Görselleştirmeler ile bilgisayarlı görü uygulamalarını geliştirmek

Havalimanı terminallerinden tren istasyonlarına ve alışveriş merkezlerine kadar her dakika devasa miktarda veri oluşturuluyor. Yapay zeka daha yaygın hale geldikçe, bu verilerin çoğu analiz ediliyor ve ayrıştırılıyor. Ancak bazen bu yapay zeka modellerinden gelen sonuçlarla desenleri fark etmek veya trendleri bir bakışta anlamak zor olabiliyor. İşte veri görselleştirme burada devreye giriyor; karmaşık çıktıları net, kolayca sindirilebilir içgörülere dönüştürüyor.

Bu durum özellikle bilgisayarla görü uygulamaları söz konusu olduğunda geçerlidir. Computer vision, makinelerin görüntü ve video gibi çevrelerindeki dünyadan gelen görsel bilgileri yorumlamasına ve anlamasına yardımcı olan bir artificial intelligence (AI) dalıdır. Ultralytics YOLO11 gibi görü AI modelleri, bilgi edinmek amacıyla bu tür görsel verileri analiz etmeye yardımcı olabilirken, veri görselleştirme bu bilgiyi anlaşılması kolay bir biçime sokmaya yardımcı olur.

Basitçe ifade etmek gerekirse, veri görselleştirme anlamlı analitik grafikler kullanarak ham veri ile gerçek anlayış arasındaki boşluğu doldurur. Günümüzün veri odaklı dünyasında bu çok önemlidir çünkü makinelerin sadece görevlerini yerine getirmesi yeterli değildir; aynı zamanda bir hikaye anlatmalarına da ihtiyacımız var.

Hikaye anlatımına duyulan bu ihtiyaç, veri görselleştirmenin tam olarak neden yükselişte olduğunun ve pazarın 2030 yılına kadar $18.36 billion büyüklüğe ulaşmasının hedeflenmesinin sebebidir. Daha önce bilgisayarla görü teknolojisinin değerli business insights sunabileceğini incelemiştik. Bugün, Ultralytics paketini kullanarak bilgisayarla görü uygulamaları için net ve anlayışlı analitik grafikler oluşturma adımlarını inceleyerek bunu bir adım öteye taşıyoruz. Hadi başlayalım!

Fig 1. YOLO11 çıktılarına dayalı veri görselleştirme örneği.

Bilgisayarlı görü uygulamalarında veri görselleştirmeye genel bakış#

Bilgisayarla görü uygulamalarında veri görselleştirme; nesne tespiti ve takibi gibi computer vision tasks sonuçlarını, anlaşılması kolay grafiklere veya panolara dönüştürmeyi içerir. Bu görseller, özellikle büyük hacimli video görüntüleriyle çalışırken desenleri ve trendleri belirlemeye yardımcı olur.

Örneğin, saatlerce süren güvenlik kamerası görüntülerini manuel olarak incelemek yerine, zaman içinde tespit edilen araba veya insan sayısını gösteren basit bir çizgi grafik, yoğun saatleri veya alışılmadık derecede sessiz dönemleri hızlıca vurgulayabilir.

Veri görselleştirmenin yararlı olmasının bazı temel nedenleri şunlardır:

• Karmaşık verileri basitleştirir: Binlerce nesne tespiti bunaltıcı olabilir, ancak çubuk veya pasta grafikler gibi görselleştirmeler, örneğin hangi nesnelerin en sık göründüğü gibi büyük resmi görmeyi kolaylaştırır.

• Trendleri ortaya çıkarır: Çizgi ve çubuk grafikler, yaya trafiğinin ne zaman ve nerede artma eğiliminde olduğu gibi zaman içindeki desenleri tanımlamaya yardımcı olur.

• Zaman kazandırır: Videonun her karesini incelemek yerine, grafikler araç aktivitesindeki ani artışlar veya kısıtlı bölgelerde olağandışı nesne görünümleri gibi önemli detayları hızla vurgulayabilir.

• İletişimi geliştirir: Görseller, içgörüleri teknik olmayan kitlelerle paylaşmayı kolaylaştırarak herkesin sonuçları daha net anlamasına yardımcı olur.

Farklı veri görselleştirme türleri#

Farklı analitik grafik türleri, bilgisayarla görü sonuçlarını net, anlaşılması kolay görsellere dönüştürebilir. Gözetim görüntülerinde insanları ve araçları tespit eden bir computer vision application üzerinde çalıştığını varsayalım. Bu durumda çizgi grafik, gün boyunca yaya trafiğindeki zirveleri takip etmek gibi tespit sayısının zaman içinde nasıl değiştiğini göstermek için harikadır.

