Bakış algılamada bilgisayarlı görüden nasıl yararlanılabileceğini keşfetme

Bilgisayarlı görü, makinelerin görsel verileri insanlara benzer şekilde analiz edip yorumlamasını sağlamaya odaklanan bir yapay zekâ (AI) dalıdır. Görsel yapay zekânın özellikle ilgi çekici uygulamalarından biri, makinelerin kişinin nereye baktığını izlemesini ve anlamasını sağlayan bakış tespitidir.

İnsanlar olarak birinin bakışını doğal biçimde takip edebilir ve neye odaklandığını anlayabiliriz. Örneğin, bir arkadaşınla konuşurken arkadaşın aniden kapıya bakarsa, dikkatini neyin çektiğini görmek için içgüdüsel olarak sen de o yöne dönebilirsin. Öte yandan makinelerde bu yerleşik yetenek yoktur; göz hareketlerini tanımaları ve bakış yönünü yorumlamaları için bilgisayarlı görü teknikleriyle eğitilmeleri gerekir.

Küresel bakış tespiti pazarının 2032'ye kadar 11,9 milyar dolara ulaşması beklenirken birçok endüstri bu teknolojiyi farklı uygulamalarda kullanmaya başlıyor. Örneğin otomobillerde bakış tespiti, dikkat düzeylerini izleyerek ve uyuşukluk ya da dikkatsizlik belirtilerini saptayarak sürücü güvenliğini artırmak için kullanılıyor.

Bu makalede, bilgisayarlı görünün göz izleme ve bakış tespiti için nasıl kullanıldığını inceleyeceğiz. Ayrıca farklı endüstrilerdeki bazı önemli uygulamalarına da göz atacağız. Hadi başlayalım!

Göz izleme ve bakış tespiti nedir?#

Göz izleme ve bakış tespiti, göz hareketlerini ve bakış yönünü analiz ederek kişinin dikkatinin nereye odaklandığını belirlemek için kullanılan tekniklerdir. Yapay zekâ ve sensör teknolojisindeki gelişmeler sayesinde artık kişinin gözlerini gerçek zamanlı olarak izlemek mümkün.

Geleneksel olarak çoğu göz izleme sistemi, gözleri yakın kızılötesi ışıkla aydınlatıp kornea yansımalarını yakalayarak göz bebeği hareketlerini tespit eden kızılötesi (IR) kameralara dayanır. Bu sistemler yüksek hassasiyet sunar. Ancak çoğu zaman takması rahatsız edici olabilen ve kalibrasyon sorunlarına açık özel başlıklar gerektirir.

Yapay zekânın yükselişiyle araştırmacılar, bilgisayarlı görü tabanlı göz izleme yöntemlerini aktif olarak araştırıyor. Geleneksel IR tabanlı sistemlerin aksine bu yaklaşımlar; gözler ve göz bebekleri gibi yüz özelliklerini tespit etmek ve baş pozu kestirimi yapmak için bilgisayarlı görü modellerine, örneğin Ultralytics YOLO11'e dayanır. Bunun yanı sıra NVIDIA'nın GazeNet'i gibi özel derin öğrenme modelleri, özellikle bakış kestirimi için tasarlanmıştır.

Şekil 1. Bir kişinin gözünü ve göz bebeğini tespit etmek için Ultralytics YOLO11 kullanımına örnek.

Bilgisayarlı görü tabanlı bakış takibi henüz gelişmekte olan bir alan olsa da pazarlama, psikoloji ve sinirbilim uygulamalarında göz izlemeyi daha erişilebilir hâle getirme, maliyetleri düşürme ve kullanılabilirliği artırma potansiyeline sahiptir.

Bakış tespiti ve göz izlemenin gelişimi#

Şimdi, geleneksel kızılötesi tabanlı sistemlerden daha erişilebilir ve yazılım odaklı çözümlere geçişi inceleyelim.

Göz izleme ve bakış tespitinin yapay zekâ olmadan yapılıp yapılamayacağını ve bu teknolojilere yapay zekâ ile bilgisayarlı görü entegrasyonu üzerine neden araştırmaların sürdüğünü merak ediyor olabilirsin. Geleneksel göz izleme yöntemleri mevcut olsa da bu yöntemler genellikle pahalı, kullanışsız ve kontrollü aydınlatma koşulları gerektiren özel kızılötesi kameralara ve başa takılan göz izleme cihazlarına dayanır. Öte yandan yapay zekâ destekli çözümler, standart web kameraları ve akıllı telefon kameralarıyla göz izlemeyi mümkün kılarak maliyetleri düşürür ve erişilebilirliği artırır.

Şekil 2. Başa takılan bir göz izleme cihazı.

