Ultralytics YOLO26 ve görü AI ile akıllı ürünler geliştirme

Cihazlara, makinelere ve kamu altyapısına yerleştirilmiş kameralar her gün binlerce saatlik video kaydediyor. Bu görüntülerin çoğu yalnızca bir şeyler ters gittiğinde depolanıyor, hızlıca gözden geçiriliyor veya inceleniyor.

Çoğu zaman görsel veriler mevcut olsa da bunları gerçek zamanlı yorumlama yeteneği eksik kalıyor. Ürünler daha bağlantılı ve veri odaklı hâle geldikçe bu sınırlama daha belirginleşiyor.

Kullanıcılar sistemlerin yalnızca olayları kaydetmesini veya sabit talimatları izlemesini beklemiyor. Örneğin akıllı ürünlerin neler olduğunu tanımasını ve manuel incelemeleri beklemeden ya da katı kural kümelerine bağlı kalmadan anında yanıt vermesini bekliyorlar.

Yapay zekâdaki son gelişmeler bu açığın kapatılmasına yardımcı oluyor. Özellikle bilgisayarlı görü, makinelerin görüntüleri ve videoları yorumlamasını sağlayarak sistemlerin sahneleri analiz etmesine ve gerçek zamanlı yanıt vermesine olanak tanıyor.

Ancak bu yeteneği bir ürüne kazandırmak için hem hızlı hem de güvenilir modellere ihtiyaç var. Ultralytics YOLO26 gibi son teknoloji bilgisayarlı görü modelleri bu amaçla geliştirildi ve gerçek zamanlı dağıtım için gereken hızı ve doğruluğu sunuyor.

Ultralytics YOLO26; nesne tespiti, örnek bölütleme ve nesne takibi gibi temel görü görevlerini destekleyerek ürünlerin görsel verileri yorumlamasını ve akıllı şekilde yanıt vermesini mümkün kılıyor.

Şekil 1. YOLO26 kullanarak bir görüntüde nesne tespiti (Kaynak)

Bu makalede, gerçek dünya uygulamalarında daha akıllı ürünler geliştirmek ve akıllı otomasyonu desteklemek için bilgisayarlı görü ile Ultralytics YOLO26'nın nasıl kullanılabileceğini inceleyeceğiz. Haydi başlayalım!

Geleneksel ürün geliştirmenin eksikleri#

Bilgisayarlı görünün daha akıllı ürünler geliştirmeye nasıl yardımcı olduğunu incelemeden önce, geleneksel kural tabanlı sistemlere ve eski algoritmalara güvenen ekiplerin karşılaştığı zorluklara yakından bakalım.

Geleneksel ürün geliştirmenin temel zorluklarından bazıları şunlardır:

• Katı kural tabanlı sistemler: Sabit kodlanmış mantık kontrollü ortamlarda işe yarayabilir, ancak gerçek dünya koşulları nadiren öngörülebilirdir. Aydınlatmadaki, kamera açısındaki veya nesnenin görünümündeki küçük değişiklikler, önceden tanımlanmış kuralları hızla bozarak doğruluğu düşürebilir.
• Gerçek dünyadaki değişkenliğe zayıf uyum: Geleneksel sistemler yeni veya beklenmedik senaryolara iyi uyum sağlayamaz. Güncellemeler genellikle manuel ayar ve tekrarlanan optimizasyon gerektirir; bu da ürün geliştirmelerini yavaşlatır ve bakım yükünü artırır.
• Ölçeklenebilirlik sınırlamaları: Görüntü ve video verilerinin hacmi arttıkça eski görüntü işleme işlem hatları yetersiz kalır. İşleme yavaşlar ve video akışlarında gerçek zamanlı performansı korumak zorlaşır.
• Gerçek zamanlı senaryolarda yüksek gecikme: Geleneksel yaklaşımların çoğu sürekli görsel akışları yeterince hızlı işleyemez. Geciken çıktılar otomasyonu zayıflatır ve genel yanıt verebilirliği azaltır.
• Yüksek hesaplama gereksinimleri: Kabul edilebilir doğruluğa ulaşmak, özel grafik işlem birimleri (GPUs) dâhil olmak üzere önemli donanım kaynakları gerektirir ve bu da altyapı maliyetlerini artırır.

Daha akıllı ürünler geliştirmede bilgisayarlı görünün rolü#

Şimdi bilgisayarlı görünün daha akıllı ürün davranışlarını nasıl destekleyebileceğine bakalım.

Günümüzde bağlantılı ürünlerin çoğu, normal operasyon süreçlerinin bir parçası olarak zaten görsel veri topluyor. Kameralar çeşitli cihazlara yerleştiriliyor, fiziksel alanlara kuruluyor ve Nesnelerin İnterneti (IoT) sistemleri üzerinden birbirine bağlanıyor.

