Ultralytics ve görsel yapay zeka ile akıllı ürünler geliştirme

Cihazlara, makinelere ve kamu altyapısına yerleştirilmiş kameralar tarafından her gün binlerce saatlik video çekiliyor. Bu görüntüler çoğunlukla saklanıyor, gözden geçiriliyor veya yalnızca bir sorun olduğunda inceleniyor. 

Çoğu zaman görsel veriler mevcuttur, ancak bunları gerçek zamanlı olarak yorumlama becerisi eksiktir. Ürünler daha bağlantılı ve veri odaklı hale geldikçe, bu sınırlama daha da belirgin hale gelmektedir. 

Kullanıcılar, sistemlerin sadece olayları kaydetmekten veya sabit talimatları takip etmekten daha fazlasını yapmasını bekler. Örneğin, akıllı ürünlerin neler olup bittiğini fark edip, manuel incelemeleri beklemeden veya katı kurallara bağlı kalmadan hemen tepki vermesini beklerler.

Yapay zeka alanındaki son gelişmeler bu açığı kapatmaya yardımcı oluyor. Özellikle bilgisayar görüşü, makinelerin görüntüleri ve videoları yorumlamasını sağlayarak sistemlerin sahneleri analiz etmesine ve gerçek zamanlı olarak yanıt vermesine olanak tanıyor.

Ancak, bu özelliği bir ürüne dahil etmek için hem hızlı hem de güvenilir modeller gerekir. Ultralytics gibi son teknoloji bilgisayar görme modelleri bu amaçla geliştirilmiştir ve gerçek zamanlı dağıtım için gereken hız ve doğruluğu sağlar.

YOLO26, nesne algılama, örnek segmentasyonu ve nesne izleme gibi temel görme görevlerini destekleyerek ürünlerin görsel verileri yorumlamasını ve akıllı bir şekilde yanıt vermesini mümkün kılar.

Bu makalede, bilgisayar görüşü ve Ultralytics daha akıllı ürünler geliştirmek ve gerçek dünya uygulamalarında akıllı otomasyonu desteklemek için nasıl kullanılabileceğini inceleyeceğiz. Hadi başlayalım!

Geleneksel ürün geliştirmedeki eksiklikler

Bilgisayar görüşünün daha akıllı ürünler geliştirmeye nasıl yardımcı olduğunu incelemeden önce, geleneksel, kural tabanlı sistemlere ve eski algoritmalara güvenen ekiplerin karşılaştığı zorlukları yakından inceleyelim. 

Geleneksel ürün geliştirmenin başlıca zorluklarından bazıları şunlardır:

• Katı kural tabanlı sistemler: Sabit kodlanmış mantık, kontrollü ortamlarda işe yarayabilir, ancak gerçek dünya koşulları nadiren öngörülebilir. Işıklandırma, kamera açısı veya nesne görünümündeki küçük değişiklikler, önceden tanımlanmış kuralları hızla bozabilir ve doğruluğu azaltabilir.
• Gerçek dünyadaki değişkenliğe zayıf uyum: Geleneksel sistemler yeni veya beklenmedik senaryolara iyi uyum sağlayamaz. Güncellemeler genellikle manuel ayarlamalar ve tekrarlanan optimizasyonlar gerektirir, bu da ürün iyileştirmelerini yavaşlatır ve bakım çabalarını artırır.
• Ölçeklenebilirlik sınırlamaları: Görüntü ve video verilerinin hacmi arttıkça, eski görüntü işleme süreçleri buna ayak uydurmakta zorlanır. İşleme yavaşlar ve video akışlarında gerçek zamanlı performansı korumak zorlaşır.‍
• Gerçek zamanlı senaryolarda yüksek gecikme süresi: Birçok geleneksel yaklaşım, sürekli görsel akışları yeterince hızlı işleyemez. Gecikmeli çıktılar otomasyonu zayıflatır ve genel tepki hızını düşürür.
• Pahalı hesaplama gereksinimleri: Kabul edilebilir bir doğruluk elde etmek için genellikle özel grafik işlem birimleri (GPU) dahil olmak üzere önemli donanım kaynakları gerekir ve bu da altyapı maliyetlerini artırır.

Daha akıllı ürünler geliştirmede bilgisayar görüşünün rolü

Şimdi, bilgisayar görüşünün daha akıllı ürün davranışını nasıl destekleyebileceğini görelim.

