Bilgisayarlı görü veri setleri ile Ultralytics YOLO11 özel eğitimi

Ultralytics YOLO11 gibi bir bilgisayarlı görü modelini eğitmek genellikle veri setin için görüntü toplama, bunları etiketleme, veriyi hazırlama ve modeli özel gereksinimlerini karşılayacak şekilde ince ayar (fine-tuning) yapma adımlarını içerir. Ultralytics Python paketi bu adımları anlaşılır ve kullanıcı dostu hale getirse de, görü yapay zeka geliştirmesi yine de zaman alıcı olabilir.

Bu durum, özellikle sıkı bir son tarihle çalışırken veya bir prototip geliştirirken belirginleşir. Bu gibi durumlarda, veri seti hazırlığını kolaylaştırma veya tekrarlayan görevleri otomatikleştirebilme gibi sürecin bazı kısımlarını basitleştiren araçlara veya entegrasyonlara sahip olmak büyük bir fark yaratabilir. Gerekli zamanı ve çabayı azaltarak bu çözümler, modelini oluşturmaya ve iyileştirmeye odaklanmana yardımcı olur. Roboflow entegrasyonunun sunduğu şey tam olarak budur.

Roboflow entegrasyonu, açık kaynaklı computer vision datasets içeren geniş bir kütüphane olan Roboflow Universe'deki veri setlerine kolayca erişmeni sağlar. Veri toplamak ve düzenlemekle saatler harcamak yerine, Ultralytics YOLO11 eğitim sürecini hızla başlatmak için mevcut veri setlerini çabucak bulabilir ve kullanabilirsin. Bu entegrasyon, bilgisayarlı görü modeli geliştirme çalışmalarında deneyler yapmayı ve yineleme gerçekleştirmeyi çok daha hızlı ve basit hale getirir.

Bu makalede, daha hızlı model geliştirme için Roboflow entegrasyonundan nasıl yararlanabileceğini inceleyeceğiz. Haydi başlayalım!

Roboflow Universe nedir?#

Roboflow Universe, bilgisayarlı görü geliştirmeyi basitleştirmeye odaklanan bir şirket olan Roboflow tarafından sürdürülen bir platformdur. Nesne tespiti, görüntü sınıflandırma ve segmentasyon gibi görevler için 350 milyondan fazla görüntü, 500.000 veri seti ve 100.000 ince ayar yapılmış modelden oluşur. Dünyanın dört bir yanından geliştiricilerin ve araştırmacıların katkılarıyla Roboflow Universe, bilgisayarlı görü projelerini başlatmak veya geliştirmek isteyen herkes için iş birliğine dayalı bir merkezdir.

Şekil 1. Roboflow Universe üzerindeki nesne algılama veri setlerinden örnekler.

Roboflow Universe aşağıdaki temel özellikleri içerir:

• Veri seti keşif araçları: Proje gereksinimlerinle uyumlu kaynakları hızla bulmak için veri setlerini keşfet, filtrele ve görselleştir.
• Dışa aktarma seçenekleri: İş akışına uyum sağlamak için verileri COCO, YOLO, TFRecord, CSV ve benzeri formatlarda dışa aktar.
• Veri seti analitiği: Etiket dağılımlarının, sınıf dengesizliklerinin ve veri seti kalitesinin görselleştirmelerini sağlayan analitik araçlarıyla çeşitli veri setleri hakkında içgörü kazan.
• Sürüm takibi: Katkıda bulunanlar tarafından yüklenen veri setlerinin farklı sürümlerini görüntüle ve bunlara eriş; böylece güncellemeleri takip edebilir, değişiklikleri karşılaştırabilir ve proje ihtiyaçlarına en uygun sürümü seçebilirsin.

Roboflow entegrasyonu doğru veriyi bulmana yardımcı olur#

Doğru veri setini bulmak, genellikle bir bilgisayarlı görü modeli oluşturmanın en zorlu kısımlarından biridir. Bir veri seti oluşturmak genellikle büyük miktarda görüntü toplamayı, görevinle alakalı olduklarından emin olmayı ve ardından bunları doğru bir şekilde etiketlemeyi içerir.

Bu süreç, özellikle kısa sürede farklı yaklaşımlar deniyorsan çok fazla zaman ve kaynak harcayabilir. Önceden var olan veri setlerini bulmak bile zor olabilir; çünkü bu setler genellikle platformlara dağılmış haldedir, düzgün belgelenmemiştir veya ihtiyacın olan belirli etiketlerden yoksundur.

