2025'te bilgisayarlı görü hakkında bilmen gereken her şey

Yirmi yıl önce makinelerin ve bilgisayarların dünyayı görüp anlayabilmesi fikri yalnızca bir bilim kurguydu. Bugün, yapay zeka (AI) alanındaki gelişmeler sayesinde bu kavram gerçeğe dönüştü. Özellikle yapay zekanın bir dalı olan computer vision (CV), makinelerin görüntüleri ve videoları anlamasını ve analiz etmesini sağlar. Nesneleri gerçek zamanlı olarak tanımlamak, güvenlik sistemlerini geliştirmek veya karmaşık görevleri otomatikleştirmek olsun, potansiyeli mümkün olanın sınırlarını zorluyor.

Bilgisayarlı görü, çeşitli endüstriler benzersiz yeteneklerini benimsemenin farklı yollarını keşfettikçe teknolojinin geleceğini hızla şekillendiriyor. Küresel computer vision market size teknolojisi pazarı büyüklüğü 2024 yılında 19,83 milyar dolara ulaştı ve önümüzdeki yıllarda yıllık %19,8 oranında büyümesi bekleniyor.

Fig 1. Bilgisayarlı görü küresel pazar büyüklüğü.

Bu makalede bilgisayarlı görüye daha yakından bakacağız; ne olduğunu, nasıl evrildiğini ve bugün nasıl çalıştığını ele alacağız. Ayrıca en ilginç uygulamalarından bazılarını keşfedeceğiz. Hadi başlayalım!

Bilgisayarlı görü nedir?#

Bilgisayarlı görü, bilgisayarlara görüntüler veya video dosyaları gibi görsel verilerin içeriğini anlamayı öğretmek için makine öğreniminden ve sinir ağlarından yararlanan bir yapay zeka alt dalıdır. İşlenmiş görüntülerden elde edilen içgörüler, daha iyi kararlar almak için kullanılabilir. Örneğin, bilgisayarlı görü perakendede raf görüntülerini analiz ederek envanter seviyelerini takip etmek veya otomatik ödeme sistemleriyle alışveriş deneyimini geliştirmek için kullanılabilir. Birçok işletme, akıllı telefon fotoğraflarına filtre eklemekten üretimde kalite kontrolüne kadar uzanan farklı uygulamalar için bilgisayarlı görü teknolojisini zaten kullanıyor.

Şunu merak ediyor olabilirsin: Neden bilgisayarlı görü çözümlerine bu kadar ihtiyaç var? Kusurları tespit etmek veya desenleri tanımak gibi sürekli dikkat gerektiren görevler insanlar için zor olabilir. Özellikle hızlı tempolu veya karmaşık ortamlarda gözler yorulabilir ve detaylar gözden kaçabilir.

İnsanlar farklı boyutlardaki, renklerdeki, ışıklandırmalardaki veya açılardaki nesneleri tanımada iyi olsalar da, baskı altında tutarlılığı korumakta genellikle zorlanırlar. Öte yandan bilgisayarlı görü çözümleri, durmaksızın çalışır, büyük miktardaki görsel veriyi hızlı ve doğru bir şekilde işler. Örneğin, trafiği gerçek zamanlı olarak analiz ederek sıkışıklığı tespit edebilir, sinyal zamanlamasını optimize edebilir ve hatta kazaları bir insan gözlemciden daha hızlı tanımlayabilir.

Bilgisayarlı görünün tarihçesini anlamak#

Yıllar geçtikçe bilgisayarlı görü, teorik bir kavramdan endüstriler genelinde inovasyonu yönlendiren güvenilir bir teknolojiye dönüştü. Gelişimini tanımlayan önemli dönüm noktalarından bazılarına göz atalım:

• 1950'ler - 1960'lar: Araştırmacılar görsel verileri işlemek ve analiz etmek için algoritmalar geliştirmeye başladılar, ancak sınırlı hesaplama gücü nedeniyle ilerleme yavaştı.

• 1970'ler: Bu on yıl, görüntülerdeki çizgilerin ve geometrik şekillerin tespitini iyileştiren Hough Transform gibi algoritmalarda büyük gelişmelere sahne oldu. Optik Karakter Tanıma (OCR) da ortaya çıkarak makinelerin basılı metinleri okumasını mümkün kıldı.

• 1980'ler - 1990'lar: Makine öğrenimi bilgisayarlı görüde rol oynamaya başlayarak daha gelişmiş yeteneklerin ve gelecekteki buluşların yolunu açtı.