Bunun sonucunda görüntüler ve videolar arka planda sürekli kaydediliyor. Zorluk bu verileri toplamak değil.

Asıl zor kısım, toplanan verileri gerçek zamanlı anlamlandırmak. Görsel zekâ olmadan görüntüler yalnızca depolanıyor ve çoğu zaman bir sorun ortaya çıktıktan sonra inceleniyor.

Bilgisayarlı görü bunu değiştiriyor. Sistemler, örüntüleri tanımak üzere eğitilmiş sinir ağlarını kullanarak görüntüleri ve videoları gerçek zamanlı analiz edebiliyor. Ürünler sabit kurallara veya manuel kontrollere güvenmek yerine bir sahnede neler olduğunu yorumlayabiliyor ve olaylar gerçekleşirken yanıt verebiliyor.

Ekipler bu görsel yeteneği ürünlere kazandırmak için Ultralytics YOLO26 gibi verimli bilgisayarlı görü modellerine güvenebilir. YOLO26 temel görü görevlerini destekler ve ürünlerin görsel bilgileri gerçek zamanlı kararları mümkün kılacak kadar hızlı yorumlamasına yardımcı olabilir.

Görü odaklı ürünlerin yapı taşları#

Bilgisayarlı görü görevlerinin daha akıllı ürünlere nasıl katkıda bulunabileceğine kısaca bakalım:

• Nesne tespiti: Bu görev, her karedeki ilgili nesneleri bir sınırlayıcı kutu kullanarak tespit edip konumlandırabilir ve bir güven skoru atayabilir. Böylece görüntüde ne bulunduğuna dair net bir anlayış sağlar.
• Nesne takibi: Belirli nesneleri birden fazla kare boyunca takip etmek için kullanılabilir ve bir görü sisteminin zaman içindeki hareketleri ve değişimleri anlamasını sağlar.
• Görüntü sınıflandırma: Bu görev, temel içeriğine göre görüntünün tamamına bir etiket atar. Sahneleri kategorilere ayırır veya karedeki belirli koşulları tanımlar.
• Örnek bölütleme: Nesnelerin dış hatlarını piksel düzeyinde hassas biçimde belirleyebilir ve ürünlerin şekilleri, sınırları ve mekânsal ilişkileri daha iyi yorumlamasını sağlar.
• Poz tahmini: Bu görev, insan vücudundaki veya eklemli diğer nesnelerdeki kilit noktaları tespit eder. Duruşu, hareketi ve fiziksel etkileşimleri gerçek zamanlı olarak yakalar.
• Yönlendirilmiş sınırlayıcı kutu (OBB) tespiti: Nesneleri standart yatay kutular yerine döndürülmüş sınırlayıcı kutular kullanarak tespit edebilir. Nesneler açılı göründüğünde veya sıkışık ortamlarda bulunduğunda konumlandırma doğruluğunu artırır.

Bu yetenekler sürekli görsel verilere uygulandığında ürünler daha hızlı yanıt verebilir, daha güvenilir otomasyon sağlayabilir ve tepkisel olmaktan ziyade farkındalıklı hissettiren deneyimler sunabilir. Sistemler olayların daha sonra incelenmesini beklemek yerine onları anında anlayıp harekete geçebilir.

Gerçek zamanlı görü modelleri akıllı ürün davranışını nasıl mümkün kılar?#

Görü odaklı ürünler hakkında daha fazla bilgi edinirken bir sistemin yalnızca video kaydetmekten gerçek zamanlı yanıt vermeye nasıl geçtiğini merak ediyor olabilirsin.

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

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

Örneğin Ultralytics YOLO (Yalnızca Bir Kez Bak) model ailesi, görsel verileri gerçek zamanlı işlemek üzere geliştirildi. Ultralytics YOLO26 gibi modeller Ultralytics YOLOv5, Ultralytics YOLOv8 ve Ultralytics YOLO11 gibi önceki sürümlerin üzerine inşa edilerek mimari iyileştirmeler, performans optimizasyonları ve verimlilik geliştirmeleri içerir. Sonuç, zorlu gerçek dünya koşullarında bile daha yüksek 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 sağlandığında anında bir uyarıyı tetikleyebilir, bir iş akışını güncelleyebilir veya bir eylem başlatabilir.

Bu, görü odaklı sistemleri robotikten otonom araçlara, akıllı ev ve güvenlik sistemlerine kadar çeşitli ortamlara entegre etmek için daha duyarlı, ölçeklenebilir ve pratik hâle getirir. İş liderleri açısından bu; daha hızlı yanıtlar, daha az manuel kontrol ve tepkisel değil güvenilir hissettiren bir otomasyon anlamına gelir.