Günümüzde çoğu bağlantılı ürün, normal çalışma süreçlerinin bir parçası olarak görsel verileri zaten toplamaktadır. Kameralar çeşitli cihazlara entegre edilmiş, fiziksel alanlara yerleştirilmiş ve Nesnelerin İnterneti (IoT) sistemleri aracılığıyla birbirine bağlanmıştır. 

Sonuç olarak, görüntüler ve videolar arka planda sürekli olarak yakalanmaktadır. Zorluk, bu verileri toplamak değildir. 

Zor olan kısım, toplanan verileri gerçek zamanlı olarak anlamlandırmaktır. Görsel zeka olmadan, görüntüler sadece depolanır ve genellikle bir sorun meydana geldikten sonra incelenir.

Bilgisayar görüşü bunu değiştiriyor. Desenleri tanımak için eğitilmiş sinir ağlarını kullanarak, sistemler görüntüleri ve videoları gerçek zamanlı olarak analiz edebilir. Sabit kurallara veya manuel kontrollere güvenmek yerine, ürünler bir sahnede neler olduğunu yorumlayabilir ve olaylar meydana geldikçe tepki verebilir.

Bu görsel özelliği ürünlere entegre etmek için ekipler, Ultralytics gibi verimli bilgisayar görme modellerinden yararlanabilir. YOLO26, temel görme görevlerini destekler ve ürünlerin görsel bilgileri gerçek zamanlı kararlar alabilecek kadar hızlı bir şekilde yorumlamasına yardımcı olur.

Görüş odaklı ürünlerin yapı taşları

Bilgisayar görme görevlerinin daha akıllı ürünlere nasıl katkıda bulunabileceğine dair kısa bir özet:

• Nesne algılama: Bu görev, sınırlayıcı kutu kullanarak her karede ilgili nesneleri tanımlayıp konumlarını belirleyebilir ve bir güvenilirlik puanı atayabilir, böylece görüntüde neyin bulunduğuna dair net bir anlayış sağlar.‍
• Nesne izleme: Birden fazla karede belirli nesneleri takip etmek için kullanılabilir ve görüntü sisteminin zaman içindeki hareketleri ve değişiklikleri anlamasını sağlar.‍
• Görüntü sınıflandırma: Bu görev, bir görüntünün ana içeriğine göre tüm görüntüye bir etiket atar. Sahneleri kategorize eder veya çerçeve içindeki belirli koşulları tanımlar.‍
• Örnek segmentasyonu: Nesneleri piksel düzeyinde hassas bir şekilde belirleyerek, ürünlerin şekilleri, sınırları ve uzamsal ilişkileri daha iyi yorumlamasını sağlar.‍
• Poz tahmini: Bu görev, insan vücudundaki veya diğer eklemli nesnelerdeki kilit noktaları algılar. Duruş, hareket ve fiziksel etkileşimleri gerçek zamanlı olarak yakalar.‍
• Yönlendirilmiş sınırlayıcı kutu (OBB) algılama: Standart yatay sınırlayıcı kutular yerine döndürülmüş sınırlayıcı kutular kullanarak detect . Nesneler açılı olarak veya sıkışık ortamlarda göründüğünde konumlandırma doğruluğunu artırır.

Bu yetenekler sürekli görsel verilere uygulandığında, ürünler daha hızlı tepki verebilir, daha güvenilir bir şekilde otomatikleştirilebilir ve reaktif değil, farkında olan bir deneyim sunabilir. Sistemler, olayların daha sonra incelenmesini beklemek yerine, anında anlayabilir ve harekete geçebilir.

Gerçek zamanlı görme modelleri akıllı ürün davranışını nasıl mümkün kılar?

Görme odaklı ürünler hakkında daha fazla bilgi edindikçe, bir sistemin basitçe video kaydetmekten gerçek zamanlı olarak yanıt vermeye nasıl geçtiğini merak ediyor olabilirsiniz.

İlk olarak kameranın önündeki nesneleri tanır. Video akışı gelirken, bir görüntü 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 husus ise hızdır. Gerçek zamanlı sistemler, her kareyi hızlı ve tutarlı bir şekilde işlemeli ve algılama ve karar verme süreçlerinin belirgin bir gecikme olmadan gerçekleşmesini sağlamalıdır.

Örneğin, Ultralytics YOLO You Only Look Once) model ailesi, görsel verileri gerçek zamanlı olarak işlemek için geliştirilmiştir. Ultralytics gibi modeller, önceki sürümleri temel almaktadır. Ultralytics YOLOv5, Ultralytics YOLOv8ve Ultralytics YOLO11, mimari iyileştirmeler, performans optimizasyonları ve verimlilik geliştirmeleri içermektedir. Sonuç olarak, zorlu gerçek dünya koşullarında bile hız ve doğruluk artmıştır.

