2025'te bilgisayarlı görü hakkında bilmen gereken her şey

Yirmi yıl önce, makinelerin ve bilgisayarların dünyayı görebilmesi ve anlayabilmesi fikri yalnızca bilim kurguydu. Günümüzde, yapay zekâdaki (AI) gelişmeler sayesinde bu kavram gerçeğe dönüştü. Özellikle yapay zekânın bir dalı olan bilgisayarlı görü (CV), makinelerin görüntüleri ve videoları anlamasını ve analiz etmesini sağlar. İster nesneleri gerçek zamanlı olarak belirlemek, ister güvenlik sistemlerini geliştirmek, ister karmaşık görevleri otomatikleştirmek olsun, bilgisayarlı görünün potansiyeli mümkün olanın sınırlarını genişletiyor.

Bilgisayarlı görü, çeşitli sektörler benzersiz yeteneklerini benimsemenin farklı yollarını keşfettikçe teknolojinin geleceğini hızla şekillendiriyor. Küresel bilgisayarlı görü teknolojisi pazarının büyüklüğü 2024'te 19,83 milyar dolara ulaştı ve önümüzdeki yıllarda yıllık %19,8 oranında büyümesi bekleniyor.

Şekil 1. Bilgisayarlı görünün küresel pazar büyüklüğü.

Bu makalede bilgisayarlı görüye daha yakından bakacak; ne olduğunu, nasıl geliştiğini ve günümüzde nasıl çalıştığını ele alacağız. Ayrıca en ilgi çekici uygulamalarından bazılarını inceleyeceğiz. Hadi başlayalım!

Bilgisayarlı görü nedir?#

Bilgisayarlı görü, görüntü veya video dosyaları gibi görsel verilerin içeriğini anlamayı bilgisayarlara öğretmek için makine öğrenmesi ve sinir ağlarından yararlanan bir AI alt alanıdır. İşlenen görüntülerden elde edilen içgörüler, daha iyi kararlar almak için kullanılabilir. Örneğin bilgisayarlı görü, raf görüntülerini analiz ederek perakende sektöründe stok seviyelerini takip etmek veya otomatik ödeme sistemleriyle alışveriş deneyimini geliştirmek için kullanılabilir. Akıllı telefon fotoğraflarına filtre eklemekten üretimde kalite kontrolüne kadar çeşitli uygulamalarda bilgisayarlı görü teknolojisini kullanan birçok işletme bulunuyor.

Şunu merak ediyor olabilirsin: Bilgisayarlı görü çözümlerine neden bu kadar ihtiyaç var? Kusurları tespit etmek veya örüntüleri tanımak gibi sürekli dikkat gerektiren görevler insanlar için zor olabilir. Gözler yorulabilir ve özellikle hızlı tempolu veya karmaşık ortamlarda ayrıntılar gözden kaçabilir.

İnsanlar farklı boyut, renk, ışık koşulu veya açılardaki nesneleri tanımakta iyi olsa da baskı altında tutarlılıklarını korumakta çoğu zaman zorlanırlar. Bilgisayarlı görü çözümleri ise durmaksızın çalışarak büyük miktarlardaki görsel veriyi hızlı ve doğru bir şekilde işler. Örneğin trafik akışını gerçek zamanlı olarak analiz ederek yoğunluğu tespit edebilir, sinyal zamanlamasını optimize edebilir veya kazaları insan gözlemciden daha hızlı belirleyebilir.

Bilgisayarlı görünün tarihini anlamak#

Yıllar içinde bilgisayarlı görü, teorik bir kavramdan sektörler genelinde yenilikleri yönlendiren güvenilir bir teknolojiye dönüştü. Gelişimini belirleyen önemli kilometre taşlarından bazılarına göz atalım:

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

• 1970'ler: Bu on yılda, görüntülerdeki çizgilerin ve geometrik şekillerin tespitini geliştiren Hough Dönüşümü gibi algoritmalarda önemli iyileştirmeler görüldü. Optik Karakter Tanıma (OCR) da ortaya çıkarak makinelerin basılı metinleri okuyabilmesini mümkün kıldı.

• 1980'ler - 1990'lar: Makine öğrenmesi bilgisayarlı görüde rol oynamaya başladı ve daha gelişmiş yeteneklerin ve gelecekteki atılımların önünü açtı.