Ürünlerde gerçek zamanlı görsel zekâyı güçlendirmek için Ultralytics YOLO26 kullanma#

YOLO26 dâhil Ultralytics YOLO modelleri, önceden eğitilmiş modeller olarak kullanıma hazırdır. Bu, COCO veri kümesi gibi büyük ve yaygın olarak kullanılan veri kümelerinde zaten eğitilmiş oldukları anlamına gelir.

Bu ön eğitim sayesinde Ultralytics YOLO26, yaygın gerçek dünya nesnelerini hemen tanıyabilir. Bu, ürün ekiplerine pratik bir başlangıç noktası sunar; böylece sıfırdan model eğitmeden görsel özellikler geliştirebilirler.

Daha özel ürün ihtiyaçları için bu önceden eğitilmiş modeller, yüksek kaliteli açıklamalara sahip alana özgü veriler kullanılarak daha ileri düzeyde ince ayarlanabilir.

Örneğin tavan kameralarıyla donatılmış bir restoranı ele alalım. Ultralytics YOLO26 gibi özel olarak eğitilmiş bir görü yapay zekâ modeli, alanda kaç kişinin bulunduğunu tespit edebilir. Hangi masaların dolu, hangi sandalyelerin boş olduğunu belirleyebilir.

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

Bu tür bir senaryoda Ultralytics YOLO26, arka planda sürekli çalışan görsel bir motor görevi görür. Ekipler, performans ihtiyaçlarına ve enerji verimliliği hedeflerine bağlı olarak bu tür modelleri uç cihazlarda da dağıtabilir.

Akıllı ürünlerde YOLO modellerinin gerçek dünya uygulamaları#

Gerçek zamanlı görü modellerinin nasıl çalıştığını artık daha iyi anladığımıza göre Ultralytics YOLO modellerinin akıllı ürünlerde farklı kullanım alanlarında nasıl uygulanabileceğine ve bu ürünlerin gördüklerinin farkında olan, daha duyarlı ve eyleme geçme kapasitesi yüksek sistemlere nasıl dönüştürülebileceğine bakalım.

YOLO ile sağlık ürünlerinde zekâ#

Sağlık alanında cerrahi eğitim söz konusu olduğunda, alet kullanımını ve iş akışını değerlendirmek için prosedür görüntülerinin saatlerce manuel olarak incelenmesi gerekir. Bu süreç zaman alabilir ve büyük ölçüde insan gözlemine bağlıdır.

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

Bu, sürekli manuel inceleme gerektirmeden yapılandırılmış günlük kaydı, gelişmiş analiz ve yüksek kaliteli performans içgörüleri sağlar. Nitekim en yeni YOLO26 modelinin öncülü olan Ultralytics YOLO11 modeliyle yapılan araştırmalar, gerçek zamanlı laparoskopik alet tespitinin gömülü sistemlerde bile etkili şekilde çalışabildiğini gösterdi.

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

Model, canlı cerrahi ortamları için yeterince hızlı çalışırken yüksek doğruluğunu korudu. Bu, derin öğrenmenin prosedürler sırasında güvenilir gerçek zamanlı görsel geri bildirimi nasıl destekleyebileceğini gösteriyor.

YOLO odaklı akıllı perakende deneyimleri oluşturma#

Doğru ürünü bulmaya çalışırken hepimiz kalabalık bir süpermarket rafının önünde durmuşuzdur. Birçok ürün birbirine benzer, etiketler küçüktür ve ürünler çoğu zaman yanlış yerlere konur.

Perakendeciler için bu durum, rafları gerçek zamanlı görmeyi zorlaştırır. Görü yapay zekâsı ve YOLO nesne tespit modelleri, kamera akışları ve canlı video akışları üzerinden mağaza sistemlerinin rafta gerçekten ne olduğunu anlamasına yardımcı olabilir. Bu, barkod taramalarına ve manuel kontrollere olan bağımlılığı azaltarak raf takibini daha doğru ve duyarlı hâle getirir.

Şekil 4. Ultralytics YOLO26 ile süpermarket raflarındaki ürünleri tespit etme ve bölütleme

Bu düzeyde bir doğrulukla perakendecilerin artık yalnızca periyodik manuel kontrollere güvenmesi gerekmez. Raflar canlı video üzerinden sürekli izlenebilir.

Stok azlığı hemen işaretlenebilir, yanlış yerleştirilmiş ürünler daha hızlı fark edilebilir ve ödeme süreçleri daha sorunsuz yürüyebilir. Bu, müşteriler için daha kusursuz bir alışveriş deneyimi oluştururken perakendecilere operasyonlar üzerinde daha iyi kontrol sağlar.

Görü yapay zekâsı ve otonom navigasyon#

Otonom sistemler son derece verimli olabilir, ancak çoğu zaman sabit rotalara veya önceden belirlenmiş koordinatlara dayanır. Bu yaklaşım istikrarlı ortamlarda işe yarasa da gerçek dünya koşulları nadiren aynı kalır.

