2025'te bilgisayarlı görü hakkında bilmen gereken her şey

Yirmi yıl önce makinelerin ve bilgisayarların dünyayı görüp anlayabilmesi fikri yalnızca bilim kurguydu. Bugün yapay zekâdaki (AI) ilerlemeler sayesinde bu fikir gerçeğe dönüştü. Özellikle yapay zekânın bir dalı olan bilgisayarlı görü (CV), makinelerin görüntüleri ve videoları anlamasını ve analiz etmesini sağlar. Gerçek zamanlı olarak nesneleri tanımlamaktan güvenlik sistemlerini iyileştirmeye ve karmaşık görevleri otomatikleştirmeye kadar bilgisayarlı görü, makinelerin yapabileceklerinin sınırlarını genişletmeye devam ediyor.

Çeşitli sektörler bilgisayarlı görünün benzersiz yeteneklerini benimsemenin farklı yollarını araştırırken bu teknoloji, geleceği hızla şekillendiriyor. Bilgisayarlı görü teknolojisinin küresel pazar büyüklüğü 2024'te 19,83 milyar dolara ulaştı ve önümüzdeki yıllarda yılda %19,8 büyümesi bekleniyor.

Şekil 1. Bilgisayarlı görünün küresel pazar büyüklüğü.

Bu makalede bilgisayarlı görünün ne olduğunu, nasıl geliştiğini ve günümüzde nasıl çalıştığını daha yakından inceleyeceğiz. Ayrıca en ilgi çekici uygulamalarından bazılarına göz atacağız.

Bilgisayarlı görü nedir?#

Bilgisayarlı görü, görüntü veya video dosyaları gibi görsel verilerin içeriğini anlamayı bilgisayarlara öğretmek için makine öğrenmesi ve sinir ağlarından yararlanan bir yapay zekâ alt alanıdır. İşlenen görüntülerden elde edilen bilgiler daha iyi kararlar vermek için kullanılabilir. Örneğin bilgisayarlı görü, raf görüntülerini analiz ederek stok seviyelerini takip etmek veya otomatik ödeme sistemleriyle alışveriş deneyimini iyileştirmek için perakende sektöründe kullanılabilir. Akıllı telefon fotoğraflarına filtre eklemekten üretimde kalite kontrolüne kadar farklı uygulamalar için pek çok işletme bilgisayarlı görü teknolojisinden şimdiden yararlanıyor.

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

İnsanlar farklı boyut, renk, ışık veya açılardaki nesneleri tanımakta başarılı olsa da baskı altında tutarlılığı korumakta çoğu zaman zorlanır. Bilgisayarlı görü çözümleri ise durmaksızın çalışarak büyük miktarda görsel veriyi hızlı ve doğru biçimde işler. Örneğin trafiği gerçek zamanlı analiz ederek yoğunluğu algılayabilir, sinyal sürelerini optimize edebilir veya kazaları bir insan gözlemciden daha hızlı belirleyebilir.

Bilgisayarlı görünün tarihini anlamak#

Bilgisayarlı görü, yıllar içinde kuramsal bir kavramdan sektörler genelinde yenilikleri destekleyen güvenilir bir teknolojiye dönüştü. Gelişimini şekillendiren önemli kilometre taşlarından bazılarına göz atalım:

• 1950'ler - 1960'lar: Araştırmacılar görsel verileri işlemek ve analiz etmek için algoritmalar geliştirmeye başladı, ancak sınırlı işlem gücü nedeniyle ilerleme yavaştı.
• 1970'ler: Bu on yılda, görüntülerdeki çizgi ve geometrik şekillerin algılanmasını iyileştiren Hough Dönüşümü gibi algoritmalarda önemli gelişmeler görüldü. Optik Karakter Tanıma (OCR) da ortaya çıkarak makinelerin basılı metinleri okuyabilmesini sağladı.
• 1980'ler - 1990'lar: Makine öğrenimi bilgisayarlı görüde rol oynamaya başladı ve daha gelişmiş yeteneklerin ve gelecekteki atılımların önünü açtı.
• 2000'ler - 2010'lar: Derin öğrenme, makinelerin görsel verileri daha etkili yorumlamasını sağlayarak bilgisayarlı görüye yeni bir boyut kazandırdı. Nesne tanımlama, hareket analizi ve karmaşık görevleri yürütme gibi yetenekleri geliştirdi.