• 2000'ler - 2010'lar: Derin öğrenme, bilgisayarlı görüye yeni bir boyut getirerek makineleri görsel verileri daha etkili bir şekilde yorumlamaları için donattı. Nesne tanımlama, hareket analizi ve karmaşık görev yürütme gibi yetenekleri geliştirdi.

Günümüzde bilgisayarlı görü hızla ilerliyor ve sağlık, otonom araçlar ve akıllı şehirler gibi alanlarda sorunları çözme biçimimizi dönüştürüyor. Gerçek zamanlı computer vision tasks bilgisayarlı görü görevleri için tasarlanan Ultralytics YOLO (You Only Look Once) models, görü yapay zekasını çeşitli endüstrilerde etkili ve doğru bir şekilde uygulamayı kolaylaştırıyor. Yapay zeka ve donanım gelişmeye devam ettikçe, bu modeller işletmelerin gelişmiş görsel veri analizi kullanarak daha akıllı kararlar almasına ve operasyonları kolaylaştırmasına yardımcı oluyor.

Bilgisayarlı görünün nasıl çalıştığını incelemek#

Bilgisayarlı görü sistemleri, görüntüleri analiz etmek için insan beyninin çalışma biçiminden ilham alan algoritmalar olan sinir ağlarını kullanarak çalışır. Evrişimli Sinir Ağları (CNN'ler) adı verilen özel bir tür, resimlerdeki kenarlar ve şekiller gibi desenleri tanımak için özellikle harikadır.

Görsel verileri basitleştirmek için havuzlama gibi teknikler bir görüntünün en önemli bölümlerine odaklanırken, ek katmanlar özellik belirleme veya nesne algılama gibi görevleri gerçekleştirmek için bu bilgileri işler. Hız ve doğruluk için tasarlanmış Ultralytics YOLO11 gibi gelişmiş modeller, gerçek zamanlı görüntü işlemeyi mümkün kılar.

Fig 2. Nesne algılama için Ultralytics YOLO11 kullanma örneği.

Tipik bir bilgisayarlı görü uygulaması, ham görüntüleri faydalı içgörülere dönüştürmek için birkaç adım içerir. İşte dört ana aşama:

• Görüntü edinimi: Görsel veriler kameralar veya sensörler kullanılarak toplanır ve görüntülerin kalitesi kullanılan sensörün türüne bağlıdır.

• Görüntü işleme: Toplanan veriler, analizi kolaylaştırmak için gürültüyü azaltma ve kenarları belirginleştirme gibi ön işleme teknikleriyle iyileştirilir.

• Özellik çıkarımı: Şekiller ve dokular gibi önemli ayrıntılar, görüntünün en önemli kısımlarına odaklanılarak seçilir.

• Ön örüntü tanıma: Tanımlanan özellikler, nesneleri tespit etme, hareket izleme veya desenleri tanıma gibi görevleri tamamlamak için makine öğrenimi kullanılarak analiz edilir.

Bilgisayarlı görü görevlerini keşfetmek#

Bilgisayarlı görünün nasıl çalıştığından bahsederken bilgisayarlı görü görevlerinden bahsettiğimizi fark etmiş olabilirsin. Ultralytics YOLO11 gibi modeller, gerçek dünya uygulamaları için hızlı ve doğru çözümler sunarak bu görevleri desteklemek üzere üretilmiştir. Nesneleri tespit etmekten hareketlerini izlemeye kadar YOLO11 bu görevleri verimli bir şekilde halleder. Desteklediği temel bilgisayarlı görü görevlerinden bazılarını ve nasıl çalıştıklarını keşfedelim.

Nesne tespiti (Object detection)#

Object detection temel bir bilgisayarlı görü görevidir ve bir görüntüdeki ilgi çekici nesneleri tanımlamak için kullanılır. Nesne algılama görevinin çıktısı; sınırlayıcı kutular (bir görüntüde algılanan nesnelerin etrafına çizilen dikdörtgenler), sınıf etiketleri (her nesnenin "araba" veya "kişi" gibi kategorisi veya türü) ve güven skorları (modelin her bir algılama hakkında ne kadar emin olduğunu gösteren sayısal bir değer) kümesidir. Örneğin nesne algılama, sokaktaki bir yayanın veya trafikteki bir arabanın konumunu belirlemek ve tespit etmek için kullanılabilir.

Şekil 3. Nesne tespiti yapmak için kullanılan Ultralytics YOLO11.

