Ultralytics YOLO11'u bilgisayarlı görü veri kümeleriyle özel olarak eğitirme

Ultralytics YOLO11 gibi bir bilgisayarlı görü modelini eğitmek genellikle veri kümen için görüntüler toplamayı, bunları etiketlemeyi, verileri hazırlamayı ve modeli özel gereksinimlerini karşılayacak şekilde ince ayarlamayı içerir. Ultralytics Python paketi bu adımları kolay ve kullanıcı dostu hâle getirse de görsel yapay zekâ geliştirme süreci yine de zaman alabilir.

Bu durum özellikle sıkışık bir teslim tarihiyle çalışırken veya bir prototip geliştirirken geçerlidir. Bu gibi durumlarda, sürecin bazı bölümlerini basitleştiren araçlar ya da entegrasyonlar — veri kümesi hazırlamayı kolaylaştırmak veya tekrarlayan görevleri otomatikleştirmek gibi — büyük fark yaratabilir. Gereken zamanı ve çabayı azaltan bu çözümler, modelini oluşturmaya ve iyileştirmeye odaklanmana yardımcı olur. Roboflow entegrasyonunun sunduğu tam olarak budur.

Roboflow entegrasyonu, geniş bir açık kaynaklı bilgisayarlı görü veri kümeleri kitaplığı olan Roboflow Universe'teki veri kümelerine kolayca erişmeni sağlar. Veri toplamak ve düzenlemek için saatler harcamak yerine, mevcut veri kümelerini hızla bulup kullanarak Ultralytics YOLO11 eğitim sürecini başlatabilirsin. Bu entegrasyon, bilgisayarlı görü modeli geliştirme sürecinde denemeler yapmayı ve yinelemeli geliştirmeyi çok daha hızlı ve kolay hâle getirir.

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

Roboflow Universe nedir?#

Roboflow Universe, bilgisayarlı görü geliştirmeyi kolaylaştırmaya odaklanan Roboflow tarafından sürdürülen bir platformdur. Platformda nesne algılama, görüntü sınıflandırma ve segmentasyon gibi görevler için 350 milyondan fazla görüntü, 500.000 veri kümesi ve 100.000 ince ayarlanmış model bulunur. Dünyanın dört bir yanındaki geliştiricilerin ve araştırmacıların katkılarıyla Roboflow Universe, bilgisayarlı görü projelerini başlatmak veya geliştirmek isteyen herkes için işbirliğine dayalı bir merkezdir.

Şekil 1. Roboflow Universe'teki nesne algılama veri kümelerine örnekler.

Roboflow Universe aşağıdaki temel özellikleri içerir:

• Veri kümesi keşif araçları: Proje gereksinimlerinle uyumlu kaynakları hızla bulmak için veri kümelerini keşfet, filtrele ve görselleştir.
• Dışa aktarma seçenekleri: İş akışına uygun olması için verileri COCO, YOLO, TFRecord, CSV ve daha birçok formatta dışa aktar.
• Veri kümesi analitiği: Etiket dağılımlarını, sınıf dengesizliklerini ve veri kümesi kalitesini görselleştiren analitik araçlarıyla çeşitli veri kümeleri hakkında içgörüler elde et.
• Sürüm takibi: Katkıda bulunanlar tarafından yüklenen veri kümelerinin farklı sürümlerini görüntüle ve bunlara eriş; böylece güncellemeleri takip edebilir, değişiklikleri karşılaştırabilir ve proje ihtiyaçlarına en uygun sürümü seçebilirsin.

Roboflow entegrasyonu doğru verileri bulmana yardımcı olur#

Doğru veri kümesini bulmak, bir bilgisayarlı görü modeli oluşturmanın genellikle en zorlu bölümlerinden biridir. Bir veri kümesi oluşturmak genellikle çok sayıda görüntü toplamayı, bunların görevinle ilgili olduğundan emin olmayı ve ardından doğru şekilde etiketlemeyi gerektirir.

Bu süreç, özellikle kısa bir zaman diliminde farklı yaklaşımları deniyorsan çok fazla zaman ve kaynak tüketebilir. Mevcut veri kümelerini bulmak bile zor olabilir; çünkü bunlar genellikle platformlara dağılmıştır, yeterince belgelenmemiştir veya ihtiyaç duyduğun özel ek açıklamalardan yoksundur.