Günümüzde bilgisayarlı görü hızla ilerliyor ve sağlık hizmetleri, otonom araçlar ve akıllı şehirler gibi alanlardaki sorunları çözme biçimimizi dönüştürüyor. Gerçek zamanlı bilgisayarlı görü görevleri için tasarlanan Ultralytics YOLO (You Only Look Once) modelleri, çeşitli sektörlerde görsel yapay zekânın etkili ve doğru biçimde uygulanmasını kolaylaştırıyor. Yapay zekâ ve donanım gelişmeye devam ettikçe bu modeller, gelişmiş görsel veri analizinden yararlanarak işletmelerin daha akıllıca kararlar almasına ve operasyonlarını kolaylaştırmasına yardımcı oluyor.

Bilgisayarlı görünün nasıl çalıştığını açıklayalım#

Bilgisayarlı görü sistemleri, görüntüleri analiz etmek için insan beyninin çalışma biçiminden esinlenen algoritmalar olan sinir ağlarından yararlanır. Evrişimsel Sinir Ağları (CNNs) olarak adlandırılan özel bir tür, görüntülerdeki kenarlar ve şekiller gibi örüntüleri tanımaya özellikle uygundur.

Görsel verileri sadeleştirmek için havuzlama gibi teknikler görüntünün en önemli kısımlarına odaklanırken ek katmanlar bu bilgiyi özellikleri belirleme veya nesneleri algılama gibi görevleri yerine getirmek için işler. Hız ve doğruluk için tasarlanan Ultralytics YOLO11 gibi gelişmiş modeller, gerçek zamanlı görüntü işlemeyi mümkün kılar.

Şekil 2. Ultralytics YOLO11'i nesne algılama için kullanma örneği.

Tipik bir bilgisayarlı görü uygulaması, ham görüntüleri yararlı çıkarımlara dönüştürmek için birkaç adım içerir. İşte dört temel aşama:

• Görüntü edinimi: Görsel veriler kamera veya sensörlerle toplanır ve görüntülerin kalitesi kullanılan sensörün türüne bağlıdır.
• Görüntü işleme: Toplanan veriler, analizlerini kolaylaştırmak için gürültüyü azaltma ve kenarları belirginleştirme gibi ön işleme teknikleriyle iyileştirilir.
• Özellik çıkarımı: Şekiller ve dokular gibi önemli ayrıntılar belirlenir ve görüntünün en önemli kısımlarına odaklanılır.
• Örüntü tanıma: Belirlenen özellikler; nesne algılama, hareketi takip etme veya örüntüleri tanıma gibi görevleri yerine getirmek için makine öğrenimi kullanılarak analiz edilir.

Bilgisayarlı görü görevlerini keşfetme#

Bilgisayarlı görünün nasıl çalıştığını konuşurken bilgisayarlı görü görevlerinden söz ettiğimizi fark etmiş olabilirsin. Ultralytics YOLO11 gibi modeller bu görevleri desteklemek üzere tasarlanmıştır ve gerçek dünya uygulamaları için hızlı, doğru çözümler sunar. YOLO11, nesneleri algılamaktan hareketlerini izlemeye kadar bu görevleri verimli biçimde yerine getirir. Desteklediği temel bilgisayarlı görü görevlerinden bazılarını ve bunların nasıl çalıştığını inceleyelim.

Nesne algılama#

Nesne algılama, bilgisayarlı görünün temel görevlerinden biridir ve bir görüntüde ilgi çekici nesneleri tanımlamak için kullanılır. Nesne algılama görevinin çıktısı; sınırlayıcı kutulardan (görüntüde algılanan nesnelerin çevresine çizilen dikdörtgenler), sınıf etiketlerinden ("araba" veya "kişi" gibi her nesnenin kategorisi ya da türü) ve güven puanlarından (modelin her algılamadan ne kadar emin olduğunu gösteren sayısal değerler) oluşan bir kümedir. Örneğin nesne algılama, sokaktaki bir yayanın veya trafikteki bir arabanın konumunu belirlemek için kullanılabilir.