Göz izleme ve bakış tespit teknolojisinin gelişiminin ardındaki diğer bazı etkenler şunlardır:

• Uygulamalar: Yazılım odaklı yaklaşımlar, bu alanın araştırmanın ötesine geçerek tüketici cihazlarına ve oyun gibi alanlara yayılmasını sağlar.
• Ölçeklenebilirlik: Yapay zekâ, bakış tespit çözümlerinin bireysel kullanıcılardan büyük ölçekli endüstrilere kadar daha geniş bir kitleye sunulmasını sağlayabilir.
• Kamera teknolojisindeki gelişmeler: Günümüzde göz izleme doğruluğunu artıran yüksek çözünürlüklü akıllı telefon ve web kamerası kameralarına erişebiliyoruz; 20 yıl önce bu mümkün değildi.

Bakış tespiti ve göz izleme için Ultralytics YOLO11 kullanımı#

Bilgisayarlı görünün göz izleme ve bakış tespitindeki rolünü ele aldığımıza göre, şimdi Ultralytics YOLO11'in bu amaçla nasıl kullanılabileceğini adım adım inceleyelim.

Ultralytics YOLO11, nesne algılama ve poz kestirimi gibi görevleri destekler. COCO veri kümesi üzerinde önceden eğitilen model, çeşitli nesneleri tespit etmede yüksek doğruluk sağlar. Özellikle bir bakış tespit çözümünde YOLO11 destekleyici bir rol oynayabilir.

Bakış yönünü doğrudan tahmin edemese de daha ileri analizler için önemli olan yüzleri, gözleri ve göz bebeklerini tespit edecek şekilde ince ayar yapılabilir. Bu özellikler belirlendikten sonra ek modeller, bakış yönünü kestirmek için göz hareketi verilerini işleyebilir.

Örneğin doğruluğu artırmak için Ultralytics YOLO11, yüz tespiti amacıyla WIDER FACE gibi veri kümeleri üzerinde özel olarak eğitilebilir. Ayrıca YOLO11'in poz kestirimi yetenekleri, baş yönelimini izlemeye yardımcı olarak bakış tespiti doğruluğunu artırabilir.

Şekil 3. YOLO11, insan yüzlerini tespit etmek için kullanılabilir.

Bakış tespitinin gerçek dünyadaki uygulamaları#

Bilgisayarlı görüyle mümkün hâle gelen bakış tespiti, otomotiv sektöründe güvenliği artırmaktan oyunlarda odaklanmayı analiz etmeye kadar birçok endüstride geniş bir uygulama alanına sahiptir. Farklı alanların bu teknolojiden nasıl yararlandığını inceleyelim.

Oyunlarda bakış takibi#

Oyuncuların odaklanma, karar verme ve tepki süreleri hakkında gerçek zamanlı bilgiler sağlamak için oyunlarda göz izleme kullanılıyor. Göz hareketlerini izleyen bu teknoloji, oyuncuların stratejilerini geliştirmesine ve antrenman programlarını iyileştirmesine yardımcı oluyor; ayrıca önemli anlarda oyuncuların nereye baktığını görsel olarak göstererek izleyici etkileşimini artırıyor.

Bunun ilgi çekici bir örneği, oyuncuların gerçekçi sürüş simülasyonlarıyla yarıştığı rekabetçi bir sanal motor sporu olan sim yarışlarıdır. Göz izleme, sürücülerin piste nasıl odaklandığını, rakiplerine nasıl tepki verdiğini ve keskin virajlarda nasıl yön bulduğunu analiz etmeye yardımcı olur. Eğitmenler bakışlarını gerçek zamanlı olarak izleyerek örüntüleri belirleyebilir, dikkat dağıtıcı unsurları tespit edebilir ve yarış stratejilerini geliştirebilir.

Şekil 4. Göz izleme, sim yarışçılarını izlemek ve analiz etmek için kullanılabilir.

Sim yarışlarının yanı sıra göz izleme, oyuncuların reflekslerini, tepki sürelerini ve oyun içindeki önemli ögelere nasıl odaklandıklarını analiz etmek için hızlı tempolu rekabetçi oyunlarda da kullanılıyor. Oyuncunun bir hamle yapmadan önce nereye baktığını anlamak, karar verme süreçlerini geliştirmeye, hassasiyeti artırmaya ve üst düzey oyun performansına yönelik antrenmanları iyileştirmeye yardımcı olur.

Psikolojik araştırmalar için bakış kestirimi#

Araştırmayla ilişkili çok sayıda görsel yapay zekâ bakış kestirimi uygulaması vardır. Bunun iyi bir örneği, psikolojide dikkat, bilişsel yük ve sosyal davranışı incelemek için kullanılmasıdır. Araştırmacılar göz hareketlerini analiz ederek algı, karar verme ve otizm ile DEHB gibi ruh sağlığı durumları hakkında bilgi edinebilir.