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

Bu, görme odaklı sistemleri robotik ve otonom araçlardan akıllı ev ve güvenlik sistemlerine kadar çeşitli ortamlara entegrasyon için daha duyarlı, ölçeklenebilir ve pratik hale getirir. İş liderleri için bu, daha hızlı yanıtlar, daha az manuel kontrol ve reaktif değil güvenilir hissettiren otomasyon anlamına gelir.

YOLO26'yı kullanarak ürünlerde gerçek zamanlı görsel zeka sağlama

YOLO26 dahil olmak üzere Ultralytics YOLO , önceden eğitilmiş modeller olarak kullanıma hazırdır. Bu, COCO gibi geniş çapta kullanılan büyük veri setleri üzerinde önceden eğitilmiş oldukları anlamına gelir.

Bu ön eğitim sayesinde YOLO26, gerçek hayatta sıkça rastlanan nesneleri hemen tanıyabilir. Bu, ürün ekiplerine pratik bir başlangıç noktası sağlar; yani, modeli sıfırdan eğitmeden görsel özellikler oluşturabilirler.

Daha spesifik ürün ihtiyaçları için, bu önceden eğitilmiş modeller, yüksek kaliteli açıklamalar içeren alana özgü veriler kullanılarak daha da ince ayarlanabilir. 

Örneğin, tavan kameraları bulunan bir restoran düşünün. YOLO26 gibi özel olarak eğitilmiş bir görsel yapay zeka modeli, mekanda detect kişinin bulunduğunu detect edebilir. Hangi masaların dolu, hangi sandalyelerin boş olduğunu belirleyebilir. 

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

Akıllı ürünlerde YOLO gerçek dünya uygulamaları

Gerçek zamanlı görme modellerinin nasıl çalıştığını daha iyi anladığımıza göre, Ultralytics YOLO farklı kullanım senaryoları için akıllı ürünlerde nasıl uygulanabileceğini ve bu ürünleri daha farkında, duyarlı ve gördüklerine göre hareket edebilen hale getirebileceğini inceleyelim.

YOLO ile sağlık ürünleri istihbaratı

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

Sisteme entegre edilmiş YOLO bir görüntü modeli ile, prosedürler gerçekleştirilirken video akışları otomatik olarak analiz edilebilir. Model, detect aletleri gerçek zamanlı olarak detect ve bunların nerede ve ne zaman kullanıldığını belirleyebilir. 

Bu, sürekli manuel inceleme gerektirmeden yapılandırılmış günlük kaydı, gelişmiş analitik ve yüksek kaliteli performans içgörülerini mümkün kılar. Aslında, en son YOLO26 modelinin öncülü olan YOLO11 kullanan araştırmalar, gerçek zamanlı laparoskopik alet algılamanın gömülü sistemlerde bile etkili bir şekilde çalışabileceğini göstermiştir. 

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

Akıllı YOLO perakende deneyimleri yaratmak

Hepimiz kalabalık bir süpermarket rafının önünde durup doğru ürünü bulmaya çalışmışızdır. Birçok ürün birbirine benziyor, etiketler küçük ve ürünler genellikle yanlış yere yerleştirilmiş oluyor.

Perakendeciler için bu durum, rafların gerçek zamanlı görünürlüğünü zorlaştırmaktadır. Vision AI ve YOLO algılama modelleri, kamera görüntüleri ve canlı video akışları aracılığıyla mağaza sistemlerinin raflarda gerçekte ne olduğunu anlamasına yardımcı olabilir. Bu, barkod taramalarına ve manuel kontrollere olan bağımlılığı azaltarak raf izlemeyi daha doğru ve hızlı hale getirir.

Bu tür bir doğrulukla, perakendeciler artık sadece periyodik manuel kontrollere güvenmek zorunda kalmazlar. Raflar canlı video aracılığıyla sürekli olarak izlenebilir. 

Düşük stok hemen işaretlenebilir, yanlış yerleştirilmiş ürünler daha hızlı tespit edilebilir ve ödeme işlemleri daha sorunsuz bir şekilde gerçekleştirilebilir. Bu, perakendecilere daha iyi operasyonel kontrol sağlarken, müşteriler için daha sorunsuz bir alışveriş deneyimi yaratır.