• 2000'ler - 2010'lar: Derin öğrenme, bilgisayarlı görüye yeni bir boyut kazandırarak makinelerin görsel verileri daha etkili yorumlamasını sağladı. Nesne tanımlama, hareket analizi ve karmaşık görevlerin gerçekleştirilmesi gibi yetenekleri geliştirdi.

Günümüzde bilgisayarlı görü hızla ilerliyor ve sağlık hizmetleri, otonom araçlar ve akıllı şehirler gibi alanlarda sorunları çözme biçimimizi dönüştürüyor. Gerçek zamanlı bilgisayarlı görü görevleri için tasarlanan Ultralytics YOLO (You Only Look Once) modelleri, görsel yapay zekâyı çeşitli sektörlerde etkili ve doğru bir şekilde uygulamayı kolaylaştırıyor. AI ve donanım gelişmeye devam ettikçe bu modeller, gelişmiş görsel veri analizini kullanarak işletmelerin daha akıllı kararlar almasına ve operasyonlarını kolaylaştırmasına yardımcı oluyor.

Bilgisayarlı görünün nasıl çalıştığını açıklamak#

Bilgisayarlı görü sistemleri, görüntüleri analiz etmek için insan beyninin çalışma biçiminden esinlenen algoritmalar olan sinir ağlarını kullanır. Evrişimli Sinir Ağları (CNN'ler) adı verilen belirli bir tür, görüntülerdeki kenarlar ve şekiller gibi örüntüleri tanımada özellikle başarılıdır.

Görsel verileri basitleştirmek için pooling gibi teknikler bir görüntünün en önemli bölümlerine odaklanırken ek katmanlar, özellikleri tanımlama veya nesneleri tespit etme gibi görevleri gerçekleştirmek üzere bu bilgileri işler. Hız ve doğruluk için tasarlanan Ultralytics YOLO11 gibi gelişmiş modeller, gerçek zamanlı görüntü işlemeyi mümkün kılar.

Şekil 2. Nesne tespiti için Ultralytics YOLO11 kullanımına bir örnek.

Tipik bir bilgisayarlı görü uygulaması, ham görüntüleri yararlı içgörülere dönüştürmek için birkaç adım içerir. Dört ana aşama şunlardır:

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

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

• Özellik çıkarma: Şekiller ve dokular gibi önemli ayrıntılar seçilir ve görüntünün en önemli bölümlerine odaklanılır.

• Örüntü tanıma: Belirlenen özellikler, nesneleri tespit etme, hareketi takip etme veya örüntüleri tanıma gibi görevleri tamamlamak için makine öğrenmesi kullanılarak analiz edilir.

Bilgisayarlı görü görevlerini keşfetmek#

Bilgisayarlı görünün nasıl çalıştığından bahsederken bilgisayarlı görü görevlerinden söz ettiğimizi fark etmiş olabilirsin. Ultralytics YOLO11 gibi modeller, gerçek dünya uygulamaları için hızlı ve doğru çözümler sunarak bu görevleri desteklemek üzere geliştirilmiştir. YOLO11, nesneleri tespit etmekten hareketlerini takip etmeye kadar bu görevleri verimli bir şekilde gerçekleştirir. Desteklediği temel bilgisayarlı görü görevlerinden bazılarını ve bunların nasıl çalıştığını inceleyelim.

Nesne algılama#

Nesne tespiti, bir görüntüdeki ilgi çekici nesneleri belirlemek için kullanılan temel bir bilgisayarlı görü görevidir. Nesne tespiti görevinin çıktısı; sınırlayıcı kutu kümelerinden (bir görüntüde tespit edilen nesnelerin çevresine çizilen dikdörtgenler), sınıf etiketlerinden ("araba" veya "insan" gibi her nesnenin kategorisi ya da türü) ve güven skorlarından (modelin her tespitten ne kadar emin olduğunu gösteren sayısal değerler) oluşur. Örneğin nesne tespiti, bir caddedeki yayanın veya trafikteki bir arabanın konumunu belirlemek için kullanılabilir.

Şekil 3. Nesneleri tespit etmek için Ultralytics YOLO11 kullanımı.