Örneğin, tarım alanlarındaki yabani otları algılayan bir bilgisayarlı görü uygulaması geliştiriyorsan, nesne algılama ile örnek segmentasyonu gibi farklı görsel yapay zekâ yaklaşımlarını test etmek isteyebilirsin. Böylece kendi veri kümeni toplamak ve etiketlemek için zaman ve çaba harcamadan önce hangi yöntemin en iyi sonucu verdiğini deneyebilir ve belirleyebilirsin.

Şekil 2. Ultralytics YOLO11 kullanarak otomobil parçalarını algılama.

Roboflow entegrasyonunu kullanarak yabani ot algılama, ürün sağlığı veya tarla izleme odaklı veri kümeleri de dâhil olmak üzere tarımla ilgili çeşitli veri kümelerine göz atabilirsin. Kullanıma hazır bu veri kümeleri, kendi verilerini oluşturmak için gereken başlangıç çabası olmadan farklı teknikleri denemene ve modelini iyileştirmene olanak tanır.

Roboflow entegrasyonu nasıl çalışır?#

Doğru veri kümelerini bulmak için Roboflow entegrasyonunu nasıl kullanabileceğini ele aldığımıza göre, şimdi bunun iş akışına nasıl uyduğuna bakalım. Roboflow Universe'ten bir veri kümesi seçtikten sonra, bunu YOLO11 formatında dışa aktarabilir veya indirebilirsin. Veri kümen dışa aktarıldıktan sonra, Ultralytics Python paketini kullanarak YOLO11'i özel olarak eğitmek için veri kümesini kullanabilirsin.

Veri kümeni 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 yeni sürümüdür ve daha hızlı, daha doğru nesne algılama sunmak üzere geliştirilmiştir. Bir modelin tahmin yapmak için eğitim sırasında ayarladığı dahili değerler olan parametreleri YOLOv8m'ye göre %22 daha az kullanmasına rağmen COCO veri kümesinde daha yüksek ortalama hassasiyet (mAP) elde eder. Hız ve hassasiyet arasındaki bu denge, YOLO11'i çok çeşitli bilgisayarlı görü uygulamaları için, özellikle de modelleri belirli görevlere uyarlamak üzere özel olarak eğitirken, çok yönlü bir seçenek hâline getirir.

Ultralytics YOLO11'i özel olarak eğitmenin nasıl çalıştığına daha yakından bakalım:

• Veri besleme: Ultralytics YOLO11 modeli veri kümeni işler ve görüntüler ile bunların ek açıklamalarından nesneleri algılamayı ve sınıflandırmayı öğrenir.
• Tahmin ve geri bildirim: Model, görüntülerdeki nesneler hakkında tahminlerde bulunur ve bunları veri kümesinde sağlanan doğru yanıtlarla karşılaştırır.
• Performans takibi: İlerlemeni değerlendirmek için kesinlik (doğru algılamalar), geri çağırma (kaçırılan algılamalar) ve kayıp (tahmin hataları) gibi metrikler izlenir.
• Yinelemeli öğrenme: Model, algılama doğruluğunu artırmak ve hataları en aza indirmek için parametrelerini birden fazla turda (epoch) ayarlar.
• Nihai model çıktısı: Eğitimden sonra optimize edilmiş model kaydedilir ve dağıtıma hazır hâle gelir.

Bilgisayarlı görü geliştirmeye odaklanan diğer entegrasyonlar#

Roboflow entegrasyonunu keşfederken Ultralytics belgelerinde bahsedilen diğer entegrasyonları da fark edeceksin. Bilgisayarlı görü geliştirmenin çeşitli aşamalarıyla ilgili çok çeşitli entegrasyonları destekliyoruz.

Bunu, topluluğumuza çeşitli seçenekler sunmak ve senin de kendi iş akışın için en uygun çözümü seçebilmeni sağlamak amacıyla yapıyoruz.

Şekil 3. Ultralytics tarafından desteklenen entegrasyonlara genel bakış.