Örneğin, tarım arazilerindeki yabani otları tespit etmek için bir bilgisayarlı görü uygulaması geliştiriyorsan, nesne algılama veya örnek segmentasyonu (instance segmentation) gibi farklı yapay zeka yaklaşımlarını test etmek isteyebilirsin. Bu, kendi veri setini toplamak ve etiketlemek için zaman ve çaba harcamadan önce hangi yöntemin en iyi sonucu verdiğini denemeni ve anlamanı sağlar.

Şekil 2. Ultralytics YOLO11 kullanarak araç parçalarını tespiti.

Roboflow entegrasyonunu kullanarak; yabani ot algılama, mahsul sağlığı veya tarla izleme gibi konulara odaklanan çeşitli tarım odaklı veri setlerine göz atabilirsin. Bu kullanıma hazır veri setleri, kendi verini oluşturma zahmetine girmeden farklı teknikleri denemeni ve modelini geliştirmeni sağlar.

Roboflow entegrasyonu nasıl çalışır?#

Doğru veri setlerini bulmak için Roboflow entegrasyonunu nasıl kullanabileceğini ele aldığımıza göre, şimdi bunun iş akışına nasıl uyduğuna bakalım. Roboflow Universe'den bir veri seti seçtiğinde, bunu YOLO11 formatında dışa aktarabilir veya indirebilirsin. Veri setin dışa aktarıldıktan sonra, Ultralytics Python paketini kullanarak YOLO11'i özel olarak eğitmek için kullanabilirsin.

Veri setini indirirken, Roboflow Universe'in farklı modelleri eğitmek için başka formatları da desteklediğini fark edebilirsin. Peki, neden Ultralytics YOLO11'i özel olarak eğitmeyi seçmelisin?

YOLO11, Ultralytics YOLO modellerinin en son sürümüdür ve daha hızlı ve daha doğru nesne algılama sağlamak için geliştirilmiştir. YOLOv8m'den %22 daha az parametre (modelin tahmin yapmak için eğitim sırasında ayarladığı iç değerler) kullanmasına rağmen, COCO veri setinde daha yüksek bir ortalama hassasiyet (mAP) elde eder. Hız ve hassasiyetin bu dengesi, özellikle belirli görevlere uyacak şekilde modelleri özel olarak eğitirken, YOLO11'i çok çeşitli bilgisayarlı görü uygulamaları için çok yönlü bir seçenek haline getirir.

custom training Ultralytics YOLO11 sürecinin nasıl çalıştığına daha yakından bakalım:

• Veri besleme: Ultralytics YOLO11 modeli veri setini işler ve görseller ile açıklamalarından nesneleri tespit etmeyi ve sınıflandırmayı öğrenir.
• Tahmin ve geri bildirim: Model, görüntülerdeki nesneler hakkında tahminler yapar ve bunları veri setinde sağlanan doğru yanıtlarla karşılaştırır.
• Performans takibi: Hassasiyet (doğru algılamalar), geri çağırma (kaçıran algılamalar) ve kayıp (tahmin hataları) gibi metrikler, ilerlemeyi ölçmek için izlenir.
• Yinelemeli öğrenme: Model, algılama doğruluğunu artırmak ve hataları en aza indirmek için parametrelerini birden fazla turda (epok) ayarlar.
• Nihai model çıktısı: Eğitimden sonra, optimize edilmiş model kaydedilir ve dağıtıma hazır hale gelir.

Bilgisayarlı görü geliştirmeye odaklanan diğer entegrasyonlar#

Roboflow entegrasyonunu keşfederken, Ultralytics belgelerinde bahsedilen diğer entegrasyonları fark edeceksin. Bilgisayarlı görü geliştirmenin çeşitli aşamalarıyla ilgili birçok entegrasyonu destekliyoruz.

Bu, topluluğumuza çeşitli seçenekler sunmak içindir, böylece kendi özel iş akışın için en uygun olanı seçebilirsin.

Şekil 3. Ultralytics tarafından desteklenen entegrasyonlara genel bakış.

Veri setlerine ek olarak, diğer Ultralytics destekli entegrasyonlar eğitim, dağıtım ve optimizasyon gibi bilgisayarlı görü sürecinin çeşitli kısımlarına odaklanır. Desteklediğimiz diğer entegrasyonlardan birkaç örnek şunlardır:

• Eğitim entegrasyonları: Amazon SageMaker ve Paperspace Gradient gibi entegrasyonlar, verimli model geliştirme ve test etme için bulut tabanlı platformlar sunarak eğitim iş akışlarını kolaylaştırır.
• İş akışı ve deney takibi entegrasyonları: ClearML, MLflow ve Weights & Biases (W&B), makine öğrenmesi projelerini yönetmeyi kolaylaştırarak iş akışlarını otomatize etmeye, deneyleri takip etmeye ve iş birliğini iyileştirmeye yardımcı olur.
• Optimizasyon ve dağıtım entegrasyonları: CoreML, ONNX ve OpenVINO, Apple donanımı ve Intel CPU'lar gibi platformlarda verimli performans sağlayarak çeşitli cihaz ve çerçevelerde optimize edilmiş dağıtımı mümkün kılar.
• İzleme ve görselleştirme entegrasyonları: TensorBoard ve Weights & Biases, modelleri iyileştirmek için ayrıntılı içgörüler sunarak eğitim ilerlemesini görselleştirmek ve performansı izlemek için araçlar sağlar.

