelini aşağıdaki Python kodunu kullanarak bir giriş videosunda kullanabilirsin. Bu örnekte eğitim için kullanılan aynı yapay drone videosunu kullanacağız, ancak tercih edersen 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 kaydedilir.

Şekil 12. Çıktı video dosyasından bir kare.

Çeşitli uygulamalar için Ultralytics YOLO11'i dronelara entegre etme#

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

• Gözetim ve güvenlik: AI dronelar geniş alanları gerçek zamanlı olarak izlemek için kullanılabilir. İzinsiz girişleri algılayabilir, şüpheli etkinlikleri takip edebilir ve ulusal sınırların yanı sıra büyük kamu etkinliklerinde güvenliği artırabilirler.

• Afet müdahalesi ve arama kurtarma: Termal kameralar ve nesne algılama ile donatılan dronelar, afet bölgelerinde hayatta kalanların yerini belirlemeye yardımcı olabilir. Ayrıca hasarı değerlendirebilir ve acil durum malzemeleri teslim edebilirler.

• Tarım ve hassas tarım: Bilgisayarlı görü ile entegre edilen dronelar, ürünlerin sağlığını analiz etmek ve hastalıkları algılamak için kullanılabilir; böylece çiftçilerin maliyetleri azaltırken verimi artırmasına yardımcı olabilir.

• Haritalama ve jeo-uzamsal analiz: AI dronelar, yüksek çözünürlüklü 3D haritalar toplayarak şehir planlama ve arazi ölçümlerine yardımcı olabilir. Geleneksel yöntemlere göre daha hızlı ve doğru arazi değerlendirmeleri sunarlar.

Önemli çıkarımlar#

Bilgisayarlı görüyle güçlendirilen AI dronelar, paket teslimatından acil durumlara ve tarıma yardıma kadar birçok sektörü değiştiriyor. Bu kılavuzda yapay bir drone videosu oluşturmayı, içindeki nesneleri etiketlemeyi, Ultralytics YOLO11'i eğitmeyi ve evleri algılamak için kullanmayı adım adım ele aldık.

Drone görüntülerine nesne algılama uygulamak, bu droneları daha akıllı hâle getirerek nesneleri gerçek zamanlı olarak otomatik biçimde tanıyıp takip etmelerini sağlar. Teknoloji geliştikçe AI destekli droneların teslimatları hızlandırmada, güvenliği artırmada ve afet müdahalesine yardımcı olmada daha da büyük bir rol oynaması muhtemeldir.

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