Görüntü sınıflandırma#

Görüntü sınıflandırmanın temel amacı, genel içeriğine göre bir girdi görüntüsüne önceden tanımlanmış bir etiket veya kategori atamaktır. Bu görev genellikle görüntüdeki 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 tek tek kedi veya köpek ırklarını sınıflandırmak üzere özel olarak eğitilebilir.

Şekil 4. YOLO11 kullanılarak farklı kedi ırklarının sınıflandırılması.

Örnek bölütleme#

Örnek segmentasyonu, çeşitli uygulamalarda kullanılan bir diğer önemli bilgisayarlı görü görevidir. Bir görüntüyü segmentlere ayırmayı ve aynı türden birden fazla nesne olsa bile her bir nesneyi ayrı ayrı belirlemeyi içerir. Nesne tespitinden farklı olarak örnek segmentasyonu, her nesnenin kesin sınırlarını ana hatlarıyla belirleyerek bir adım daha ileri gider. Örneğin otomotiv üretimi ve onarımında örnek segmentasyonu, her otomobil parçasını ayrı ayrı belirlemeye ve etiketlemeye yardımcı olarak süreci daha doğru ve verimli hâle getirebilir.

Şekil 5. YOLO11 kullanılarak otomobil parçalarının segmentasyonu.

Poz tahmini#

Poz tahmininin amacı, eller, baş ve dirsekler gibi temel noktaların konumunu tahmin ederek bir kişinin veya nesnenin konumunu ve yönelimini belirlemektir. Bu, fiziksel eylemleri gerçek zamanlı olarak anlamanın önemli olduğu uygulamalarda özellikle kullanışlıdır. İnsan pozu tahmini; spor analizi, hayvan davranışlarının izlenmesi ve robotik gibi alanlarda yaygın olarak kullanılır.

Şekil 6. YOLO11, insan pozu tahminine yardımcı olabilir.

YOLO11 tarafından desteklenen diğer bilgisayarlı görü görevlerini keşfetmek için resmî Ultralytics belgelerine başvurabilirsin. Belgelerde YOLO11'in nesne takibi ve yönlendirilmiş sınırlayıcı kutu (OBB) nesne tespiti gibi görevleri nasıl gerçekleştirdiği hakkında ayrıntılı bilgiler sunuluyor.

Günümüzde popüler bilgisayarlı görü modelleri#

Piyasada çok sayıda bilgisayarlı görü modeli bulunmasına rağmen Ultralytics YOLO serisi, güçlü performansı ve çok yönlülüğüyle öne çıkıyor. Zaman içinde Ultralytics YOLO modelleri gelişerek daha hızlı, daha doğru ve daha fazla görevi gerçekleştirebilir hâle geldi. Ultralytics YOLOv5 tanıtıldığında, modelleri PyTorch gibi görsel yapay zekâ çerçeveleriyle dağıtmak kolaylaştı. Bu sayede daha geniş bir kullanıcı kitlesi, yüksek doğruluğu kullanım kolaylığıyla birleştirerek gelişmiş görsel yapay zekâ ile çalışabildi.

Ardından Ultralytics YOLOv8, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırma gibi yeni yetenekler ekleyerek işleri daha da ileri taşıdı. Bu sırada en yeni sürüm olan YOLO11, birden fazla bilgisayarlı görü görevinde üstün performans sunuyor. YOLOv8m'den %22 daha az parametreye sahip olan YOLO11m, COCO veri kümesinde daha yüksek ortalama kesinlik (mAP) elde ediyor; bu da nesneleri daha kesin ve verimli bir şekilde tespit edebildiği anlamına geliyor. İster deneyimli bir geliştirici ol ister AI alanında yeni ol, YOLO11 bilgisayarlı görü ihtiyaçların için güçlü bir çözüm sunar.

Günlük yaşamda bilgisayarlı görünün rolü#

Daha önce Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin çok çeşitli sektörlerde nasıl uygulanabileceğini ele aldık. Şimdi günlük yaşamımızı değiştiren daha fazla kullanım alanını keşfedelim.