Bilgisayarlı görü kullanan bakış takibi, özellikle göz hareketlerindeki örüntüleri, sabitleme süresini ve görsel dikkati belirlemeye yardımcı olarak bilişsel ve duygusal durumları ortaya çıkarabilir. Derin öğrenme ve yapay zekâ destekli bakış kestirimindeki gelişmelerle bu yöntemler daha doğru ve erişilebilir hâle geliyor, böylece sinirbilim araştırmalarında daha geniş kapsamlı uygulamalara olanak tanıyor.

Otomotiv güvenliği#

Yıllar içinde araştırmacılar, farklı trafik koşullarında sürücülerin dikkatini ve odaklanmasını incelemek için çeşitli yöntemler kullandı. Bu yöntemler arasında göz izleme önemli bir yer tutuyor ve sürücünün araç kullanırken nereye baktığı hakkında bilgi sağlayabiliyor.

Bilgisayarlı görü modellerinin yardımıyla bakış tespiti, göz hareketlerini gerçek zamanlı olarak doğru biçimde izleyerek bu analizi daha da geliştirebilir. Bu analiz, sürücü davranışını daha iyi anlamamızı sağlayarak dikkat dağınıklığı, yorgunluk veya dikkat kaybını belirlemeye yardımcı olabilir; böylece yol güvenliği artırılabilir ve gelişmiş sürücü destek sistemlerinin geliştirilmesine katkıda bulunulabilir.

Şekil 5. Yüz tespiti ve bakış takibi kullanarak bir sürücünün izlenmesine örnek.

Örneğin, sürücü telefonunu kontrol etmek için sık sık yoldan gözünü ayırıyorsa veya kavşaklarda tepki vermekte yavaş kalıyorsa sistem bu davranışları tespit edip dikkatini yeniden yola vermesi için uyarılar gönderebilir ve böylece kazaları önleyebilir.

Göz izleme ve bakış tespitinin artıları ve eksileri#

Göz izleme ve bakış tespit teknolojilerinin günlük yaşamımıza sağlayabileceği başlıca faydalardan bazıları şunlardır:

• Artan farkındalık: Göz izleme, insanların çevreleriyle görsel olarak nasıl etkileşime girdiğine dair bilgiler sunarak dikkat ve odaklanma örüntülerini daha iyi anlamaya yardımcı olur.
• Daha iyi karar verme: Göz izleme yoluyla toplanan veriler, araştırmacıların ve uzmanların nesnel dikkat örüntülerine dayanarak bilinçli kararlar almasına yardımcı olur.
• Geliştirilmiş görsel ergonomi: Bakış davranışını analiz etmek, göz yorgunluğunu azaltan ve konforu artıran ekranların, çalışma alanlarının ve ortamların tasarlanmasına yardımcı olabilir.

Bu faydalar bakış tespitinin yaşamlarımızı nasıl olumlu etkileyebileceğini gösterse de uygulamadaki zorlukları da göz önünde bulundurmak önemlidir. Akılda tutulması gereken başlıca sınırlamalardan bazıları şunlardır:

• Gizlilik endişeleri: Sürekli göz izleme gizlilik sorunlarına yol açarak kullanıcıları rahatsız edebilir. Şeffaflık, kullanıcı onayı ve verilerin yerel olarak işlenmesini sağlamak bu endişeleri azaltmaya yardımcı olabilir.

• Yüksek hesaplama gereksinimi: Gerçek zamanlı bakış takibi güçlü donanım gerektirebilir ve bu da düşük güç tüketimli cihazlarda erişilebilirliği sınırlar. Ancak optimize edilmiş modeller verimliliğin artırılmasına yardımcı oluyor.

• Doğruluk sınırlamaları: Aydınlatma değişiklikleri, baş hareketleri veya gözlük ve saç gibi engeller nedeniyle gerçek dünya koşullarında bakış takibi daha az güvenilir olabilir. Kamera açıları da performansı etkileyebilir.

Gözlerini geleceğe dik#

Ultralytics YOLO11 gibi bilgisayarlı görü modelleriyle desteklenen göz izleme ve bakış tespiti, dünyayla etkileşim biçimimizi değiştiriyor. Yolları daha güvenli hâle getirmekten insan davranışını anlamaya kadar bu teknoloji günlük yaşamda giderek daha kullanışlı oluyor.

Gizlilik endişeleri ve güçlü bilgisayarlara duyulan ihtiyaç gibi zorluklar olsa da yapay zekâ ve bilgisayarlı görüdeki gelişmeler göz izlemeyi daha doğru ve kullanımı daha kolay hâle getiriyor. Teknoloji gelişmeye devam ettikçe farklı endüstrilerde daha büyük bir rol oynaması bekleniyor.

Daha fazla bilgi edinmek için GitHub depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda otonom araçlarda yapay zekâ ve tarımda bilgisayarlı görü gibi sektörlerdeki yenilikleri keşfet. Lisanslama seçeneklerimize göz at ve görsel yapay zekâ projelerini hayata geçir. 🚀