Şekil 3. Nesne algılamada Ultralytics YOLO11 kullanımı.

Görüntü sınıflandırma#

Görüntü sınıflandırmanın temel amacı, giriş görüntüsünün genel içeriğine göre görüntüye önceden tanımlanmış bir etiket veya kategori atamaktır. Bu görev genellikle görüntüdeki baskın nesnenin ya da özelliğin belirlenmesini içerir. Örneğin görüntü sınıflandırma, bir görüntünün kedi mi yoksa köpek mi içerdiğini belirlemek için kullanılabilir. YOLO11 gibi bilgisayarlı görü modelleri, aşağıda gösterildiği gibi kedi veya köpeklerin belirli ırklarını sınıflandırmak için özel olarak eğitilebilir.

Şekil 4. YOLO11 ile farklı kedi ırklarını sınıflandırma.

Örnek segmentasyonu#

Örnek segmentasyonu, çeşitli uygulamalarda kullanılan bir diğer önemli bilgisayarlı görü görevidir. Bu görev, bir görüntüyü bölümlere ayırmayı ve aynı türden birden fazla nesne olsa bile her bir nesneyi tanımlamayı içerir. Nesne algılamadan farklı olarak örnek segmentasyonu, her nesnenin kesin sınırlarını çizerek bir adım daha ileri gider. Örneğin otomotiv üretimi ve onarımında örnek segmentasyonu, her araç parçasını ayrı ayrı tanımlamaya ve etiketlemeye yardımcı olarak süreci daha doğru ve verimli hâle getirebilir.

Şekil 5. YOLO11 ile araç parçalarını segmentlere ayırma.

Poz tahmini#

Poz tahmininin amacı; eller, baş ve dirsekler gibi kilit noktaların konumlarını 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 davranışlarını izleme ve robotik gibi alanlarda yaygın olarak kullanılır.

Şekil 6. YOLO11, insan pozu tahminine yardımcı olabilir.

YOLO11'in desteklediği diğer bilgisayarlı görü görevlerini incelemek için resmî Ultralytics dokümantasyonuna başvurabilirsin. Dokümantasyon, YOLO11'in nesne takibi ve yönelimli sınırlayıcı kutu (OBB) nesne algılama gibi görevleri nasıl yerine getirdiği hakkında ayrıntılı bilgi sunar.

Günümüzde popüler bilgisayarlı görü modelleri#

Piyasada birçok bilgisayarlı görü modeli olmasına rağmen Ultralytics YOLO serisi, güçlü performansı ve çok yönlülüğüyle öne çıkar. Zaman içinde Ultralytics YOLO modelleri gelişerek daha hızlı, daha doğru ve daha fazla görevi yerine getirebilir hâle geldi. Ultralytics YOLOv5 tanıtıldığında PyTorch gibi görsel yapay zekâ çerçeveleriyle model dağıtımı kolaylaştı. Yüksek doğruluğu kullanım kolaylığıyla birleştirerek daha geniş bir kullanıcı kitlesinin gelişmiş görsel yapay zekâyla çalışmasını sağladı.

Ardından Ultralytics YOLOv8, örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini gibi yeni yetenekler ekleyerek çıtayı yükseltti. YOLO11 ise birden fazla bilgisayarlı görü görevinde güçlü performans sergiledi. YOLOv8m'den %22 daha az parametreye sahip olan YOLO11m, COCO veri kümesinde daha yüksek ortalama hassasiyet (mAP) elde ederek nesneleri daha hassas ve verimli biçimde algılayabildiğini gösteriyor. En yeni nesil Ultralytics YOLO26, yerel uçtan uca, NMS'siz çıkarım ve uç dağıtımı için daha yüksek CPU performansıyla bu gelişmeleri ileri taşıyor. İster deneyimli bir geliştirici ister yapay zekâya yeni başlayan biri ol, Ultralytics YOLO modelleri bilgisayarlı görü ihtiyaçların için pratik bir başlangıç noktası sunar.