Sağlık hizmetlerinde Vision AI#

Sağlık hizmetlerinde bilgisayarlı görü için çok çeşitli uygulamalar bulunuyor. Nesne tespiti ve sınıflandırma gibi görevler, hastalık tespitini daha hızlı ve doğru hâle getirmek için tıbbi görüntülemede kullanılıyor. X-ray analizinde bilgisayarlı görü, insan gözünün fark edemeyeceği kadar ince örüntüleri belirleyebilir.

Ayrıca kanserli hücreleri sağlıklı hücrelerle karşılaştırarak kanser tespitinde de kullanılıyor. Benzer şekilde bilgisayarlı görü, CT taramalarını ve MRI'ları insanlara yakın doğrulukla analiz etmek için kullanılabilir. Doktorların daha iyi kararlar almasına yardımcı olur ve sonuç olarak daha fazla hayat kurtarır.

Şekil 7. Tıbbi taramaları analiz etmek için YOLO11 kullanımı.

Otomotiv sektöründe AI#

Bilgisayarlı görü, otonom araçlar için kritik öneme sahiptir ve bu araçların yol işaretleri ve trafik ışıkları gibi nesneleri tespit etmesine yardımcı olur. Optik karakter tanıma (OCR) gibi teknikler, aracın yol işaretlerindeki metinleri okumasını sağlar. Ayrıca, nesne tespiti görevlerinin insanları gerçek zamanlı olarak belirlediği yaya tespitinde de kullanılır.

Bunun yanı sıra bilgisayarlı görü, yol yüzeylerindeki çatlakları ve çukurları bile tespit ederek değişen yol koşullarının daha iyi izlenmesini sağlayabilir. Genel olarak bilgisayarlı görü teknolojisi, trafik yönetimini geliştirmede, ulaşım güvenliğini artırmada ve akıllı şehir planlamasını desteklemede önemli bir rol oynayabilir.

Şekil 8. YOLO11 kullanılarak trafik analizi.

Tarımda bilgisayarlı görü#

Çiftçilerin herhangi bir endişe yaşamadan ürünlerini zamanında otomatik olarak ekebildiğini, sulayabildiğini ve hasat edebildiğini düşün. Bilgisayarlı görünün tarıma getirdiği tam olarak budur. Gerçek zamanlı ürün izlemeyi kolaylaştırarak çiftçilerin hastalık veya besin eksikliği gibi sorunları insanlardan daha doğru bir şekilde tespit etmesini sağlar.

İzlemeye ek olarak bilgisayarlı görüyle entegre edilen AI destekli otomatik yabani ot temizleme makineleri, yabani otları belirleyip ortadan kaldırarak iş gücü maliyetlerini düşürebilir ve ürün verimini artırabilir. Bu teknoloji birleşimi, çiftçilerin kaynaklarını optimize etmesine, verimliliği artırmasına ve ürünlerini korumasına yardımcı olur.

Şekil 9. Tarımda Ultralytics YOLO11 kullanımına bir örnek.

Üretim süreçlerini AI ile otomatikleştirmek#

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 doğru hâle getirir ve maliyetlerin düşürülmesini sağlar.

Özellikle kalite güvencesinde nesne tespiti ve örnek segmentasyonu yaygın olarak kullanılır. Kusur tespit sistemleri, yalnızca en iyi ürünlerin müşterilere ulaşmasını sağlamak için tamamlanmış ürünler üzerinde son bir kontrol gerçekleştirir. Ezik veya çatlak içeren ürünler otomatik olarak belirlenir ve reddedilir. Bu sistemler ayrıca ürünleri gerçek zamanlı olarak takip edip sayarak montaj hattının sürekli izlenmesini sağlar.

Şekil 10. Bilgisayarlı görü kullanılarak montaj hattının izlenmesi.

Bilgisayarlı görüyle eğitimde daha büyük etki#

Bilgisayarlı görünün sınıfta kullanılma yollarından biri jest tanımadır; bu teknoloji öğrencilerin hareketlerini tespit ederek öğrenmeyi kişiselleştirir. Ultralytics YOLO11 gibi modeller bu görev için oldukça uygundur. Bu modeller, kaldırılmış eller veya şaşkın ifadeler gibi jestleri gerçek zamanlı olarak doğru şekilde belirleyebilir.

