Yapay zeka insan eylemlerini algılayabilir mi? Aktivite tanımayı keşfetmek

Günlük yaşam, üzerinde düşünmek için nadiren durduğumuz küçük hareketlerle doludur. Bir odada yürümek, masada oturmak veya bir arkadaşa el sallamak bize zahmetsiz gelebilir, ancak bunları yapay zeka ile algılamak çok daha karmaşıktır. İnsanlar için doğal olan şeyler, bir makine tarafından anlaşılmaya çalışıldığında çok daha karmaşık bir hale gelir.

Bu yetenek, insan eylemi tanıma (HAR) olarak bilinir ve bilgisayarların insan davranışlarındaki modelleri algılamasını ve yorumlamasını sağlar. Bir fitness uygulaması, HAR'ın iş başındaki harika bir örneğidir. Adımları ve antrenman rutinlerini takip ederek, yapay zekanın günlük aktiviteleri nasıl izleyebileceğini gösterir.

HAR'ın potansiyelini gören birçok endüstri, bu teknolojiyi benimsemeye başladı. Aslında, insan action recognition market büyüklüğünün 2033 yılına kadar 12,56 milyar doları aşması bekleniyor.

Bu ilerlemenin önemli bir kısmı, makinelerin resimler ve videolar gibi görsel verileri analiz etmesini sağlayan bir yapay zeka dalı olan driven by computer vision tarafından sağlanmaktadır. Bilgisayarlı görü ve görüntü tanıma sayesinde HAR, bir araştırma konseptinden son teknoloji yapay zeka uygulamalarının pratik ve heyecan verici bir parçasına dönüşmüştür.

Bu makalede HAR'ın ne olduğunu, insan eylemlerini tanımak için kullanılan farklı yöntemleri ve bilgisayarlı görünün şu soruya nasıl yanıt verdiğini keşfedeceğiz: Yapay zeka gerçek dünya uygulamalarında insan eylemlerini algılayabilir mi? Hadi başlayalım!

İnsan eylemi tanıma nedir?#

İnsan eylemi tanıma, bilgisayar sistemlerinin vücut hareketlerini analiz ederek insan aktivitelerini veya eylemlerini anlamasını mümkün kılar. Bir görüntüdeki bir kişiyi basitçe detecting etmenin aksine HAR, kişinin ne yaptığını belirlemeye yardımcı olabilir. Örneğin yürümek ve koşmak arasında ayrım yapmak, el sallamayı tanımak veya birinin ne zaman düştüğünü fark etmek.

HAR'ın temeli, hareket ve duruş modellerinde yatar. Bir insanın kollarının veya bacaklarının konumlanma biçimindeki küçük bir değişiklik, çeşitli eylemlere işaret edebilir. Bu incelikli detayları yakalayıp yorumlayarak, HAR sistemleri vücut hareketlerinden anlamlı bilgiler elde edebilir.

Bunu başarmak için insan eylemi tanıma; vücut hareketlerini analiz etmek ve insan eylemlerini daha yüksek doğrulukla yorumlamak için birlikte çalışan makine öğrenimi, derin öğrenme modelleri, bilgisayarlı görü ve image processing gibi birden fazla teknolojiyi birleştirir.

Şekil 1. İnsan aktivitesi tanıma, bilgisayar biliminin farklı dallarını içerir (Kaynak: cell.com)

Daha önceki HAR sistemleri çok daha sınırlıydı. Sadece kontrollü ortamlarda birkaç basit, tekrarlayan eylemi yönetebiliyorlardı ve genellikle gerçek dünya durumlarında zorlanıyorlardı.

Bugün, yapay zeka ve büyük miktardaki video verileri sayesinde HAR, hem doğruluk hem de dayanıklılık açısından önemli ölçüde ilerledi. Modern sistemler, çok çeşitli aktiviteleri çok daha yüksek doğrulukla tanıyabiliyor, bu da teknolojiyi sağlık, güvenlik ve etkileşimli cihazlar gibi alanlar için pratik hale getiriyor.

İnsan eylemlerini algılamanın farklı yöntemleri#

Artık insan eylemi tanımanın ne olduğuna dair daha iyi bir anlayışa sahip olduğumuza göre, makinelerin insan eylemlerini algılayabileceği farklı yollara bir göz atalım.

İşte yaygın yöntemlerden bazıları:

• Sensör tabanlı yöntemler: İvmeölçerler, giyilebilir cihazlar ve akıllı telefonlar gibi akıllı cihazlar, sinyalleri doğrudan insan vücudundan alabilir. Yürümek, koşmak ve hatta hareketsiz durmak gibi hareket modellerini gösterebilirler. Bir akıllı saatteki adım sayar, bu yöntemin harika bir örneğidir.
• Görü tabanlı yöntemler: Bilgisayarlı görü ile eşleştirilmiş kameralar, vücudun nasıl göründüğünü ve kare kare nasıl hareket ettiğini takip etmek için görüntüleri ve videoları analiz eder. Bu, daha karmaşık aktivitelerin tanınmasını sağlar. Hareket kontrollü televizyonlar veya oyun sistemleri bu yönteme dayanır.
• Çok modlu yöntemler: Bir kaynağın diğerinin algıladığını doğrulayabildiği için daha güvenilir bir sistem oluşturan sensör ve kamera kombinasyonudur. Örneğin, bir giyilebilir cihaz hareketi kaydederken bir kamera duruşu doğrulayabilir; bu düzenek genellikle yaşlı bakımında düşme algılamada kullanılır.