Bilgisayarlı görünün günlük yaşamdaki rolü#

Daha önce Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin çok çeşitli sektörlerde nasıl uygulanabileceğini ele aldık. Şimdi günlük hayatımızı değiştiren diğer kullanım alanlarını inceleyelim.

Sağlık hizmetlerinde görsel yapay zekâ#

Sağlık hizmetlerinde bilgisayarlı görünün çok çeşitli uygulamaları vardır. Nesne algılama ve sınıflandırma gibi görevler, hastalıkların daha hızlı ve doğru teşhis edilmesini sağlamak için tıbbi görüntülemede kullanılır. Bilgisayarlı görü, röntgen analizinde insan gözünün fark edemeyeceği kadar ince örüntüleri belirleyebilir.

Kanserli hücreleri sağlıklı hücrelerle karşılaştırarak kanser tespitinde de kullanılır. Benzer şekilde bilgisayarlı görü, BT taramalarını ve MR görüntülerini insanlara yakın doğrulukla analiz edebilir. Doktorların daha iyi kararlar almasına yardımcı olur ve nihayetinde daha fazla hayat kurtarır.

Şekil 7. Tıbbi taramaları analiz etmek için kullanılan YOLO11.

Otomotiv endüstrisinde yapay zekâ#

Bilgisayarlı görü, otonom araçlar için kritik öneme sahiptir ve yol işaretleri ile trafik ışıkları gibi nesneleri algılamalarına yardımcı olur. Optik karakter tanıma (OCR) gibi teknikler, aracın yol işaretlerindeki metinleri okumasını sağlar. Bilgisayarlı görü, nesne algılama görevlerinin insanları gerçek zamanlı olarak tanımladığı yaya algılama için de kullanılır.

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

Şekil 8. YOLO11 ile trafiği anlama.

Tarımda bilgisayarlı görü#

Çiftçilerin ekinlerini hiçbir endişe duymadan zamanında otomatik olarak ekebildiğini, sulayabildiğini ve hasat edebildiğini düşün. Bilgisayarlı görünün tarıma kazandırdığı tam olarak budur. Gerçek zamanlı ürün izlemeyi kolaylaştırarak çiftçilerin hastalık veya besin eksikliği gibi sorunları daha erken tespit etmesini sağlar.

İzlemeye ek olarak, bilgisayarlı görüyle entegre edilmiş yapay zekâ destekli otomatik yabani ot temizleme makineleri yabani otları tanıyıp temizleyebilir; böylece iş gücü maliyetlerini düşürür ve ürün verimini artırır. Bu teknoloji birleşimi, çiftçilerin kaynaklarını en iyi şekilde kullanmasına, verimliliği artırmasına ve ürünlerini korumasına yardımcı olur.

Şekil 9. Tarımda Ultralytics YOLO11 kullanımına bir örnek.

Yapay zekâyla üretim süreçlerini otomatikleştirme#

Üretimde bilgisayarlı görü, üretimi izlemeye, ürün kalitesini denetlemeye ve çalışanları otomatik olarak takip etmeye yardımcı olur. Görsel yapay zekâ, hataları ve maliyetleri azaltırken süreci daha hızlı ve doğru hâle getirir.

Özellikle kalite güvencesi için nesne algılama ve örnek segmentasyonu yaygın olarak kullanılır. Kusur tespit sistemleri, yalnızca en iyi ürünlerin müşterilere ulaşmasını sağlamak için tamamlanmış ürünleri son kez denetler. Ezik veya çatlak bulunan ürünler otomatik olarak belirlenip reddedilir. Bu sistemler ayrıca ürünleri gerçek zamanlı olarak izleyip sayarak montaj hattında kesintisiz izleme sağlar.

Şekil 10. Bilgisayarlı görü kullanarak bir montaj hattını izleme.

Bilgisayarlı görüyle eğitimde daha etkili öğrenme#

Bilgisayarlı görünün sınıfta kullanılma yollarından biri hareket tanımadır; öğrencilerin hareketlerini algılayarak öğrenmeyi kişiselleştirir. Ultralytics YOLO11 gibi modeller bu görev için çok uygundur. El kaldırma veya şaşkınlık ifadesi gibi hareketleri gerçek zamanlı olarak doğru biçimde tanımlayabilirler.