Bu tür jestler tespit edildiğinde devam eden ders, ek yardım sağlanarak veya içerik öğrencinin ihtiyaçlarına daha iyi uyacak şekilde değiştirilerek uyarlanabilir. Bu, daha dinamik ve uyarlanabilir bir öğrenme ortamı oluşturarak öğretmenlerin öğretmeye odaklanmasına, sistemin ise her öğrencinin öğrenme deneyimini desteklemesine yardımcı olur.

Bilgisayarlı görüde güncel trendler#

Bilgisayarlı görünün çeşitli sektörlerdeki bazı uygulamalarını incelediğimize göre şimdi ilerlemesini yönlendiren temel trendlere geçelim.

Önemli trendlerden biri, verileri kaynağına daha yakın işleyen dağıtık bir bilgi işlem çerçevesi olan edge computing'dir. Örneğin edge computing, kamera ve sensör gibi cihazların görsel verileri doğrudan işlemesini sağlayarak daha hızlı yanıt süreleri, daha az gecikme ve gelişmiş gizlilik sunar.

Bilgisayarlı görüdeki bir diğer önemli trend ise birleştirilmiş gerçekliğin kullanılmasıdır. Bu yaklaşım, fiziksel dünyayı dijital unsurlarla birleştirir ve sanal nesnelerin gerçek dünyayla sorunsuz bir şekilde bütünleşmesini sağlamak için bilgisayarlı görüden yararlanır. Oyun, eğitim ve öğretim deneyimlerini geliştirmek için kullanılabilir.

Bilgisayarlı görünün artıları ve eksileri#

Bilgisayarlı görünün çeşitli sektörlere sağlayabileceği temel faydalardan bazıları şunlardır:

• Maliyet tasarrufu: Görevleri bilgisayarlı görüyle otomatikleştirmek operasyonel maliyetleri azaltmaya, verimliliği artırmaya ve hataları en aza indirmeye yardımcı olur.

• Ölçeklenebilirlik: Bilgisayarlı görü sistemleri uygulandıktan sonra büyük miktarlardaki veriyi işlemek üzere kolayca ölçeklenebilir; bu da onları büyüyen işletmeler veya büyük ölçekli operasyonlar için uygun hâle getirir.

• Uygulamaya özel özelleştirme: Bilgisayarlı görü modelleri kendi veri kümen kullanılarak ince ayarlanabilir ve uygulamanın gereksinimlerini karşılayan son derece özelleştirilmiş çözümler sunabilir.

Bu faydalar bilgisayarlı görünün çeşitli sektörleri nasıl etkileyebileceğini gösterse de uygulanmasıyla ilgili zorlukları da dikkate almak önemlidir. Temel zorluklardan bazıları şunlardır:

• Veri gizliliği endişeleri: Özellikle gözetim veya sağlık hizmetleri gibi hassas alanlarda görsel verilerin kullanılması, gizlilik sorunlarına ve güvenlik endişelerine yol açabilir.

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

• Yüksek başlangıç maliyeti: Bilgisayarlı görü sistemlerini geliştirmek ve uygulamak, özel donanım, yazılım ve uzmanlık gerektirdiği için pahalı olabilir.

Önemli çıkarımlar#

Bilgisayarlı görü, makinelerin dünyayı insanlar gibi görmesini ve anlamasını sağlayarak makinelerin dünyayla etkileşim kurma biçimini yeniden şekillendiriyor. Güvenliği artırmak için otonom araçlarda, doktorların hastalıkları daha hızlı teşhis etmesine yardımcı olmakta, alışverişi daha kişisel hâle getirmekte ve hatta çiftçilere ürün izleme konusunda destek olmakta olduğu gibi birçok alanda hâlihazırda kullanılıyor.

Teknoloji gelişmeye devam ettikçe edge computing ve birleştirilmiş gerçeklik gibi yeni trendler daha da fazla olasılığın önünü açıyor. Önyargılar ve yüksek maliyetler gibi bazı zorluklar olsa da bilgisayarlı görü, gelecekte birçok sektörde büyük ve olumlu bir etki oluşturma potansiyeline sahip.

Daha fazla bilgi edinmek için GitHub depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda otonom araçlarda AI ve tarımda bilgisayarlı görü gibi sektörlerdeki yenilikleri keşfet. 🚀