Ultralytics YOLO26 ve görüntü yapay zekâsıyla akıllı ürünler geliştirme

Cihazlara, makinelere ve kamu altyapısına yerleştirilmiş kameralar her gün binlerce saatlik video kaydediyor. Bu görüntülerin çoğu, bir şeyler ters gidene kadar depolanıyor, hızla gözden geçiriliyor ya da hiç incelenmiyor.

Görsel veriler çoğu zaman mevcut olsa da bunları gerçek zamanlı yorumlama becerisi eksik. Ürünler birbirine daha fazla bağlanıp veriye dayalı hâle geldikçe bu sınırlama daha belirginleşiyor.

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

Yapay zekâ alanındaki son gelişmeler bu açığı kapatmaya yardımcı oluyor. Özellikle bilgisayarlı görü, makinelerin görüntüleri ve videoları yorumlamasını sağlayarak sistemlerin sahneleri analiz edip gerçek zamanlı yanıt vermesine olanak tanıyor.

Ancak bu özelliği bir ürüne kazandırmak için hem hızlı hem de güvenilir modeller gerekiyor. Ultralytics YOLO26 gibi son teknoloji bilgisayarlı görü modelleri bu amaçla geliştirildi; gerçek zamanlı dağıtım için gereken hız ve doğruluğu sunuyorlar.

Ultralytics YOLO26; nesne algılama, örnek segmentasyonu ve nesne takibi gibi temel görsel görevleri destekleyerek ürünlerin görsel verileri yorumlamasını ve akıllıca yanıt vermesini mümkün kılıyor.

Şekil 1. YOLO26 kullanarak bir görüntüdeki nesneleri algılama (Kaynak)

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

Geleneksel ürün geliştirmenin eksikleri#

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

Geleneksel ürün geliştirmenin başlıca zorluklarından bazıları şunlar:

• Katı kural tabanlı sistemler: Sabit kodlanmış mantık, kontrollü ortamlarda işe yarayabilir; ancak gerçek dünya koşulları nadiren öngörülebilirdir. Işıklandırmadaki, kamera açısındaki veya nesne görünümündeki küçük değişiklikler bile önceden tanımlanmış kuralları hızla bozabilir ve doğruluğu düşürebilir.
• Gerçek dünyadaki değişken koşullara uyum sağlayamama: Geleneksel sistemler yeni veya beklenmedik senaryolara iyi uyum sağlayamaz. Güncellemeler genellikle elle ayar ve tekrar tekrar optimizasyon gerektirir; bu da ürün iyileştirmelerini yavaşlatır ve bakım yükünü artırır.
• Ölçeklenebilirlik sınırlamaları: Görüntü ve video verilerinin hacmi arttıkça eski görüntü işleme hatları bu yükü karşılamakta zorlanır. İşleme yavaşlar ve video akışlarında gerçek zamanlı performansı korumak güçleşir.
• Gerçek zamanlı senaryolarda yüksek gecikme: Geleneksel yaklaşımların çoğu, kesintisiz görsel akışları yeterince hızlı işleyemez. Çıktılardaki gecikmeler otomasyonu zayıflatır ve genel yanıt verme hızını düşürür.
• Yüksek işlem gücü gereksinimleri: Kabul edilebilir doğruluk düzeyine ulaşmak, genellikle özel grafik işlem birimleri (GPUs) dâhil olmak üzere önemli donanım kaynakları gerektirir ve altyapı maliyetlerini artırır.

Daha akıllı ürünler geliştirmede bilgisayarlı görünün rolü#

Şimdi, bilgisayarlı görünün daha akıllı ürün davranışlarını nasıl destekleyebileceğine bakalım.

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

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

Asıl zor olan, toplanan verileri gerçek zamanlı olarak anlamlandırmak. Görsel zekâ olmadan görüntüler yalnızca depolanıp daha sonra, çoğu zaman sorun ortaya çıktıktan sonra inceleniyor.

Bilgisayarlı görü bunu değiştiriyor. Örüntüleri tanımak üzere eğitilmiş sinir ağlarını kullanan sistemler, görüntüleri ve videoları gerçek zamanlı analiz edebiliyor. Ürünler, sabit kurallara veya elle yapılan kontrollere bağlı kalmak yerine sahnede olup biteni yorumlayıp olaylar gerçekleşirken yanıt verebiliyor.

