Ultralytics YOLO26 ve vizyon odaklı yapay zeka ile akıllı ürünler geliştirme

Cihazlara, makinelere ve kamu altyapısına yerleştirilmiş kameralar tarafından her gün binlerce saatlik video kaydediliyor. Bu görüntülerin çoğu yalnızca bir sorun yaşandığında depolanıyor, taranıyor veya inceleniyor.

Görsel veriye genellikle erişilebiliyor, ancak bunu gerçek zamanlı olarak yorumlama yeteneği eksik. Ürünler daha bağlantılı ve veri odaklı hale geldikçe, bu sınırlama daha da belirginleşiyor.

Kullanıcılar sistemlerden sadece olayları kaydetmelerini veya sabit talimatları izlemelerini değil, daha fazlasını yapmalarını bekliyor. Örneğin, akıllı ürünlerin manuel incelemeleri beklemeden veya katı kural setlerine güvenmeden, neler olduğunu hemen algılamasını ve yanıt vermesini bekliyorlar.

Yapay zekadaki son gelişmeler bu boşluğu kapatmaya yardımcı oluyor. Özellikle computer vision, makinelerin görüntüleri ve videoları yorumlamasını sağlayarak sistemlerin sahneleri analiz etmesine ve gerçek zamanlı yanıt vermesine olanak tanıyor.

Ancak bu yeteneği bir ürüne kazandırmak, hem hızlı hem de güvenilir modeller gerektiriyor. Ultralytics YOLO26 gibi son teknoloji computer vision modelleri tam bu amaç için üretildi ve gerçek zamanlı dağıtım için gereken hızı ve doğruluğu sağlıyor.

YOLO26; object detection, instance segmentation ve object tracking gibi temel vision görevlerini destekleyerek ürünlerin görsel verileri yorumlamasını ve akıllıca yanıt vermesini mümkün kılıyor.

Şekil 1. YOLO26 kullanarak görüntüdeki nesneleri tespit etme (Source)

Bu makalede, daha akıllı ürünler oluşturmak ve gerçek dünya uygulamalarında akıllı otomasyonu desteklemek için computer vision ve Ultralytics YOLO26'nın nasıl kullanılabileceğini keşfedeceğiz. Haydi başlayalım!

Link to this sectionGeleneksel ürün geliştirmedeki boşluklar#

Computer vision'ın daha akıllı ürünler geliştirmeye nasıl yardımcı olduğunu incelemeden önce, ekiplerin geleneksel, kural tabanlı sistemlere ve eski algoritmalara güvendiklerinde karşılaştıkları zorluklara yakından bakalım.

İşte geleneksel ürün geliştirmenin temel zorluklarından bazıları:

• Katı kural tabanlı sistemler: Kodlanmış mantık kontrollü ortamlarda çalışabilir, ancak gerçek dünya ortamları nadiren tahmin edilebilirdir. Aydınlatma, kamera açısı veya nesne görünümündeki küçük değişiklikler, önceden tanımlanmış kuralları hızla bozabilir ve doğruluğu düşürebilir.
• Gerçek dünya değişkenliğine düşük uyum: Geleneksel sistemler yeni veya beklenmedik senaryolara iyi uyum sağlayamaz. Güncellemeler genellikle manuel ince ayar ve tekrarlanan optimizasyon gerektirir, bu da ürün iyileştirmelerini yavaşlatır ve bakım çabasını artırır.
• Ölçeklenebilirlik sınırlamaları: Görüntü ve video verilerinin hacmi arttıkça, eski görüntü işleme hatları ayak uydurmakta zorlanır. İşleme yavaşlar, bu da video akışlarında gerçek zamanlı performansı sürdürmeyi zorlaştırır.
• Gerçek zamanlı senaryolarda yüksek gecikme: Birçok geleneksel yaklaşım, sürekli görsel akışları yeterince hızlı işleyemez. Gecikmeli çıktılar otomasyonu zayıflatır ve genel yanıt verebilirliği azaltır.
• Pahalı hesaplama gereksinimleri: Kabul edilebilir bir doğruluğa ulaşmak genellikle özel grafik işlem birimleri (GPU'lar) dahil olmak üzere önemli donanım kaynakları gerektirir, bu da altyapı maliyetlerini artırır.