Benzer şekilde, çubuk grafikler, videoda daha fazla araba, bisiklet veya yayanın görünüp görünmediğini görmek gibi tespit edilen farklı nesne türlerinin sayısını karşılaştırmak istediğinizde yararlıdır. Öte yandan pasta grafikler, her nesne türünün toplam tespitlerin yüzde kaçını oluşturduğunu gösterir. Her grafiğin kendi kullanım amacı vardır ve karmaşık bilgisayarlı görü verilerini yorumlamayı ve paylaşmayı kolaylaştırır.

Fig 2. Analitik grafik örnekleri.

Bilgisayarlı görü içgörüleri elde etmek için analitik grafikler oluşturma#

Veri görselleştirmenin ne olduğunu ve farklı analitik grafik türlerinin neden önemli olduğunu incelediğimize göre, bilgisayarla görü modeli tahminlerinizin sonuçlarını görselleştirmek için Ultralytics Analytics solution çözümünün nasıl kullanılacağını daha yakından inceleyelim. Adım adım sürece geçmeden önce, Ultralytics paketini ve YOLO11 gibi modelleri eğitmek ve kullanmak için gereken araçlara ve kurulum seçeneklerine bir göz atalım.

Ultralytics Python paketi, modelleri eğitmeyi, nesneleri tespit etmeyi, tahminler yürütmeyi ve sonuçları görselleştirmeyi kolaylaştırır. Bununla başlamak için bir kodlama ortamına ihtiyacınız olacak. İşte üç basit seçenek:

• Komut Satırı Arayüzü (CLI): Kodunuzu çalıştırmak için komutlar yazabileceğiniz temel, metin tabanlı bir araçtır. Görsel bir arayüzü yoktur ve bir terminale veya komut istemine talimatlar yazarak onunla etkileşim kurarsınız.

• Jupyter Notebooks: Küçük kod parçalarını ("hücre" olarak adlandırılır) birer birer yazabileceğiniz, çalıştırabileceğiniz ve test edebileceğiniz interaktif bir kodlama ortamıdır. Sonuçları her hücrenin hemen altında gösterir, bu da adım adım neler olduğunu anlamayı kolaylaştırır. Özellikle öğrenme ve deneme için kullanışlıdır.

• Google Colab: Bu seçenek, web tarayıcınızda çalışan, Jupyter Notebooks'un ücretsiz, bulut tabanlı bir sürümüdür. Bilgisayarınızda herhangi bir kurulum gerektirmez ve daha hızlı işleme için ücretsiz GPU'lara erişmenizi sağlar.

Bu araçlar hızlı bir şekilde başlamak için harikadır, ancak kullanıcılar Ultralytics'i Visual Studio Code (VS Code) gibi Entegre Gelişmiş Ortamlarına (IDE) veya üretim hatlarına da entegre edebilir. Daha fazla seçenek için resmi Ultralytics documentation sayfasını inceleyebilirsin.

Adım 1: Ortamın kurulması#

Tercih ettiğiniz ortamı seçtikten sonra, bir sonraki adım onu tahminleri çalıştırmak ve sonuçları görselleştirmek için hazırlamaktır. En rahat ettiğiniz ortama bağlı olarak yukarıda belirtilen ortamlardan herhangi birini kullanabilirsiniz.

Google Colab'de çalışıyorsanız, varsayılan olarak CPU kullandığını ve bunun performansı yavaşlatabileceğini unutmayın. İşleri hızlandırmak için "Runtime" menüsüne gidip "Change runtime type" seçeneğini belirleyerek ve donanım hızlandırıcıyı GPU (tercihen bir T4) olarak ayarlayarak GPU'ya geçiş yapın.

Ortamını hazırlamak için, aşağıda belirtilen komutu kullanarak Ultralytics Python package paketini yüklemen gerekir. Colab veya Jupyter gibi not defteri tabanlı araçlarda, komuttan önce ünlem işaret (!) eklediğinden emin ol.

pip install ultralytics

Adım 2: Bir video dosyası indirme#

Sonra, üzerinde çalışmak için bir videoya ihtiyacımız olacak. Pexels gibi ücretsiz bir stok sitesinden kolayca bir tane indirebilirsin. Ultralytics YOLO11 modelinin algılayabileceği nesneleri içeren bir video seçtiğinden emin ol. Model COCO dataset üzerinde önceden eğitildiği için insan, araba ve bisiklet gibi yaygın nesneleri tanıyabilir.