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

• Eğitim entegrasyonları: Amazon SageMaker ve Paperspace Gradient gibi entegrasyonlar, verimli model geliştirme ve test için bulut tabanlı platformlar sunarak eğitim iş akışlarını kolaylaştırır.
• İş akışı ve deney takibi entegrasyonları: ClearML, MLflow ve Weights & Biases (W&B), iş akışlarını otomatikleştirmeye, deneyleri takip etmeye ve işbirliğini geliştirmeye yardımcı olarak makine öğrenimi projelerini yönetmeyi kolaylaştırır.
• Optimizasyon ve dağıtım entegrasyonları: CoreML, ONNX ve OpenVINO, çeşitli cihazlar ve çerçeveler arasında optimize edilmiş dağıtımı mümkün kılarak Apple donanımı ve Intel CPU'ları gibi platformlarda verimli performans sağlar.
• İzleme ve görselleştirme entegrasyonları: TensorBoard ve Weights & Biases, eğitim ilerlemesini görselleştirmek ve performansı izlemek için araçlar sunarak modelleri iyileştirmene yönelik ayrıntılı içgörüler sağlar.

Ultralytics YOLO11 uygulamaları ve entegrasyonların rolü#

Bilgisayarlı görü geliştirmeyi destekleyen entegrasyonlar, Ultralytics YOLO11'in güvenilir yetenekleriyle bir araya geldiğinde gerçek dünyadaki zorlukları çözmeyi kolaylaştırır. Üretim hattındaki kusurları — metal parçalardaki çizikler veya eksik bileşenler gibi — algılamak için görsel yapay zekânın kullanıldığı üretimde bilgisayarlı görü gibi yenilikleri düşün. Bu tür görevler için doğru verileri toplamak genellikle yavaş ve zorlu olabilir ve özel ortamlara erişim gerektirebilir.

Bu genellikle ürünlerin görüntülerini yakalamak için üretim hatları boyunca kameralar veya sensörler kurulmasını içerir. Netlik ve tutarlılık sağlamak için bu görüntülerin genellikle sabit aydınlatma ve açılar altında, yüksek miktarlarda alınması gerekir.

Yakalandıktan sonra görüntüler, çizikler, ezikler veya eksik bileşenler gibi her kusur türü için kesin etiketlerle titizlikle ek açıklanmalıdır. Veri kümesinin gerçek dünyadaki değişkenliği doğru şekilde yansıtmasını sağlamak için bu süreç önemli ölçüde zaman, kaynak ve uzmanlık gerektirir. Sağlam ve güvenilir bir veri kümesi oluşturmak için farklı kusur boyutları, şekilleri ve malzemeleri gibi faktörler hesaba katılmalıdır.

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

Şekil 4. Üretilen tenekeleri algılamak ve saymak için Ultralytics YOLO11 kullanımına bir örnek.

Üretimin ötesinde, veri kümeleriyle ilgili entegrasyonlar birçok farklı sektörde kullanılabilir. İşletmeler, Ultralytics YOLO11'in hızını ve doğruluğunu kolayca erişilebilen veri kümeleriyle bir araya getirerek kendi özel ihtiyaçlarına uygun çözümleri hızla geliştirip dağıtabilir. Örneğin sağlık sektöründe veri kümesi entegrasyonları, tümörler gibi anormallikleri algılamak üzere tıbbi görüntüleri analiz eden çözümler geliştirmeye yardımcı olabilir. Benzer şekilde otonom sürüşte bu tür entegrasyonlar, güvenliği artırmak amacıyla araçları, yayaları ve trafik işaretlerini tanımlamaya yardımcı olabilir.

Önemli çıkarımlar#

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

Roboflow Universe; nesne algılama, görüntü sınıflandırma veya örnek segmentasyonu gibi bilgisayarlı görü görevleri için geniş bir veri kümesi koleksiyonuna erişim sunarak veri keşfi sürecinin zorluğunu ortadan kaldırır. Hızla başlamana ve verileri toplamak ve düzenlemek için zaman harcamak yerine modelini oluşturmaya odaklanmana yardımcı olur. Bu kolaylaştırılmış yaklaşım, geliştiricilerin bilgisayarlı görü çözümlerini daha verimli şekilde prototiplemesine, yinelemeli olarak geliştirmesine ve oluşturmasına olanak tanır.

Daha fazla bilgi edinmek için GitHub depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözümler sayfalarımızda otonom araçlarda yapay zekâ ve tarımda bilgisayarlı görü gibi alanlardaki yenilikleri keşfet. 🚀