Ekipler, bu görsel yeteneği ürünlere kazandırmak için Ultralytics YOLO26 gibi verimli bilgisayarlı görü modellerinden yararlanabilir. YOLO26 temel görsel görevleri destekler ve ürünlerin görsel bilgileri gerçek zamanlı kararlar almayı mümkün kılacak kadar hızlı yorumlamasına yardımcı olabilir.

Görsel zekâ odaklı ürünlerin yapı taşları#

Bilgisayarlı görü görevlerinin daha akıllı ürünlere nasıl katkıda bulunabileceğine dair kısa bir özet:

• Nesne tespiti: Bu görev, her karedeki ilgili nesneleri sınırlayıcı kutu kullanarak belirleyip konumlarını saptayabilir ve bir güven skoru atayarak görüntüde nelerin bulunduğunu net biçimde anlamayı sağlar.
• Nesne takibi: Belirli nesneleri birden fazla kare boyunca takip etmek için kullanılabilir; böylece bir görsel sistem hareketi ve zaman içindeki değişiklikleri anlayabilir.
• Görüntü sınıflandırma: Bu görev, temel içeriğine göre görüntünün tamamına bir etiket atar. Sahneleri kategorilere ayırır veya karedeki belirli koşulları tanımlar.
• Örnek segmentasyonu: Nesnelerin sınırlarını piksel düzeyinde hassas biçimde belirleyebilir ve ürünlerin şekilleri, sınırları ve uzamsal 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.
• Yönelimli sınırlayıcı kutu (OBB) tespiti: Standart yatay kutular yerine döndürülmüş sınırlayıcı kutular kullanarak nesneleri tespit edebilir. Nesneler açılı durduğunda veya sıkışık ortamlarda bulunduğunda konum belirleme doğruluğunu artırır.

Bu yetenekler sürekli görsel verilere uygulandığında ürünler daha hızlı yanıt verebilir, daha güvenilir biçimde otomatik çalışabilir ve tepkisel olmaktan ziyade farkındalık sahibiymiş gibi hissettiren deneyimler sunabilir. Olayların sonradan incelenmesini beklemek yerine sistemler o anda anlayıp harekete geçebilir.

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

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

Her şey kameranın önündekileri tanımakla başlar. Video akışı geldikçe bir görme modeli her kareyi analiz eder ve belirli nesneler veya kişiler gibi önemli unsurları tanımlar. 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 alma süreçlerinin fark edilir bir gecikme olmadan gerçekleşmesini sağlaması gerekir.

Örneğin Ultralytics YOLO (Yalnızca Bir Kez Bak, YOLO) 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 çalışır ve gelen her kareyi analiz eder. Sistem, önceden belirlenen koşulları denetler ve bu koşullar karşılandığında anında uyarı verebilir, bir iş akışını güncelleyebilir veya bir eylem başlatabilir.

Bu sayede görme odaklı sistemler daha duyarlı, ölçeklenebilir ve robotik ile otonom araçlardan akıllı ev ve güvenlik sistemlerine kadar çeşitli ortamlara entegre edilmeye daha elverişli hâle gelir. İş dünyası liderleri için bu; daha hızlı yanıtlar, daha az manuel kontrol ve tepkisel değil güvenilir hissettiren otomasyon anlamına gelir.

Ürünlerde gerçek zamanlı görsel zekâyı desteklemek için Ultralytics YOLO26 kullanımı#

YOLO26 dahil Ultralytics YOLO modelleri, kullanıma hazır önceden eğitilmiş modeller olarak sunulur. Bu, modellerin COCO veri kümesi gibi yaygın olarak kullanılan büyük veri kümeleri üzerinde zaten eğitilmiş olduğu anlamına gelir.

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

Daha özel ürün ihtiyaçları için bu önceden eğitilmiş modeller, yüksek kaliteli anotasyonlar içeren alana özgü verilerle ek olarak ince ayarlanabilir.

Örneğin, tavan kameralarıyla donatılmış bir restoranı düşün. Ultralytics YOLO26 gibi özel olarak eğitilmiş bir görme yapay zekâsı modeli, mekânın içindeki kişi sayısını tespit edebilir. Hangi masaların dolu, hangi sandalyelerin boş olduğunu belirleyebilir.