Bu eğitim için yoğun bir havalimanı terminalindeki baggage handling sürecine ait bir video kullanacağız. Aynı videoyu kullanabilir veya projene uygun farklı bir video seçebilirsin.

Fig 3. Havalimanı terminalinde bagaj elleçlemeyi gösteren giriş videosundan bir kare.

Adım 3: Paketleri içe aktarma#

Ardından, gerekli kütüphaneleri içe aktarabilir ve giriş videosunu yükleyebiliriz.

Bilgisayarla görüde görüntü ve videolarla çalışmak için yaygın olarak kullanılan bir kütüphane olan OpenCV'yi (cv2) içe aktararak başlayacağız. Ayrıca nesne tespiti çalıştırmamıza ve videodan generate analytics yapmamıza yardımcı olan Ultralytics kütüphanesini de içe aktaracağız.

Ardından, yolunu belirterek video dosyasını açmaya çalışacağız. "path/to/video.mp4" ifadesini indirilen video dosyanızın gerçek konumuyla değiştirdiğinizden emin olun.

Ayrıca, aşağıdaki kod parçacığı videonun doğru şekilde yüklendiğinden emin olmak için basit bir kontrol içerir. Yol yanlışsa veya dosya bozuksa, program duracak ve "Error reading video file." hata mesajını gösterecektir.

import cv2
from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

Adım 4: Video yazıcıyı hazırlama#

Sonrasında, çıktıyı kaydetmek için bir video yazıcı kuracağız. Analitiği çalıştırdığımızda, kodun bu kısmı orijinal videonun her karesinden oluşturulan güncellenmiş grafikleri kaydeden yeni bir video dosyası oluşturacaktır.

Aşağıdaki kod parçasında, önce girdi videosundan temel özellikleri çıkarıyoruz: genişliği, yüksekliği ve frames per second (fps) değeri. Bu değerler doğrudan videodan alınır ve çıktıyı yazmak için doğru biçimde olmalarını sağlamak üzere tam sayılara dönüştürülür.

Ardından, "analytics_output.avi" (gerektiğinde yeniden adlandırabilirsiniz) adlı yeni bir video dosyası oluşturmak için cv2.VideoWriter işlevini kullanıyoruz. Video, yaygın bir video sıkıştırma yöntemi olan MJPG formatı kullanılarak kaydedilir. Çıktı çözünürlüğü, orijinal videonun boyutundan bağımsız olarak 1280x720 piksel olarak ayarlanmıştır.

w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
out = cv2.VideoWriter(
    "analytics_output.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1280, 720),
)

Adım 5: Ultralytics Analytics çözümünü kurma#

Şimdi, videodan grafikler oluşturmak için Ultralytics Analytics çözümünü kuracağız. Verilerin çizgi, pasta, alan veya çubuk grafik olarak nasıl görüntüleneceğini ve hangi YOLO model modelinin kullanılacağını seçebilirsin. Bu örnekte hafif "yolo11n.pt" modelini kullanacağız ve sonuçları alan grafiği olarak göstereceğiz.

analytics = solutions.Analytics(
    show=True,
    analytics_type="area",
    model="yolo11n.pt",
)

Adım 6: Giriş videosunu işleme#

Kodun son kısmı, videoyu her seferinde bir kare olarak işleyen bir döngü çalıştırır. Her kare, grafiği gerçek zamanlı olarak güncelleyen analitik aracına gönderilir. Güncellenen grafik daha sonra çıktı videosuna yazılır. Bir kare okunamıyorsa döngü durur. Tüm kareler işlendikten sonra video kaydedilir ve açık olan tüm pencereler kapatılır.

frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if success:
        frame_count += 1
        results = analytics(im0, frame_count)
        out.write(results.plot_im)
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

Adım 7: Hepsini bir araya getirme#

Son olarak, her şeyi bir araya getirelim. Yalnızca birkaç ek kod satırıyla iki çıkış videosu üretebiliriz: biri sınırlayıcı kutular ve etiketlerle Ultralytics YOLO11 object detection sonuçlarını gösteren bir video, diğeri ise gerçek zamanlı analitik grafiklerini gösteren başka bir video.

Bunu yapmak için iki VideoWriter örneği kuracağız; biri tahmin videosunu, diğeri ise analitiği kaydetmek için. Kodun bu sürümü hem nesne takibini hem de grafik oluşturmayı içerir, böylece tespit sonuçlarını görsel içgörülerle birlikte görebilirsiniz.