Görüntü sınıflandırma (Image classification)#

Image classification temel amacı, genel içeriğine dayanarak bir giriş görüntüsüne önceden tanımlanmış bir etiket veya kategori atamaktır. Bu görev tipik olarak görüntü içindeki baskın nesneyi veya özelliği belirlemeyi içerir. Örneğin görüntü sınıflandırma, bir görüntünün kedi mi yoksa köpek mi içerdiğini belirlemek için kullanılabilir. YOLO11 gibi bilgisayarlı görü modelleri, aşağıda gösterildiği gibi bireysel kedi veya köpek ırklarını sınıflandırmak için custom-trained bile eğitilebilir.

Fig 4. YOLO11 kullanarak farklı kedi ırklarını sınıflandırma.

Örneklem segmentasyonu (Instance segmentation)#

Instance segmentation, çeşitli uygulamalarda kullanılan bir diğer önemli bilgisayarlı görü görevidir. Bir görüntüyü segmentlere ayırmayı ve aynı türden birden fazla nesne olsa bile her bir bireysel nesneyi tanımlamayı içerir. Nesne algılamanın aksine, örnek bölütleme, her nesnenin kesin sınırlarını özetleyerek bir adım daha ileri gider. Örneğin otomotiv üretiminde ve onarımında örnek bölütleme, sürecin daha doğru ve verimli olmasını sağlayarak her araba parçasını ayrı ayrı belirlemeye ve etiketlemeye yardımcı olabilir.

Fig 5. YOLO11 kullanarak araba parçalarının bölütlenmesi.

Poz tahmini (Pose estimation)#

Pose estimation hedefi; eller, baş ve dirsekler gibi kilit noktaların konumunu tahmin ederek bir kişinin veya nesnenin konumunu ve yönelimini belirlemektir. Bu, özellikle fiziksel eylemleri gerçek zamanlı olarak anlamanın önemli olduğu uygulamalarda kullanışlıdır. İnsan poz tahmini genellikle spor analizi, animal behavior monitoring ve robotik gibi alanlarda kullanılır.

Fig 6. YOLO11 insan poz tahminine yardımcı olabilir.

YOLO11 tarafından desteklenen diğer bilgisayarlı görü görevlerini keşfetmek için official Ultralytics documentation sayfasına başvurabilirsin. Bu dokümantasyon; YOLO11'in nesne takibi ve yönlendirilmiş sınırlayıcı kutu (OBB) nesne algılama gibi görevleri nasıl ele aldığı hakkında ayrıntılı bilgi sağlar.

Günümüzün popüler bilgisayarlı görü modelleri#

Piyasada pek çok bilgisayarlı görü modeli bulunmasına rağmen Ultralytics YOLO serisi, güçlü performansı ve çok yönlülüğü ile öne çıkmaktadır. Zaman içinde Ultralytics YOLO modelleri gelişerek daha hızlı, daha doğru ve daha fazla görevi yerine getirebilir hale geldi. Ultralytics YOLOv5 tanıtıldığında, PyTorch gibi görü yapay zeka çerçeveleri ile modelleri dağıtmak daha kolay hale geldi. Yüksek doğruluğu kullanım kolaylığıyla birleştirerek daha geniş bir kullanıcı kitlesinin gelişmiş görü yapay zekasıyla çalışmasına olanak tanıdı.

Ardından Ultralytics YOLOv8 örnek bölütleme, poz tahmini ve görüntü sınıflandırma gibi yeni yetenekler ekleyerek işleri bir adım öteye taşıdı. Bu sırada en son sürüm olan YOLO11, birden fazla bilgisayarlı görü görevinde en iyi performansı sunuyor. YOLOv8m'den %22 daha az parametreye sahip olan YOLO11m, COCO dataset üzerinde daha yüksek bir ortalama ortalama hassasiyet (mAP) elde ediyor; bu da nesneleri daha hassas ve verimli bir şekilde algılayabileceği anlamına geliyor. İster deneyimli bir geliştirici ol ister yapay zekada yeni olun, YOLO11 bilgisayarlı görü ihtiyaçların için güçlü bir çözüm sunar.

Günlük yaşamda bilgisayarlı görünün rolü#

Daha önce, Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin çok çeşitli endüstrilerde nasıl uygulanabileceğini tartıştık. Şimdi, günlük hayatımızı değiştiren daha fazla kullanım alanını keşfedelim.