Şekil 2. Ultralytics YOLO26, perakende mağazalarında insanları, açık alanları ve kasada görevli çalışanları gerçek zamanlı olarak tespit etmeyi sağlar. (Kaynak)

Bu tür senaryolarda Ultralytics YOLO26, arka planda sürekli çalışan görsel bir motor görevi görür. Performans ihtiyaçlarına ve enerji verimliliği hedeflerine bağlı olarak ekipler bu tür modelleri uç cihazlara da dağıtabilir.

Akıllı ürünlerde YOLO modellerinin gerçek dünya uygulamaları#

Artık gerçek zamanlı görme modellerinin nasıl çalıştığını daha iyi anladığımıza göre, Ultralytics YOLO modellerinin farklı kullanım alanlarında akıllı ürünlere nasıl uygulanabileceğine ve ürünlerin daha farkındalıklı, duyarlı ve gördüklerine göre hareket edebilir hâle nasıl getirilebileceğine bakalım.

YOLO ile sağlık ürünlerinde zekâ#

Sağlık alanındaki cerrahi eğitimlerde alet kullanımını ve iş akışını değerlendirmek için saatlerce süren işlem görüntüleri genellikle elle incelenir. Bu süreç zaman alabilir ve büyük ölçüde insan gözlemine dayanır.

Sisteme YOLO tabanlı bir görme modeli entegre edildiğinde işlem sırasında video akışları otomatik olarak analiz edilebilir. Model, cerrahi aletleri gerçek zamanlı tespit edebilir ve bunların nerede ve ne zaman kullanıldığını belirleyebilir.

Bu sayede sürekli manuel incelemeye gerek kalmadan yapılandırılmış kayıt, daha iyi analizler ve yüksek kaliteli performans bilgileri elde edilir. Nitekim en yeni YOLO26 modelinin önceki sürümü olan Ultralytics YOLO11 modelini kullanan araştırmalar, gerçek zamanlı laparoskopik alet tespitinin gömülü sistemlerde bile etkili biçimde çalışabileceğini gösterdi.

Şekil 3. YOLO kullanılarak laparoskopik aletlerin gerçek zamanlı tespiti (Kaynak)

Model, canlı cerrahi ortamlarında kullanılabilecek kadar hızlı çalışırken yüksek doğruluğunu korudu. Bu, derin öğrenmenin işlemler sırasında güvenilir ve gerçek zamanlı görsel geri bildirimi nasıl destekleyebileceğini gösteriyor.

YOLO destekli akıllı perakende deneyimleri oluşturma#

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

Perakendeciler için bu durum, rafların gerçek zamanlı görünürlüğünü sağlamayı zorlaştırır. Görsel yapay zekâ ve YOLO nesne tespit modelleri, mağaza sistemlerinin kamera görüntüleri ve canlı video akışları aracılığıyla rafta gerçekte ne olduğunu anlamasına yardımcı olabilir. Bu, barkod taramalarına ve manuel kontrollere duyulan ihtiyacı azaltarak raf takibini daha doğru ve duyarlı hâle getirir.

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

Bu tür bir doğruluk sayesinde perakendecilerin artık yalnızca belirli aralıklarla yapılan manuel kontrollere güvenmesi gerekmez. Raflar canlı video aracılığıyla sürekli izlenebilir.

Azalan stok anında bildirilebilir, yanlış yere konan ürünler daha hızlı tespit edilebilir ve ödeme süreçleri daha sorunsuz ilerleyebilir. Böylece müşteriler için daha akıcı bir alışveriş deneyimi sunulurken perakendeciler de operasyonları üzerinde daha iyi kontrol sahibi olur.

Görsel yapay zekâ ve otonom navigasyon#

Otonom sistemler son derece verimli olabilir ancak genellikle sabit güzergâhlara veya önceden belirlenmiş koordinatlara dayanır. Bu yaklaşım kararlı ortamlarda işe yarasa da gerçek dünya koşulları nadiren sabit kalır.