İşte kapsamlı kod ve hem tahmin hem de analitik çıktılarına dair örnekler.

import cv2
from ultralytics import YOLO, solutions

# Load model and video
model = YOLO('yolo11n.pt')
cap = cv2.VideoCapture('path/to/video.mp4')
assert cap.isOpened(), "Error opening video"

# Get properties
w, h = int(cap.get(3)), int(cap.get(4))
fps = cap.get(5)
analytics_res = (1280, 720)

# Writers for prediction and analytics videos
out_pred = cv2.VideoWriter('output_predictions.avi', cv2.VideoWriter_fourcc(*'MJPG'), fps, (w, h))
out_ana = cv2.VideoWriter('output_analytics.avi', cv2.VideoWriter_fourcc(*'MJPG'), fps, analytics_res)

# Analytics setup
analytics = solutions.Analytics(show=True, analytics_type="area", model='yolo11n.pt')

# Process frames
frame_count = 0
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    frame_count += 1
    pred_frame = model.track(frame, persist=True)[0].plot()
    out_pred.write(pred_frame)
    resized = cv2.resize(pred_frame, analytics_res)
    out_ana.write(analytics(resized, frame_count).plot_im)

cap.release(), out_pred.release(), out_ana.release(), cv2.destroyAllWindows()

Yukarıdaki kod başarıyla çalıştığında, iki çıktı videosu oluşturacaktır. "output_predictions.avi" dosyası sınırlayıcı kutular ve etiketlerle nesne tespiti sonuçlarını gösterirken, "output_analytics.avi" dosyası tespitlere dayalı gerçek zamanlı analitik grafiklerini görüntüleyecektir.

Şekil 4. "output_predictions.avi" dosyasından bir kare.

İşte tahminlere dayalı analitik çıktısından bir kare. Alan grafiğini kullanarak, videonun o kısmındaki bavul hareketini veya aktivitesini gösteren 268. kare civarındaki ani artış gibi zaman içindeki bavul sayısı dalgalanmaları hakkında içgörüler elde edebiliriz.

Şekil 5. Bir alan grafiği olarak görselleştirilen Ultralytics YOLO11 tahminleri.

Gerçek dünya bilgisayarlı görü uygulamalarında grafik kullanma#

Veri görselleştirmenin anlamlı bir etkiye sahip olduğu bazı gerçek dünya bilgisayarlı görü uygulamaları şunlardır:

• Healthcare: Bilgisayarla görü sistemleri hasta etkinliğini, personel hareketini ve ekipman kullanımını gerçek zamanlı olarak izleyebilir. Bu, görselleştirildiğinde en yoğun hasta doluluk süreleri veya yanıt gecikmeleri gibi örüntüleri ortaya çıkarabilen büyük miktarda görsel veri üretir.

• Perakende ve e-ticaret: Görüntü yapay zekası, müşteri hareketlerini, raf önünde geçirilen süreyi ve ürün etkileşimlerini takip etmek için kullanılabilir. Çubuk veya pasta grafikler gibi görsel analitikler, hangi mağaza bölgelerinin veya öğelerin en çok ilgiyi gördüğünü vurgulayarak perakendecilerin ürün yerleşimini optimize etmelerine ve dönüşümleri artırmalarına yardımcı olabilir.

• Üretim: Bilgisayarlı görü modelleriyle donatılmış kameralar, montaj hatlarını hatalar, güvenlik ihlalleri veya ekipman durumu açısından izleyebilir. Veri görselleştirme, en yaygın hata türlerindeki trendleri gösterebilir veya en yüksek hata oranlarına sahip zaman dilimlerini vurgulayarak daha hızlı karar verme ve önleyici bakım sağlar.

Öne çıkanlar#

Ultralytics paketi ile video görüntülerini, zaman içinde kaç kişinin veya nesnenin göründüğünü takip etmek gibi neler olup bittiğini ortaya çıkaran net ve bilgilendirici grafiklere kolayca dönüştürebilirsin. Saatlerce süren videoları manuel olarak incelemek yerine, önemli desenleri ve trendleri vurgulayan görsel özetler oluşturabilir ve hızlı hareket etmeyi kolaylaştırabilirsin. İster hastanelerde, ister perakende mağazalarında veya üretim tesislerinde olsun, bu grafikler karmaşık yapay zeka çıktılarını herkesin anlayabileceği ve kullanabileceği içgörülere dönüştürür.

Yapay zeka hakkında daha fazla bilgi edinmek ister misin? Bilgisayarlı görü projeni hızlandırmak için GitHub repository depomuzu keşfet, our community ile bağlantı kur ve our licensing options seçeneklerimizi incele. Çözüm sayfalarımızda AI in manufacturing ve computer vision in the logistics endüstrisindeki yenilikler hakkında daha fazla bilgi bulabilirsin.