Bu tür jestler algılandığında, ek destek sağlanarak veya içerik öğrencinin ihtiyaçlarına daha uygun hâle getirilerek devam eden bir ders uyarlanabilir. Bu, öğretmenlerin öğretmeye odaklanmasına yardımcı olurken sistemin her öğrencinin öğrenme deneyimini desteklediği daha dinamik ve uyarlanabilir bir öğrenme ortamı oluşturur.

Bilgisayarlı görüde güncel eğilimler#

Bilgisayarlı görünün çeşitli sektörlerdeki bazı uygulamalarını incelediğimize göre, şimdi gelişimini hızlandıran temel eğilimlere göz atalım.

Önemli eğilimlerden biri, verileri kaynağına daha yakın bir yerde işleyen dağıtık bir bilgi işlem çerçevesi olan uç bilişimdir. Örneğin uç bilişim, kamera ve sensör gibi cihazların görsel verileri doğrudan işlemesini sağlayarak daha hızlı yanıt süreleri, daha az gecikme ve daha iyi gizlilik sunar.

Bilgisayarlı görüdeki bir diğer önemli eğilim, karma gerçekliğin kullanılmasıdır. Karma gerçeklik, fiziksel dünyayı dijital öğelerle birleştirir ve sanal nesnelerin gerçek dünyayla kusursuz biçimde bütünleşmesini sağlamak için bilgisayarlı görüden yararlanır. Oyun, eğitim ve öğretim deneyimlerini geliştirmek için kullanılabilir.

Bilgisayarlı görünün avantajları ve dezavantajları#

Bilgisayarlı görünün çeşitli sektörlere sağlayabileceği temel avantajlardan bazıları şunlardır:

• Maliyet tasarrufu: Görevleri bilgisayarlı görüyle otomatikleştirmek işletme maliyetlerini düşürmeye, verimliliği artırmaya ve hataları en aza indirmeye yardımcı olur.
• Ölçeklenebilirlik: Bilgisayarlı görü sistemleri bir kez uygulamaya alındığında büyük miktarda veriyi işlemek üzere kolayca ölçeklendirilebilir; bu da onları büyüyen işletmeler veya büyük ölçekli operasyonlar için uygun hâle getirir.
• Uygulamaya özel özelleştirme: Bilgisayarlı görü modelleri, veri kümen kullanılarak ince ayar yapılabilir ve böylece uygulamanın gereksinimlerini karşılayan, son derece özelleşmiş çözümler elde edebilirsin.

Bu avantajlar, bilgisayarlı görünün çeşitli sektörleri nasıl etkileyebileceğini gösterse de uygulama sürecindeki zorlukları da göz önünde bulundurmak önemlidir. Temel zorluklardan bazıları şunlardır:

• Veri gizliliği endişeleri: Görsel verilerin, özellikle gözetim veya sağlık hizmetleri gibi hassas alanlarda 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 sistemlerinin geliştirilmesi ve uygulanması, özel donanım, yazılım ve uzmanlık gerektirdiğinden pahalı olabilir.

Önemli çıkarımlar#

Bilgisayarlı görü, makinelerin dünyayı insanlar gibi görüp anlamasını sağlayarak makinelerin dünyayla etkileşim kurma biçimini yeniden şekillendiriyor. Otonom araçlarda güvenliği artırmak, doktorların hastalıkları daha hızlı teşhis etmesine yardımcı olmak, alışverişi daha kişiselleştirilmiş hâle getirmek ve hatta çiftçilerin ürünlerini izlemesine yardımcı olmak gibi birçok alanda şimdiden kullanılıyor.

Teknoloji gelişmeye devam ettikçe uç bilişim ve karma gerçeklik gibi yeni eğilimler daha da fazla olanağın önünü açıyor. Önyargı ve yüksek maliyet gibi bazı zorluklar bulunsa da bilgisayarlı görü, gelecekte birçok sektörde büyük ölçüde olumlu etki yaratma potansiyeline sahip.

Daha fazla bilgi edinmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözüm sayfalarımızda otonom araçlarda yapay zekâ ve tarımda bilgisayarlı görü gibi sektörlerdeki yenilikleri keşfet.