Link to this sectionDaha akıllı ürünler geliştirmede computer vision'ın rolü#

Şimdi computer vision'ın daha akıllı ürün davranışlarını nasıl destekleyebileceğine bakalım.

Günümüzdeki bağlantılı ürünlerin çoğu, normal operasyonel süreçlerinin bir parçası olarak zaten görsel veri topluyor. Kameralar çeşitli cihazlara yerleştiriliyor, fiziksel alanlara kuruluyor ve Internet of Things (IoT) sistemleri aracılığıyla birbirine bağlanıyor.

Sonuç olarak, görüntüler ve videolar arka planda sürekli olarak kaydediliyor. Zorluk bu veriyi toplamak değil.

İşin püf noktası, toplanan verileri gerçek zamanlı olarak anlamlandırmak. Görsel zeka olmadan görüntüler sadece depolanır ve daha sonra, genellikle bir sorun yaşandıktan sonra incelenir.

Computer vision bunu değiştiriyor. Kalıpları tanımak üzere eğitilmiş sinir ağlarını kullanarak sistemler, görüntüleri ve videoları gerçek zamanlı olarak analiz edebilir. Sabit kurallara veya manuel kontrollere güvenmek yerine ürünler, sahnede neler olduğunu yorumlayabilir ve olaylar gerçekleştiğinde yanıt verebilir.

Bu görsel yeteneği ürünlere kazandırmak için ekipler, Ultralytics YOLO26 gibi verimli computer vision modellerine güvenebilir. YOLO26 temel vision görevlerini destekler ve ürünlerin gerçek zamanlı kararlar almasını sağlayacak kadar hızlı görsel bilgileri yorumlamasına yardımcı olabilir.

Link to this sectionGörsel odaklı ürünlerin yapı taşları#

Computer vision görevlerinin daha akıllı ürünlere nasıl katkıda bulunabileceğine dair kısa bir özet:

• Object detection: Bu görev, her kare içindeki ilgili nesneleri bir bbox kullanarak tanımlayıp konumlandırabilir ve bir güven puanı atayarak görüntüde nelerin bulunduğuna dair net bir anlayış sağlar.
• Object tracking: Belirli nesneleri birden fazla kare boyunca takip etmek için kullanılabilir, böylece bir vision sistemi hareketi ve zaman içindeki değişiklikleri anlayabilir.
• Image classification: Bu görev, bir görüntünün tamamına ana içeriğine göre bir etiket atar. Sahneleri kategorize eder veya kare içindeki belirli koşulları tanımlar.
• Instance segmentation: Nesneleri piksel düzeyinde hassas bir şekilde çizebilir, böylece ürünlerin şekilleri, sınırları ve uzamsal ilişkileri daha iyi yorumlamasına olanak tanır.
• Pose estimation: Bu görev, insan vücudu veya diğer eklemli nesneler üzerindeki kilit noktaları tespit eder. Duruşu, hareketi ve fiziksel etkileşimleri gerçek zamanlı olarak yakalar.
• Oriented bounding box (OBB) detection: Nesneleri standart yatay kutular yerine döndürülmüş kutular kullanarak tespit edebilir. Nesneler açılı veya birbirine çok yakın ortamlarda göründüğünde konumlandırma doğruluğunu artırır.

Bu yetenekler sürekli görsel verilere uygulandığında ürünler daha hızlı yanıt verebilir, daha güvenilir bir şekilde otomatize edilebilir ve tepkisel olmaktan ziyade farkında hissettiren deneyimler sunabilir. Olayların daha sonra incelenmesini beklemek yerine sistemler, o anı anlayıp harekete geçebilir.

Link to this sectionGerçek zamanlı vision modelleri akıllı ürün davranışını nasıl mümkün kılar#

Görsel odaklı ürünler hakkında daha fazla şey öğrendikçe, bir sistemin sadece video kaydetmekten nasıl olup da gerçek zamanlı yanıt vermeye geçtiğini merak ediyor olabilirsin.

