Bilgisayarlı görünün bakış tespiti için nasıl kullanılabileceğini keşfetme

Computer vision, makinelerin görsel verileri insanlara benzer bir şekilde analiz edip yorumlamasını sağlamaya odaklanan bir yapay zeka (AI) dalıdır. Görüntü yapay zekasının özellikle büyüleyici uygulamalarından biri de, makinelerin bir kişinin nereye baktığını takip etmesini ve anlamasını mümkün kılan bakış (gaze) tespiti uygulamasıdır.

İnsanlar olarak, birinin bakışlarını doğal bir şekilde takip edebilir ve neye odaklandıklarını anlayabiliriz. Örneğin, bir arkadaşınla konuşurken o aniden kapıya bakarsa, dikkati neyin çektiğini görmek için içgüdüsel olarak sen de dönebilirsin. Makinelerin ise böyle bir yerleşik yeteneği yoktur; göz hareketlerini tanımak ve bakış yönünü yorumlamak için bilgisayarlı görü teknikleri kullanılarak eğitilmeleri gerekir.

Küresel gaze detection market büyüklüğünün 2032 yılına kadar 11,9 milyar dolara ulaşması beklenirken, birçok endüstri bunu farklı uygulamalar için benimsiyor. Örneğin, araçlardaki bakış tespiti; dikkat seviyelerini izleyerek ve uykululuk veya dikkat dağılması belirtilerini tespit ederek sürücü güvenliğini artırmak için kullanılmaktadır.

Bu makalede, bilgisayarlı görünün göz takibi ve bakış tespiti için nasıl kullanıldığını keşfedeceğiz. Ayrıca çeşitli sektörlerdeki temel uygulamalarından bazılarına göz atacağız. Hadi başlayalım!

Göz takibi ve bakış tespiti nedir?#

Göz takibi ve bakış tespiti, göz hareketlerini ve bakış yönünü analiz ederek bir kişinin odak noktasını belirlemek için kullanılan tekniklerdir. Yapay zeka ve sensör teknolojisindeki gelişmeler sayesinde, artık bir kişinin gözlerini gerçek zamanlı olarak takip etmek mümkün.

Geleneksel olarak çoğu göz takip sistemi, gözleri yakın kızılötesi ışıkla aydınlatıp kornea yansımalarını yakalayarak göz bebeği hareketlerini tespit eden kızılötesi (IR) kameralara dayanır. Bu sistemler yüksek hassasiyet sunar. Ancak genellikle takılması rahatsız edici olabilen ve kalibrasyon sorunlarına yatkın özel başlıklar gerektirirler.

Yapay zekanın yükselişiyle birlikte araştırmacılar, bilgisayarlı görü tabanlı göz takip yöntemlerini aktif olarak araştırmaktadır. Geleneksel IR tabanlı sistemlerin aksine bu yaklaşımlar; gözler ve göz bebekleri gibi yüz özelliklerini tespit etmek ve ayrıca baş duruşu tahmini yapmak için Ultralytics YOLO11 gibi computer vision models kullanır. Bunun ötesinde, NVIDIA'nın GazeNet'i gibi özel derin öğrenme modelleri özellikle bakış tahmini için tasarlanmıştır.

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

Hala gelişmekte olan bir alan olmasına rağmen, bilgisayarlı görü tabanlı bakış takibi, göz takibini daha erişilebilir hale getirme, maliyetleri düşürme ve pazarlama, psikoloji ve nörobilimdeki uygulamalar için kullanılabilirliği artırma potansiyeline sahiptir.

Bakış tespiti ve göz takibinin evrimi#

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

Göz takibi ve bakış tespitinin yapay zeka olmadan yapılıp yapılamayacağını merak ediyor olabilirsin; peki neden bu teknolojilere yapay zeka ve bilgisayarlı görü entegre etmek üzerine devam eden araştırmalar var? Geleneksel göz takip yöntemleri mevcut olsa da, bunlar genellikle pahalı, hantal olabilen ve kontrollü aydınlatma koşulları gerektiren özel kızılötesi kameralara ve başa takılan göz takip cihazlarına dayanır. Ancak yapay zeka destekli çözümler, standart web kameraları ve akıllı telefon kameraları kullanarak göz takibini mümkün kılar, böylece maliyetleri düşürür ve erişilebilirliği artırır.

Fig 2. Başa monte edilen bir göz takip cihazı.

Göz takibi ve bakış tespiti teknolojisinin evriminin arkasındaki diğer faktörlerden bazıları şunlardır:

• Uygulamalar: Yazılım odaklı yaklaşımlar, bu alanın araştırmaların ötesine geçerek tüketici cihazlarına ve oyun gibi alanlara genişlemesine olanak tanır.
• Ölçeklenebilirlik: Yapay zeka, bireysel kullanıcılardan büyük ölçekli endüstrilere kadar daha geniş bir kitle için bakış tespiti çözümlerini kullanılabilir hale getirebilir.
• Kamera teknolojisindeki gelişmeler: Bugün, göz takibi hassasiyetini artıran daha yüksek çözünürlüklü akıllı telefon ve web kamerası kameralarına erişimimiz var; bu, 20 yıl önce mümkün olmayan bir şeydi.