İnsan aktivitesi tanımada veri setlerinin rolü#

Herhangi bir HAR modeli veya sistemi için datasets başlangıç noktasıdır. Bir HAR veri seti; yürümek, oturmak veya el sallamak gibi eylemleri yakalayan video klipler, görüntüler veya sensör verileri gibi örneklerin bir koleksiyonudur. Bu örnekler, yapay zeka modellerini insan hareketlerindeki kalıpları tanımaları için eğitmek üzere kullanılır ve bunlar daha sonra gerçek hayattaki uygulamalarda kullanılabilir.

Eğitim verilerinin kalitesi, bir modelin ne kadar iyi performans gösterdiğini doğrudan etkiler. Temiz ve tutarlı veriler, sistemin eylemleri doğru bir şekilde tanımasını kolaylaştırır.

Bu nedenle veri setleri genellikle eğitimden önce ön işlemden geçirilir. Yaygın bir adım, hataları azaltmak ve aşırı uyumu (modelin eğitim verilerinde iyi performans gösterip yeni verilerle zorlanması) önlemek için değerleri tutarlı bir şekilde ölçeklendiren normalleştirmedir.

Modellerin eğitim ötesinde nasıl performans gösterdiğini ölçmek için araştırmacılar, adil test ve karşılaştırmaya olanak tanıyan değerlendirme metriklerine ve kıyaslama veri setlerine güvenirler. UCF101, HMDB51 ve Kinetics gibi popüler koleksiyonlar, insan eylemi algılama için binlerce etiketli video klibi içerir. Sensör tarafında ise akıllı telefonlardan ve giyilebilir cihazlardan toplanan veri setleri, tanıma modellerini farklı ortamlarda daha dayanıklı hale getiren değerli hareket sinyalleri sağlar.

Şekil 2. İnsan aktivitesi tanıma veri setinden bir kesit. (Source)

Bilgisayarlı görü, insan aktivitesi tanımayı nasıl destekler#

İnsan eylemlerini algılamanın farklı yolları arasında, bilgisayarlı görü hızla en popüler ve üzerinde en çok araştırma yapılan yöntemlerden biri haline geldi. Temel avantajı, görüntülerden ve videolardan zengin detayları doğrudan çıkarabilmesidir. Piksellere kare kare bakarak ve hareket modellerini analiz ederek, insanların fazladan cihaz taşımasına gerek kalmadan aktiviteleri gerçek zamanlı olarak tanıyabilir.

Derin öğrenmedeki son gelişmeler, özellikle görüntüleri analiz etmek için tasarlanan evrişimli sinir ağları (CNN'ler), bilgisayarlı görüyü daha hızlı, daha doğru ve daha güvenilir hale getirdi.

Örneğin, Ultralytics YOLO11 gibi yaygın olarak kullanılan son teknoloji bilgisayarlı görü modelleri bu gelişmeler üzerine kurulmuştur. YOLO11; nesne tespiti, örnek bölütleme, video kareleri boyunca insanları taklit etme ve insan pozlarını tahmin etme gibi görevleri destekleyerek insan aktivitesi tanıma için harika bir araç haline gelir.

Ultralytics YOLO11'e genel bakış#

Ultralytics YOLO11, hem hız hem de hassasiyet için tasarlanmış bir görü yapay zeka modelidir. Nesne tespiti, nesne takibi ve pose estimation gibi temel bilgisayarlı görü görevlerini destekler. Bu yetenekler özellikle insan aktivitesi tanıma için faydalıdır.

Nesne algılama, bir sahnedeki insanları tanımlar ve konumlandırır; takip, eylem dizilerini tanımak için hareketlerini video kareleri boyunca izler; duruş tahmini ise benzer aktiviteler arasında ayrım yapmak veya bir düşme gibi ani değişiklikleri algılamak için temel insan vücudu eklemlerini eşler.

Örneğin, modelden elde edilen içgörüler; birinin sessizce otururken ayağa kalkması ve ardından neşeyle kollarını kaldırması arasındaki farkı söylemek için kullanılabilir. Bu basit günlük eylemler ilk bakışta benzer görünebilir, ancak bir dizi halinde analiz edildiğinde çok farklı anlamlar taşır.

Şekil 3. Poz tahmini için Ultralytics YOLO11 kullanımı. (Source)

Bilgisayarlı görü ve HAR'ın gerçek dünya uygulamaları#

Şimdi, bilgisayarlı görü tarafından desteklenen insan aktivitesi tanımanın günlük hayatımızı etkileyen gerçek dünya kullanım senaryolarında nasıl uygulandığına daha yakından bakalım.