Derin öğrenme modelleriyle güçlendirilen görü yapay zekâsı çözümleri, makinelerin çevrelerini anlamasını ve gerçek zamanlı uyum sağlamasını mümkün kılar. Bilgisayarlı görü uyarlanabilir algoritmalarla birleştirildiğinde sistemler katı, önceden programlanmış talimatlara güvenmek yerine değişikliklere gerçekleştiği anda yanıt verebilir.

Peki bu gerçek dünya ortamlarında nasıl çalışır? Bir depoda çalışan robotu ele alalım. Kameralar çevresini sürekli kaydeder ve bir görü modeli engelleri, rafları ve geçiş yollarını belirlemek için gerçek zamanlı nesne tespiti gerçekleştirir.

Bu tespitler konumlandırmayı destekleyerek robotun tesis içindeki kesin konumunu belirlemesine yardımcı olur. Bu görsel girdiye dayanarak optimizasyon algoritmaları rotasını anında ayarlar; böylece koşullar değişse bile robot verimli şekilde ilerler ve otomasyonun sorunsuz çalışmasını sürdürür.

Altyapı izleme ve daha akıllı kusur tespiti#

Güvenli ve güvenilir kalmaları için enerji hatları ve şebeke ekipmanlarının düzenli olarak incelenmesi gerekir. Çoğu zaman bu enerji altyapısı denetimleri hâlâ manuel kontrolleri içerir; bu kontroller zaman alır ve geniş veya uzak alanlarda yönetilmesi zordur.

Görü yapay zekâsı, yalnızca planlı saha ziyaretlerine bağlı kalmadan altyapıyı izlemenin daha basit bir yolunu sunar. Ultralytics YOLO26 gibi modeller, gerçek dış ortam koşullarında çekilen görüntülerden doğrudan enerji hattı izolatörlerindeki çatlak, korozyon veya görünür hasar gibi kusurları tespit edebilir.

Bu tür sistemler görsel verileri gerçek zamanlı analiz ederek aksi takdirde fark edilmeyebilecek olası sorunları işaretleyebilir. Bu sorunları erken tespit etmek ekipman arızası riskini azaltır, beklenmedik kesintileri en aza indirir ve daha proaktif bakım operasyonlarını destekler.

Görü tabanlı akıllı ürünlerin yatırım getirisini ölçme#

İş liderleri için görü yapay zekâsı yalnızca teknik performansla ilgili değildir. Ölçülebilir iş etkisiyle ilgilidir.

Düşünülerek uygulandığında görü odaklı sistemler verimliliği artırabilir, maliyetleri düşürebilir ve doğruluğu yükseltebilir. Bu kazanımlar aynı zamanda daha iyi kullanıcı deneyimlerine ve genel performansın güçlenmesine katkıda bulunur.

Bu etkinin belirginleştiği birkaç alan şunlardır:

• Azalan manuel iş yükü: Görü sistemleri tekrarlayan inceleme, izleme ve doğrulama görevlerini otomatikleştirir; manuel süreçlere bağımlılığı azaltır ve ekiplerin daha stratejik işlere odaklanmasını sağlar.
• Daha hızlı karar döngüleri: Gerçek zamanlı görsel analiz, sistemlerin sorunları tespit etmesine veya eylemleri anında tetiklemesine olanak tanır; yanıt sürelerini kısaltır ve operasyonların sorunsuz ilerlemesini sağlar.
• Daha az operasyonel hata: Otomatik tespit tutarlılık sağlar. Kuruluşlar, rutin görevlerdeki insan denetimini azaltarak genellikle daha az hata ve daha güvenilir sonuçlar elde eder.
• Geliştirilmiş kullanıcı etkileşimi: Görebilen ve akıllı biçimde yanıt verebilen ürünler daha etkileşimli ve alakalı hissettirir. Bu da daha güçlü kullanıcı güveni, daha iyi deneyimler ve uzun vadede daha yüksek benimseme sağlar.

Önemli çıkarımlar#

Görü yapay zekâsı, ürünlerin görsel bilgileri gerçek zamanlı yorumlamasını sağlayarak daha akıllı otomasyonu ve daha duyarlı deneyimleri destekler. Tespit, takip ve bölütleme gibi yeteneklerle sistemler temel kuralların ötesine geçerek bağlam farkındalığına sahip kararlar alır. Ultralytics YOLO26 gibi verimli modeller, ölçeklenebilir ve rekabetçi görü odaklı ürünler geliştirmeyi pratik hâle getirir.

Aktif [topluluğumuza](https://ultralytics-translation-0.invalid katıl ve üretimde yapay zekâ ile perakendede görü yapay zekâsı gibi yenilikleri keşfet. GitHub depomuzu ziyaret et ve lisans seçeneklerimizi inceleyerek bugün bilgisayarlı görüyle çalışmaya başla.