Her şey kameranın önünde ne olduğunu tanımakla başlar. Video akışı geldikçe bir vision modeli her kareyi analiz eder ve belirli nesneler veya insanlar gibi önemli unsurları tanımlar. Her harekete tepki vermek yerine sistem yalnızca ilgili sinyallere odaklanır.

Bir diğer önemli husus hızdır. Gerçek zamanlı sistemlerin her kareyi hızlı ve tutarlı bir şekilde işlemesi, tespit ve karar verme süreçlerinin fark edilir bir gecikme olmadan gerçekleşmesini sağlaması gerekir.

Örneğin, Ultralytics YOLO (You Only Look Once) model ailesi, görsel verileri gerçek zamanlı olarak işlemek için üretilmiştir. Ultralytics YOLO26 gibi modeller; Ultralytics YOLOv5, Ultralytics YOLOv8 ve Ultralytics YOLO11 gibi önceki sürümlerin üzerine inşa edilerek mimari iyileştirmeleri, performans optimizasyonlarını ve verimlilik artışlarını bünyesinde barındırır. Sonuç, zorlu gerçek dünya koşullarında bile iyileştirilmiş hız ve doğruluktur.

Bir ürüne entegre edildiğinde bu modeller arka planda sürekli çalışarak gelen her kareyi analiz eder. Sistem önceden tanımlanmış koşulları kontrol eder ve koşullar karşılandığında anında bir uyarı tetikleyebilir, bir iş akışını güncelleyebilir veya bir eylem başlatabilir.

Bu, görsel odaklı sistemleri daha duyarlı, ölçeklenebilir ve robotik ile otonom araçlardan akıllı ev ve güvenlik sistemlerine kadar çeşitli ortamlara entegrasyon için pratik hale getirir. İş dünyası liderleri için bu; daha hızlı yanıtlar, daha az manuel kontrol ve tepkisel yerine güvenilir hissettiren bir otomasyon anlamına gelir.

Link to this sectionÜrünlerde gerçek zamanlı görsel zekayı güçlendirmek için YOLO26 kullanımı#

YOLO26 dahil olmak üzere Ultralytics YOLO modelleri, önceden eğitilmiş modeller olarak kullanıma hazırdır. Bu, halihazırda COCO veri seti gibi geniş kapsamlı ve yaygın olarak kullanılan veri setleri üzerinde eğitildikleri anlamına gelir.

Bu ön eğitim sayesinde YOLO26, yaygın gerçek dünya nesnelerini anında tanıyabilir. Bu, ürün ekiplerine pratik bir başlangıç noktası sunar, yani sıfırdan bir model eğitmeden görsel özellikler oluşturabilecekleri anlamına gelir.

Daha spesifik ürün ihtiyaçları için bu önceden eğitilmiş modeller, yüksek kaliteli açıklamalar içeren alan odaklı veriler kullanılarak daha da iyileştirilebilir (fine-tuned).

Örneğin, tavan kameralarıyla donatılmış bir restoranı düşünün. YOLO26 gibi özel eğitilmiş bir vision AI modeli, mekanda kaç kişi olduğunu tespit edebilir. Hangi masaların dolu olduğunu ve hangi sandalyelerin boş olduğunu belirleyebilir.

Şekil 2. YOLO26, perakende mağazalarında insanların, boş alanların ve görevli kasaların gerçek zamanlı tespitini mümkün kılar. (Source)

Bu tür bir senaryoda YOLO26, arka planda sürekli çalışan görsel bir motor görevi görür. Ekipler ayrıca performans ihtiyaçlarına ve enerji verimliliği hedeflerine bağlı olarak bu tür modelleri edge cihazlarda de dağıtabilirler.

Link to this sectionAkıllı ürünlerde YOLO modellerinin gerçek dünya uygulamaları#

Artık gerçek zamanlı vision modellerinin nasıl çalıştığını daha iyi anladığımıza göre, Ultralytics YOLO modellerinin akıllı ürünlerde farklı kullanım senaryoları için nasıl uygulanabileceğine ve onları daha farkında, duyarlı ve gördükleri üzerinde harekete geçebilen hale getirmek için nasıl kullanılabileceğine bakalım.