Sağlık ve esenlik#

healthcare alanında, hareketteki küçük değişiklikler bir kişinin durumu hakkında yararlı bilgiler sağlayabilir. Örneğin, yaşlı bir hastanın tökezlemesi veya rehabilitasyon sırasında bir uzvun açısı riskleri veya ilerlemeyi ortaya çıkarabilir. Bu işaretlerin rutin kontroller gibi geleneksel yöntemlerle gözden kaçması genellikle kolaydır.

Ultralytics YOLO11, hastaları gerçek zamanlı olarak izlemek için poz tahmini ve görüntü analizi kullanarak yardımcı olabilir. Düşmeleri tespit etmek, iyileşme egzersizlerini takip etmek ve yürüme veya esneme gibi günlük aktiviteleri gözlemlemek için kullanılabilir. Sensörlere veya giyilebilir cihazlara ihtiyaç duymadan görsel analiz yoluyla çalıştığı için, hasta bakımını destekleyen doğru bilgileri toplamanın basit bir yolunu sunar.

Şekil 4. Ultralytics YOLO11'in poz tahmini desteği kullanılarak vücut hareketlerinin izlenmesi. (Kaynak)

Güvenlik ve gözetim#

Güvenlik sistemleri; birinin etrafta aylakça dolaşması, yasaklı bir alanda koşması veya ani bir saldırganlık göstermesi gibi olağandışı insan aktivitelerini hızlı bir şekilde tespit etmeye güvenir. Bu işaretler, güvenlik görevlilerinin her şeyi manuel olarak izleyemediği yoğun ortamlarda sıklıkla gözden kaçar. İşte bilgisayarlı görü ve Ultralytics YOLO11 tam da burada devreye girer.

YOLO11, şüpheli hareketleri tespit edebilen ve anında uyarılar gönderebilen gerçek zamanlı video gözetimine güç vererek security monitoring işlemini daha kolay hale getirir. Kamusal alandaki kalabalık güvenliğini destekler ve özel alanlardaki izinsiz giriş tespitini güçlendirir.

Bu yaklaşımla güvenlik görevlileri, bilgisayarlı görü sistemleriyle yan yana çalışarak, şüpheli aktivitelere daha hızlı ve zamanında yanıt verilmesini sağlayan bir insan-bilgisayar etkileşimi ve ortaklığı oluşturabilir.

İnsan eylemi tanıma için bilgisayarlı görü kullanmanın artıları ve eksileri#

İnsan eylemi tanıma için bilgisayarlı görü kullanmanın avantajlarından bazıları şunlardır:

• Ölçeklenebilirlik: Bir kez kurulduğunda, aynı tanıma sistemi aynı anda birden fazla kişiyi otomatik olarak izleyebilir; bu da onu sağlık tesislerinde, fabrikalarda ve kamusal alanlarda otomasyon için kullanışlı hale getirir.
• Gerçek zamanlı işleme: Vision AI solutions, video akışlarını gerçekleştikleri anda analiz etmek için kullanılabilir ve daha hızlı yanıtlar sağlar.
• İnvaziv olmayan takip: Giyilebilir cihazların veya sensörlerin aksine, insanların cihaz taşımasını gerektirmez; bu da doğal ve zahmetsiz davranış analizine olanak tanır.

İnsan eylemi tanıma için bilgisayarlı görü kullanmanın birçok faydası olsa da, dikkate alınması gereken sınırlamalar da vardır. İşte akılda tutulması gereken bazı faktörler:

• Gizlilik endişeleri: Video tabanlı izleme, özellikle evler veya iş yerleri gibi hassas ortamlarda veri koruması ve onay konusunda sorunlar yaratabilir.
• Potansiyel önyargı: Eğitim veri setleri çeşitlilikten yoksunsa, algoritmalar belirli insan grupları için eylemleri yanlış yorumlayabilir ve bu da haksız veya hatalı sonuçlara yol açabilir.
• Çevresel hassasiyet: Kötü aydınlatma, arka plan karmaşası veya insanların kısmen gizlenmesi nedeniyle doğruluk düşebilir, bu da sistemlerin dikkatli bir şekilde tasarlanması gerektiği anlamına gelir.

Öne çıkanlar#

Yapay zeka ve bilgisayarlı görü, makinelerin insan eylemlerini daha doğru ve gerçek zamanlı olarak tanımasını mümkün kılıyor. Video karelerini ve hareket modellerini analiz ederek, bu sistemler hem günlük jestleri hem de ani değişiklikleri tanımlayabilir. Teknoloji gelişmeye devam ettikçe, insan aktivitesi tanıma araştırma laboratuvarlarının ötesine geçerek sağlık, güvenlik ve günlük uygulamalar için pratik bir araca dönüşüyor.

GitHub repository sayfamızı ziyaret ederek ve community katılarak yapay zeka hakkında daha fazla bilgi edinebilirsin. AI in robotics ve computer vision in manufacturing hakkında bilgi edinmek için çözüm sayfalarımıza göz at. Görü yapay zekası ile başlamak için our licensing options seçeneğini keşfet.