Ultralytics YOLO11 uygulamaları ve entegrasyonların rolü#

Bilgisayarlı görü geliştirmesini destekleyen entegrasyonlar, Ultralytics YOLO11 modelinin güvenilir yetenekleriyle birleştiğinde gerçek dünya zorluklarını çözmeyi kolaylaştırır. Üretim hattındaki metal parçalardaki çizikler veya eksik bileşenler gibi kusurları tespit etmek için yapay zeka görüşünün kullanıldığı üretimde bilgisayarlı görü gibi yenilikleri düşün. Bu tür görevler için doğru verileri toplamak genellikle yavaş ve zor olabilir, bu da özel ortamlara erişim gerektirir.

Bu süreç genellikle ürünlerin görüntülerini yakalamak için üretim hatlarına kameralar veya sensörler yerleştirmeyi içerir. Bu görüntülerin, netliği ve tekdüzeliği sağlamak için genellikle tutarlı aydınlatma ve açılar altında, büyük hacimlerde alınması gerekir.

Görüntüler yakalandıktan sonra, çizikler, ezikler veya eksik parçalar gibi her bir kusur türü için hassas etiketlerle titizlikle etiketlenmelidir. Bu süreç, veri setinin gerçek dünyadaki değişkenliği doğru bir şekilde yansıttığından emin olmak için ciddi zaman ve kaynakların yanı sıra uzmanlık da gerektirir. Sağlam ve güvenilir bir veri seti oluşturmak için farklı kusur boyutları, şekilleri ve malzemeleri gibi faktörler hesaba katılmalıdır.

Hazır veri setleri sağlayan entegrasyonlar endüstriyel kalite kontrol gibi görevleri kolaylaştırır ve Ultralytics YOLO11 modelinin gerçek zamanlı tespit yetenekleriyle üreticiler üretim hatlarını izleyebilir, kusurları anında yakalayabilir ve verimliliği artırabilir.

Şekil 4. Ultralytics YOLO11 kullanılarak üretilen kutuların algılanması ve sayılmasına bir örnek.

Üretimin ötesinde, veri setleriyle ilgili entegrasyonlar diğer birçok sektörde de kullanılabilir. İşletmeler, Ultralytics YOLO11 modelinin hızını ve doğruluğunu kolayca erişilebilen veri setleriyle birleştirerek özel ihtiyaçlarına göre uyarlanmış çözümleri hızlı bir şekilde geliştirip devreye alabilir. Örneğin sağlık sektörünü ele alalım; veri seti entegrasyonları, tümörler gibi anormallikleri tespit etmek için tıbbi görüntüleri analiz eden çözümler geliştirmeye yardımcı olabilir. Benzer şekilde, otonom sürüşte bu tür entegrasyonlar güvenliği artırmak için araçları, yayaları ve trafik işaretlerini tanımlamaya yardımcı olabilir.

Öne çıkanlar#

Doğru veri setini bulmak, genellikle bir bilgisayarlı görü modeli oluşturmanın en çok zaman alan kısımlarından biridir. Ancak Roboflow entegrasyonu, bilgisayarlı görü konusunda yeni olsan bile Ultralytics YOLO modellerini özel olarak eğitmek için en iyi veri setini bulmanı kolaylaştırır.

Nesne algılama, görüntü sınıflandırma veya örnek segmentasyonu gibi bilgisayarlı görü görevleri için geniş bir veri seti koleksiyonuna erişim sağlayan Roboflow Universe, veri keşfi sürecindeki zahmeti ortadan kaldırır. Hızla başlamana ve veri toplamak ve düzenlemek için zaman harcamak yerine modelini oluşturmaya odaklanmana yardımcı olur. Bu modern yaklaşım, geliştiricilerin bilgisayarlı görü çözümlerini daha verimli bir şekilde prototip oluşturmalarını, yinelemelerini ve geliştirmelerini sağlar.

Daha fazla bilgi edinmek için GitHub deposunu ziyaret et ve topluluğumuzla etkileşim kur. Çözüm sayfalarımızda kendi kendine giden araçlarda yapay zeka ve tarımda bilgisayarlı görü gibi alanlardaki yenilikleri keşfet. 🚀