Link to this sectionYOLO ile sağlık ürünlerinde zeka#

Sağlık sektöründeki cerrahi eğitim söz konusu olduğunda, alet kullanımını ve iş akışını değerlendirmek için saatlerce süren prosedür görüntüleri genellikle manuel olarak incelenir. Bu süreç zaman alıcı olabilir ve büyük ölçüde insan gözlemine bağlı kalabilir.

Sisteme entegre edilmiş YOLO tabanlı bir vision modeli ile video akışları, prosedürler gerçekleşirken otomatik olarak analiz edilebilir. Model, cerrahi aletleri gerçek zamanlı olarak tespit edebilir ve bunların nerede ve ne zaman kullanıldığını belirleyebilir.

Bu, sürekli manuel inceleme gerektirmeden yapılandırılmış günlük kaydı, iyileştirilmiş analitik ve yüksek kaliteli performans içgörüleri sağlar. Hatta, en yeni YOLO26 modelinin bir öncüsü olan YOLO11 modelini kullanan araştırmalar, gerçek zamanlı laparoskopik alet tespitinin gömülü sistemlerde bile etkili bir şekilde çalışabileceğini göstermiştir.

Şekil 3. YOLO kullanarak gerçek zamanlı laparoskopik alet tespiti (Source)

Model, canlı cerrahi ortamlar için yeterince hızlı çalışırken yüksek doğruluğu korudu. Bu, derin öğrenmenin prosedürler sırasında nasıl güvenilir, gerçek zamanlı görsel geri bildirim sağlayabileceğini gösteriyor.

Link to this sectionYOLO destekli akıllı perakende deneyimleri oluşturma#

Hepimiz doğru ürünü bulmaya çalışırken kalabalık bir süpermarket rafının önünde durmuşuzdur. Birçok ürün birbirine benzer, etiketler küçüktür ve ürünler genellikle yanlış yere konulur.

Perakendeciler için bu durum, gerçek zamanlı raf görünürlüğünü zorlaştırır. Vision AI ve YOLO object detection modelleri, kamera beslemeleri ve canlı video akışları aracılığıyla rafta gerçekte ne olduğunu anlamaları için mağaza sistemlerine yardımcı olabilir. Bu, barkod taramalarına ve manuel kontrollere olan bağımlılığı azaltarak raf izlemeyi daha doğru ve duyarlı hale getirir.

Şekil 4. YOLO26 ile süpermarket raflarındaki ürünleri tespit etme ve segmentleme

Bu tür bir doğrulukla perakendecilerin artık yalnızca periyodik manuel kontrollere güvenmesine gerek kalmıyor. Raflar canlı video aracılığıyla sürekli olarak izlenebiliyor.

Stok azlığı anında bildirilebilir, yanlış yerleştirilmiş ürünler daha hızlı tespit edilebilir ve ödeme süreçleri daha sorunsuz çalışabilir. Bu, perakendecilere daha iyi operasyonel kontrol sağlarken müşteriler için daha kesintisiz bir alışveriş deneyimi yaratır.

Link to this sectionVision AI ve otonom navigasyon#

Otonom sistemler oldukça verimli olabilir ancak genellikle sabit rotalara veya önceden ayarlanmış koordinatlara güvenirler. Bu durum sabit ortamlarda işe yarasa da, gerçek dünya koşulları nadiren aynı kalır.

Derin öğrenme modelleriyle desteklenen Vision AI çözümleri, makinelerin çevrelerini anlamalarını ve gerçek zamanlı olarak uyum sağlamalarını sağlar. Adaptif algoritmalarla birleştirilmiş computer vision sayesinde sistemler, katı ve önceden programlanmış talimatlara güvenmek yerine değişikliklere anında yanıt verebilir.

Peki, bu gerçek dünya ortamlarında nasıl çalışır? Bir depoda çalışan bir robot örneğini ele alalım. Kameralar sürekli olarak çevresini yakalar ve bir vision modeli, engelleri, rafları ve yolları tanımlamak için gerçek zamanlı object detection gerçekleştirir.