Sağlık hizmetlerinde vizyon yapay zekası#

computer vision in healthcare için çok çeşitli uygulamalar mevcuttur. Hastalık tespitini daha hızlı ve daha doğru hale getirmek için tıbbi görüntülemede nesne algılama ve sınıflandırma gibi görevler kullanılır. Röntgen analizinde bilgisayarlı görü, insan gözü için çok zayıf kalabilecek kalıpları belirleyebilir.

Ayrıca kanserli hücreleri sağlıklı olanlarla karşılaştırmak için kanser tespitinde kullanılır. Benzer şekilde, BT taramaları ve MR'lar söz konusu olduğunda, bilgisayarlı görü görüntüleri insan doğruluğuna yakın şekilde analiz etmek için kullanılabilir. Doktorların daha iyi kararlar almasına yardımcı olur ve nihayetinde daha fazla hayat kurtarır.

Fig 7. Tıbbi taramaları analiz etmek için kullanılan YOLO11.

Otomotiv endüstrisinde yapay zeka#

Bilgisayarlı görü, sürücüsüz arabalar için kritik önem taşır; trafik işaretleri ve trafik ışıkları gibi nesneleri algılamalarına yardımcı olur. optical character recognition (OCR) gibi teknikler, arabanın trafik işaretlerindeki metinleri okumasını sağlar. Ayrıca, nesne algılama görevlerinin insanları gerçek zamanlı olarak tanımladığı yaya algılama için de kullanılır.

Bunun da ötesinde, bilgisayarlı görü yol yüzeylerindeki çatlakları ve çukurları bile tespit edebilir, bu da değişen yol koşullarının daha iyi izlenmesini sağlar. Genel olarak, bilgisayarlı görü teknolojisi trafik yönetimini iyileştirmede, transit güvenliğini artırmada ve akıllı şehir planlamasını desteklemede kilit bir rol oynayabilir.

Fig 8. YOLO11 kullanarak trafikteki durumu anlamak.

Tarımda bilgisayarlı görü#

Diyelim ki çiftçiler ekinlerini hiçbir endişe duymadan otomatik olarak eke, sulay ve zamanında hasat edebiliyor. computer vision brings to agriculture bilimin tarıma getirdiği şey tam olarak budur. Çiftçilerin hastalıklar veya besin eksiklikleri gibi sorunları insanlardan daha doğru bir şekilde tespit edebilmesi için gerçek zamanlı mahsul izlemeyi kolaylaştırır.

İzlemenin yanı sıra, bilgisayarlı görü ile entegre yapay zeka destekli otomatik yabani ot temizleme makineleri yabani otları tanımlayabilir ve temizleyebilir, böylece işçilik maliyetlerini düşürür ve mahsul verimini artırır. Bu teknoloji kombinasyonu, çiftçilerin kaynaklarını optimize etmelerine, verimliliği artırmalarına ve mahsullerini korumalarına yardımcı olur.

Fig 9. Tarımda Ultralytics YOLO11 kullanımına bir örnek.

Yapay zeka ile üretim süreçlerini otomatize etmek#

Üretimde bilgisayarlı görü; üretimi izlemeye, ürün kalitesini kontrol etmeye ve çalışanları otomatik olarak takip etmeye yardımcı olur. Vision AI, hataları azaltırken süreci daha hızlı ve daha doğru hale getirerek maliyetlerin düşmesini sağlar.

Özellikle kalite güvencesi için nesne tespiti ve örnek bölümleme yaygın olarak kullanılır. Kusur tespit sistemleri, sadece en iyilerin müşterilere ulaşmasını sağlamak için bitmiş ürünler üzerinde son bir kontrol gerçekleştirir. Ezik veya çatlak olan herhangi bir ürün otomatik olarak tanımlanır ve reddedilir. Bu sistemler ayrıca ürünleri gerçek zamanlı olarak takip eder ve sayar, montaj hattında sürekli izleme sağlar.

Fig 10. Bilgisayarlı görü kullanarak bir montaj hattını izleme.

Bilgisayarlı görü ile eğitim daha etkili hale getirildi#

Bilgisayarlı görü'nün sınıf ortamında kullanılma yollarından biri el hareketi tanımadır; öğrencilerin hareketlerini algılayarak öğrenmeyi kişiselleştirir. Ultralytics YOLO11 gibi modeller bu görev için harikadır. Kaldırılan eller veya kafası karışmış ifadeler gibi jestleri gerçek zamanlı olarak doğru bir şekilde tanımlayabilirler.