Görsel yapay zeka ve otonom navigasyon

Otonom sistemler oldukça verimli olabilir, ancak genellikle sabit rotalara veya önceden belirlenmiş koordinatlara dayanır. Bu, istikrarlı 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 mümkün kılar. Bilgisayar görüşü ile uyarlanabilir algoritmaların birleşimi sayesinde, sistemler önceden programlanmış katı talimatlara bağlı kalmak yerine, değişikliklere anında tepki verebilir.

Peki, bu gerçek dünyada nasıl işliyor? Bir depoda çalışan bir robot örneğini ele alalım. Kameralar çevresini sürekli olarak görüntüler ve bir görme modeli, engelleri, rafları ve yolları tanımlamak için gerçek zamanlı nesne algılama gerçekleştirir. 

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

Altyapı izleme ve daha akıllı kusur tespiti

Elektrik hatları ve şebeke ekipmanlarının güvenli ve güvenilir kalması için düzenli olarak denetlenmesi gerekir. Çoğu zaman, bu kamu hizmetleri denetimleri hala manuel kontrollerden oluşmaktadır ve bu kontroller zaman alır ve geniş veya uzak alanlarda yönetilmesi zordur.

Vision AI, yalnızca planlanmış saha ziyaretlerine bağlı kalmadan altyapıyı takip etmenin daha basit bir yolunu sunar. YOLO26 gibi modeller, gerçek dış ortam koşullarında çekilen görüntülerden doğrudan elektrik hattı izolatörlerindeki çatlaklar, korozyon veya görünür hasarlar gibi detect edebilir. 

Görsel verileri gerçek zamanlı olarak analiz ederek, bu tür sistemler aksi takdirde fark edilmeyebilecek potansiyel sorunları tespit edebilir. Bu sorunları erken aşamada tespit etmek, ekipman arızası riskini azaltır, beklenmedik kesintileri en aza indirir ve daha proaktif bakım işlemlerini destekler.

Görme tabanlı akıllı ürünlerin ROI'sini ölçme

İş dünyasının liderleri için, vizyon AI sadece teknik performansla ilgili değildir. Ölçülebilir iş etkisiyle ilgilidir. 

Düşünceli bir şekilde uygulandığında, vizyon odaklı sistemler verimliliği artırabilir, maliyetleri azaltabilir ve doğruluğu artırabilir. Bu kazanımlar ayrıca daha iyi kullanıcı deneyimleri ve daha güçlü genel performansa katkıda bulunur.

Bu etkinin açıkça görüldüğü birkaç alan şunlardır:

• Manuel çabayı azaltır: Görüntü sistemleri, tekrarlayan denetim, izleme ve doğrulama görevlerini otomatikleştirerek manuel süreçlere olan bağımlılığı azaltır ve ekiplerin daha stratejik işlere odaklanmalarını sağlar.
• Daha hızlı karar döngüleri: Gerçek zamanlı görsel analiz, sistemlerin detect anında detect etmesini veya eylemleri anında tetiklemesini sağlayarak yanıt sürelerini kısaltır ve operasyonların sorunsuz bir şekilde devam etmesini sağlar.
• Daha az operasyonel hata: Otomatik algılama tutarlılık sağlar. Rutin görevlerde insan gözetiminin azaltılmasıyla, kuruluşlar genellikle daha az hata ve daha güvenilir sonuçlar elde eder.
• Geliştirilmiş kullanıcı etkileşimi: Görme ve akıllı bir şekilde yanıt verme özelliğine sahip ürünler, daha etkileşimli ve alakalı hissettirir. Bu da daha güçlü kullanıcı güveni, daha iyi deneyimler ve daha yüksek uzun vadeli benimseme oranları sağlar.

Önemli çıkarımlar

Vision AI, ürünlerin görsel bilgileri gerçek zamanlı olarak yorumlamasını sağlayarak daha akıllı otomasyon ve daha duyarlı deneyimler sunar. Algılama, izleme ve segmentasyon gibi yeteneklerle sistemler, temel kuralların ötesine geçerek bağlam farkında kararlar alabilir. Ultralytics gibi verimli modeller, ölçeklenebilir, rekabetçi ve görsel odaklı ürünler geliştirmeyi pratik hale getirir.

Aktif topluluğumuza katılın ve imalatta yapay zeka ve perakendecilikte görsel yapay zeka gibi yenilikleri keşfedin. GitHub deposunu ziyaret edin ve lisans seçeneklerimizi inceleyerek bilgisayar görme teknolojisine bugün başlayın.