Bu tespitler konumlandırmayı destekleyerek robotun tesis içindeki hassas konumunu belirlemesine yardımcı olur. Bu görsel girdiye dayanarak optimizasyon algoritmaları rotasını anında ayarlar, böylece verimli bir şekilde gezinmesini ve koşullar değişse bile sorunsuz otomasyonu sürdürmesini sağlar.

Link to this sectionAltyapı izleme ve daha akıllı kusur tespiti#

Güvenli ve güvenilir kalmaları için elektrik hatları ve şebeke ekipmanlarının düzenli denetime ihtiyacı vardır. Çoğu zaman bu altyapı denetimleri hala zaman alan ve geniş veya uzak alanlarda yönetilmesi zor olan manuel kontrolleri içerir.

Vision AI, yalnızca planlı saha ziyaretlerine bağlı kalmadan altyapıyı göz önünde tutmanın daha basit bir yolunu sunar. YOLO26 gibi modeller, gerçek dış ortam koşullarında çekilen görüntülerden doğrudan çatlaklar, korozyon veya görünür hasarlar dahil olmak üzere elektrik hattı izolatörlerindeki kusurları tespit edebilir.

Görsel verileri gerçek zamanlı olarak analiz eden bu tür sistemler, aksi takdirde fark edilmeyebilecek potansiyel sorunları işaretleyebilir. Bu sorunları erkenden tanımlamak, ekipman arızası riskini azaltır, beklenmedik kesintileri minimize eder ve daha proaktif bakım operasyonlarını destekler.

Link to this sectionGörsel tabanlı akıllı ürünlerin yatırım getirisini (ROI) ölçme#

İş dünyası liderleri için Vision AI sadece teknik performansla ilgili değildir. Ölçülebilir iş etkisi ile ilgilidir.

Düşünceli bir şekilde uygulandığında, görsel odaklı sistemler verimliliği artırabilir, maliyetleri düşürebilir ve doğruluğu yükseltebilir. Bu kazanımlar aynı zamanda daha iyi kullanıcı deneyimlerine ve daha güçlü genel performansa katkıda bulunur.

İşte bu etkinin netleştiği birkaç alan:

• Azaltılmış manuel çaba: Vision sistemleri tekrarlayan denetim, izleme ve doğrulama görevlerini otomatiğe bağlar; manuel süreçlere olan bağımlılığı azaltır ve ekiplerin daha stratejik çalışmalara odaklanmasını sağlar.
• Daha hızlı karar döngüleri: Gerçek zamanlı görsel analiz, sistemlerin sorunları tespit etmesini veya anında eylemleri tetiklemesini sağlar, yanıt sürelerini kısaltır ve operasyonların sorunsuz çalışmasını sağlar.
• Daha az operasyonel hata: Otomatik tespit tutarlılık getirir. Rutin görevlerde insan gözetimini azaltarak organizasyonlar genellikle daha az hata ve daha güvenilir sonuçlar görürler.
• Gelişmiş kullanıcı katılımı: Görebilen ve akıllıca yanıt verebilen ürünler daha etkileşimli ve alakalı hissettirir. Bu, daha güçlü kullanıcı güvenine, daha iyi deneyimlere ve daha yüksek uzun vadeli benimsemeye yol açar.

Link to this sectionÖne çıkanlar#

Vision AI, ürünlerin görsel bilgileri gerçek zamanlı olarak yorumlamasını sağlayarak daha akıllı otomasyonu ve daha duyarlı deneyimleri destekler. Tespit, izleme ve segmentasyon gibi yeteneklerle sistemler, temel kuralların ötesine geçerek bağlama duyarlı kararlar alır. Ultralytics YOLO26 gibi verimli modeller, ölçeklenebilir ve rekabetçi, görsel odaklı ürünler oluşturmayı pratik hale getirir.

Aktif topluluğumuza katıl ve üretimde yapay zeka ve perakendede vision AI gibi yenilikleri keşfet. GitHub depomuzu ziyaret et ve lisanslama seçeneklerimize göz atarak computer vision ile hemen çalışmaya başla.