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 ayarlardan geçirme süreçlerini içerir. Ultralytics Python paketi bu adımları basit ve kullanıcı dostu hale getirse de, yapay zeka destekli görü geliştirme süreci yine de zaman alıcı olabilir.

Bu durum, özellikle kısıtlı bir sürede çalışırken veya bir prototip geliştirirken geçerlidir. Böyle durumlarda, veri seti hazırlığını kolaylaştırma veya tekrarlayan görevleri otomatize etme gibi sürecin bazı bölümlerini basitleştiren araçlara veya entegrasyonlara sahip olmak büyük bir fark yaratabilir. Bu çözümler, gereken zamanı ve çabayı azaltarak modelini oluşturmaya ve iyileştirmeye odaklanmana yardımcı olur. Roboflow entegrasyonu tam olarak bunu sunar.

Roboflow entegrasyonu, büyük bir açık kaynaklı bilgisayarlı görü veri setleri kütüphanesi olan Roboflow Universe'deki veri setlerine kolayca erişmeni sağlar. Veri toplamak ve düzenlemek için saatler harcamak yerine, YOLO11 eğitim sürecini başlatmak için mevcut veri setlerini hızla bulabilir ve kullanabilirsin. Bu entegrasyon, bilgisayarlı görü modeli geliştirme aşamasında deney yapmayı ve yinelemeyi çok daha hızlı ve basit hale getirir.

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

Link to this sectionRoboflow Universe nedir?#

Roboflow Universe, bilgisayarlı görü geliştirmeyi basitleştirmeye odaklanan bir şirket olan Roboflow tarafından sürdürülen bir platformdur. Nesne algılama, görüntü sınıflandırma ve segmentasyon gibi görevler için 350 milyondan fazla görüntü, 500.000 veri seti ve 100.000 ince ayarlı model içerir. Dünyanın dört bir yanından geliştiricilerin ve araştırmacıların katkılarıyla Roboflow Universe, bilgisayarlı görü projelerini başlatmak veya geliştirmek isteyen herkes için ortak 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 uyması için verileri COCO, YOLO, TFRecord, CSV ve daha fazla formatta 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.

Link to this sectionRoboflow 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, bunların görevine uygun olduğundan emin olmayı ve ardından bunları doğru şekilde etiketlemeyi gerektirir.

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. YOLO11 kullanarak araba parçalarını algılama.

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.

Link to this sectionRoboflow 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.

YOLO11 özel eğitiminin nasıl çalıştığına daha yakından bakalım:

• Veri besleme: YOLO11 modeli veri setini işler; görüntülerden ve bunların etiketlerinden nesneleri algılamayı 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.

Link to this sectionBilgisayarlı görü geliştirmeye odaklanan diğer entegrasyonlar#

Roboflow entegrasyonunu keşfederken, Ultralytics belgelerinde bahsedilen diğer entegrasyonları da 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 bir bakış.

Veri setlerine ek olarak, diğer Ultralytics destekli entegrasyonlar, eğitim, dağıtım ve optimizasyon gibi bilgisayarlı görü sürecinin çeşitli bölümlerine 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.

Link to this sectionYOLO11 uygulamaları ve entegrasyonların rolü#

Bilgisayarlı görü geliştirmeyi destekleyen entegrasyonlar, YOLO11'in güvenilir yetenekleriyle birleştiğinde, gerçek dünya zorluklarını çözmeyi kolaylaştırır. Yapay zeka destekli görünün, üretim hattındaki metal parçalardaki çizikler veya eksik bileşenler gibi kusurları tespit etmek için kullanıldığı imalatta bilgisayarlı görü gibi yenilikleri düşün. Bu tür görevler için doğru verileri toplamak genellikle yavaş ve zor olabilir; özel ortamlara erişim gerektirebilir.

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.

Kullanıma hazır veri setleri sağlayan entegrasyonlar, endüstriyel kalite kontrol gibi görevleri kolaylaştırır ve YOLO11'in gerçek zamanlı algılama yetenekleri sayesinde üreticiler üretim hatlarını izleyebilir, kusurları anında yakalayabilir ve verimliliği artırabilir.

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

İmalatın ötesinde, veri setleriyle ilgili entegrasyonlar birçok başka endüstride de kullanılabilir. YOLO11'in hızı ve hassasiyeti ile kolayca erişilebilen veri setlerini bir araya getirerek, işletmeler kendi özel ihtiyaçlarına göre uyarlanmış çözümleri hızla geliştirebilir ve dağıtabilir. Örneğin sağlık hizmetlerini ele alalım; veri seti entegrasyonları, tümör 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.

Link to this sectionÖne 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 depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda kendi kendine giden arabalarda yapay zeka ve tarımda bilgisayarlı görü gibi alanlardaki yenilikleri keşfet. 🚀