Derin öğrenme modelleriyle desteklenen görsel yapay zekâ çözümleri, makinelerin çevrelerini anlamasını ve gerçek zamanlı olarak uyum sağlamasını mümkün kılar. Bilgisayarlı görü, uyarlanabilir algoritmalarla bir araya geldiğinde sistemler katı, önceden programlanmış talimatlara bağlı kalmak yerine değişikliklere yaşandıkları anda yanıt verebilir.

Peki bu, gerçek dünya ortamlarında nasıl çalışır? Bir depoda çalışan robotu ele alalım. Kameralar çevresini sürekli görüntüler ve bir görme modeli gerçek zamanlı nesne tespiti yaparak engelleri, rafları ve geçiş yollarını belirler.

Bu tespitler robotun konum belirlemesini destekleyerek tesis içindeki kesin konumunu saptamasına yardımcı olur. Optimizasyon algoritmaları, bu görsel girdiye dayanarak robotun rotasını anında ayarlar; böylece koşullar değişse bile robot verimli biçimde yol alabilir ve otomasyon kesintisiz devam edebilir.

Altyapı izleme ve daha akıllı kusur tespiti#

Güvenliği ve güvenilirliği korumak için elektrik hatlarının ve şebeke ekipmanlarının düzenli olarak incelenmesi gerekir. Bu altyapı denetimleri çoğunlukla hâlâ manuel yapılır; bu da zaman alır ve geniş ya da uzak bölgelerde yönetilmesi zordur.

Görsel yapay zekâ, yalnızca planlı saha ziyaretlerine bağlı kalmadan altyapıyı izlemenin daha kolay bir yolunu sunar. Ultralytics YOLO26 gibi modeller, gerçek dış ortam koşullarında çekilen görüntülerdeki elektrik hattı izolatörlerinde çatlak, korozyon veya görünür hasar gibi kusurları doğrudan tespit edebilir.

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

Görme tabanlı akıllı ürünlerin yatırım getirisini ölçme#

İş dünyası liderleri için görsel yapay zekâ yalnızca teknik performansla ilgili değildir. Önemli olan, ölçülebilir iş etkisidir.

Dikkatli biçimde uygulandığında görme odaklı sistemler verimliliği artırabilir, maliyetleri düşürebilir ve doğruluğu yükseltebilir. Bu kazanımlar aynı zamanda daha iyi kullanıcı deneyimlerine ve genel performansın güçlenmesine katkı sağlar.

Bu etkinin açıkça görüldüğü birkaç alan şöyle:

• Manuel iş yükünün azalması: Görme sistemleri tekrarlayan inceleme, izleme ve doğrulama görevlerini otomatikleştirerek manuel süreçlere bağımlılığı azaltır ve ekiplerin daha stratejik çalışmalara odaklanmasını sağlar.
• Daha hızlı karar döngüleri: Gerçek zamanlı görsel analiz, sistemlerin sorunları tespit etmesine veya eylemleri anında başlatmasına olanak tanır; böylece yanıt süreleri kısalır ve operasyonlar sorunsuz devam eder.
• Daha az operasyonel hata: Otomatik tespit tutarlılık sağlar. Kurumlar, rutin görevlerde insan denetimine duyulan ihtiyacı azaltarak genellikle daha az hatayla ve daha güvenilir sonuçlarla karşılaşır.
• Daha yüksek kullanıcı etkileşimi: Görüp akıllıca yanıt verebilen ürünler daha etkileşimli ve ilgili hissettirir. Bu da kullanıcıların güvenini artırır, deneyimleri iyileştirir ve uzun vadeli benimsenmeyi destekler.

Önemli çıkarımlar#

Görsel yapay zekâ, ürünlerin görsel bilgileri gerçek zamanlı yorumlamasını sağlayarak daha akıllı otomasyonu ve daha duyarlı deneyimleri destekler. Tespit, takip ve segmentasyon gibi yeteneklerle sistemler basit kuralların ötesine geçerek bağlama duyarlı kararlar alabilir. Ultralytics YOLO26 gibi verimli modeller, ölçeklenebilir ve rekabetçi görme odaklı ürünler geliştirmeyi uygulanabilir hâle getirir.

Etkin topluluğumuza katıl ve üretimde yapay zekâ ile perakendede görsel yapay zekâ gibi yenilikleri keşfet. GitHub depomuzu ziyaret et ve lisans seçeneklerimize göz atarak bugün bilgisayarlı görüye başla.