Bu tür jestler algılandığında, devam eden bir ders ekstra yardım sağlanarak veya içeriği öğrencinin ihtiyaçlarına daha uygun hale getirecek şekilde değiştirilerek ayarlanabilir. Bu, sistem her öğrencinin öğrenme deneyimini desteklerken öğretmenlerin öğretime odaklanmasına yardımcı olarak daha dinamik ve uyarlanabilir bir öğrenme ortamı yaratır.

Bilgisayarlı görünün son trendleri#

Bilgisayarlı görünün çeşitli endüstrilerdeki uygulamalarından bazılarını keşfettiğimize göre, ilerlemesini sağlayan temel trendlere dalalım.

En büyük trendlerden biri, verileri kaynağına daha yakın işleyen dağıtık bir bilişim çerçevesi olan edge computing teknolojisidir. Örneğin uç bilişim; kamera ve sensör gibi cihazları görsel verileri doğrudan işleyecek şekilde donatarak daha hızlı yanıt süreleri, azaltılmış gecikmeler ve iyileştirilmiş gizlilik sağlar.

Bilgisayarlı görünün bir diğer önemli trendi, birleştirilmiş gerçekliğin kullanımıdır. Fiziksel dünyayı dijital öğelerle birleştirir ve sanal nesnelerin gerçek dünyayla sorunsuz bir şekilde bütünleşmesini sağlamak için bilgisayarlı görüyü kullanır. Oyun, eğitim ve öğretimdeki deneyimleri geliştirmek için kullanılabilir.

Bilgisayarlı görünün artıları ve eksileri#

Bilgisayarlı görünün çeşitli endüstrilere getirebileceği temel faydalardan bazıları şunlardır:

• Maliyet tasarrufu: Görevleri bilgisayarlı görü ile otomatize etmek, operasyonel maliyetleri düşürmeye, üretkenliği artırmaya ve hataları en aza indirmeye yardımcı olur.

• Ölçeklenebilirlik: Uygulandığında, bilgisayarlı görü sistemleri büyük miktardaki veriyi işlemek için kolayca ölçeklenebilir, bu da onları büyüyen işletmeler veya büyük ölçekli operasyonlar için uygun hale getirir.

• Uygulamaya özel özelleştirme: Bilgisayarlı görü modelleri, veri kümen kullanılarak ince ayar yapılabilir ve uygulamanın gereksinimlerini karşılayan oldukça özelleşmiş çözümler elde etmeni sağlar.

Bu faydalar, bilgisayarlı görünün çeşitli endüstrileri nasıl etkileyebileceğini vurgulasa da, uygulanmasındaki zorlukları da göz önünde bulundurmak önemlidir. İşte temel zorluklardan bazıları:

• Veri gizliliği endişeleri: Özellikle gözetim veya sağlık hizmetleri gibi hassas alanlarda görsel verilerin kullanımı gizlilik sorunlarını ve güvenlik endişelerini artırabilir.

• Çevresel sınırlamalar: Bilgisayarlı görü sistemleri, kötü aydınlatma, düşük kaliteli görüntüler veya karmaşık arka planlar gibi zorlu ortamlarda düzgün çalışmakta zorlanabilir.

• Yüksek başlangıç maliyeti: Bilgisayarlı görü sistemlerinin geliştirilmesi ve uygulanması, özel donanım, yazılım ve uzmanlık ihtiyacı nedeniyle pahalı olabilir.

Öne çıkanlar#

Bilgisayarlı görü, makinelerin dünyayı insanlar gibi görmesini ve anlamasını sağlayarak makinelerin dünyayla etkileşim kurma şeklini yeniden icat ediyor. Sürücüsüz arabalarda güvenliği artırmak, doktorların hastalıkları daha hızlı teşhis etmesine yardımcı olmak, alışverişi daha kişisel hale getirmek ve hatta çiftçilere mahsul izlemede yardımcı olmak gibi birçok alanda zaten kullanılıyor.

Teknoloji gelişmeye devam ettikçe, uç bilgi işlem ve birleştirilmiş gerçeklik gibi yeni trendler daha da fazla olasılığın kapısını açıyor. Önyargılar ve yüksek maliyetler gibi bazı zorluklar olsa da, bilgisayarlı görü gelecekte birçok endüstri üzerinde büyük bir olumlu etki yaratma potansiyeline sahiptir.

Daha fazla bilgi edinmek için GitHub repository sayfamızı ziyaret et ve community topluluğumuzla etkileşime geç. Çözüm sayfalarımızda AI in self-driving cars ve computer vision in agriculture gibi sektörlerdeki yenilikleri keşfet. 🚀