Bakış tespiti ve göz takibi için Ultralytics YOLO11 kullanımı#

Göz takibi ve bakış tespiti süreçlerinde bilgisayarlı görü'nün rolünü ele aldığımıza göre, şimdi Ultralytics YOLO11 modelinin burada nasıl kullanılabileceğini inceleyelim.

Ultralytics YOLO11, nesne tespiti ve poz tahmini gibi görevleri destekler. COCO dataset üzerinde önceden eğitilmiş olup, çeşitli nesneleri tespit etmede yüksek doğruluk elde eder. Özellikle bir bakış tespiti çözümü için YOLO11 destekleyici bir rol oynayabilir.

Doğrudan bakış yönünü tahmin edemese de, daha fazla analiz için kilit öneme sahip olan yüzleri, gözleri ve göz bebeklerini tespit etmek üzere ince ayar (fine-tuning) yapılabilir. Bu özellikler tanımlandıktan sonra, ek modeller göz hareketi verilerini işleyerek bakış yönünü tahmin edebilir.

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

Fig 3. YOLO11 insan yüzlerini tespit etmek için kullanılabilir.

Bakış tespitinin gerçek dünyadaki uygulamaları#

Bilgisayarlı görü tarafından desteklenen bakış tespiti, otomotiv sektöründeki güvenliği artırmaktan oyundaki odağı analiz etmeye kadar sektörler genelinde geniş bir uygulama yelpazesine sahiptir. Farklı alanların bu teknolojiden nasıl yararlandığını inceleyelim.

Oyunda bakış takibi#

Göz takibi, oyuncunun odaklanması, karar verme süreçleri ve reaksiyon süreleri hakkında gerçek zamanlı içgörüler sağlamak için gaming alanında kullanılmaktadır. Göz hareketlerini takip ederek bu teknoloji, oyuncuların stratejilerini geliştirmelerine yardımcı olur, eğitim programlarını zenginleştirir ve önemli anlarda oyuncuların nereye baktığını görsel olarak göstererek izleyici etkileşimini artırır.

Bunun ilginç bir örneği, oyuncuların gerçekçi sürüş simülasyonları kullanarak yarıştığı rekabetçi bir sanal motor sporu olan sim yarışlarıdır. Göz takibi, sürücülerin piste nasıl odaklandıklarını, rakiplere nasıl tepki verdiklerini ve keskin virajlarda nasıl yol aldıklarını analiz etmeye yardımcı olur. Eğitmenler, bakışlarını gerçek zamanlı olarak izleyerek desenleri belirleyebilir, dikkat dağıtıcı unsurları tespit edebilir ve yarış stratejilerini geliştirebilir.

Fig 4. Simülasyon yarışçılarını izlemek ve analiz etmek için göz takibi kullanılabilir.

Sim yarışlarının ötesinde, göz takibi, oyuncu reflekslerini, tepki sürelerini ve oyun içindeki önemli unsurlara nasıl odaklandıklarını analiz etmek için hızlı tempolu rekabetçi oyunlarda da kullanılıyor. Bir hamle yapmadan önce oyuncunun nereye baktığını anlayarak, bu veriler karar verme süreçlerini iyileştirmeye, hassasiyeti artırmaya ve üst düzey oyun deneyimi için eğitimi geliştirmeye yardımcı olur.

Psikolojik araştırmalar için bakış tahmini#

Bakış tahmininin araştırmalarla ilgili birçok görüntü işleme tabanlı yapay zeka uygulaması bulunmaktadır. Bunun iyi bir örneği, dikkat, bilişsel yük ve sosyal davranışları incelemek için psikolojide kullanımıdır. Araştırmacılar göz hareketlerini analiz ederek algı, karar verme ve otizm veya DEHB gibi zihinsel sağlık durumları hakkında içgörüler elde edebilirler.

Özellikle bilgisayarlı görü kullanarak bakış takibi, bilişsel ve duygusal durumları ortaya çıkarabilen göz hareketi, fiksasyon süresi ve görsel dikkat desenlerini belirlemeye yardımcı olur. Derin öğrenme ve yapay zeka destekli bakış tahminindeki ilerlemelerle bu yöntemler daha doğru ve erişilebilir hale gelmekte, nörolojik araştırmalarda daha geniş uygulamalara olanak tanımaktadır.

Otomotiv güvenliği#

Yıllar boyunca araştırmacılar, farklı traffic conditions sırasında sürücülerin dikkatini ve odaklanmasını incelemek için farklı yöntemler kullandılar. Bu yöntemler arasında göz takibi çok önemli olmuş ve sürücünün sürüş sırasında nereye baktığına dair içgörüler sağlayabilmektedir.

Bilgisayarlı görü modellerinin yardımıyla, bakış tespiti, göz hareketlerini gerçek zamanlı olarak hassas bir şekilde izleyerek bu analizi daha da geliştirebilir. Bu analiz, sürücü davranışını daha iyi anlamamızı sağlayarak dikkat dağınıklığını, yorgunluğu veya dikkat eksikliklerini tespit etmeye yardımcı olur, bu da yol güvenliğini artırabilir ve gelişmiş sürücü destek sistemlerinin geliştirilmesine katkıda bulunabilir.

Fig 5. Yüz tespiti ve bakış takibi kullanılarak bir sürücünün izlenmesine dair bir örnek.

Örneğin, bir sürücü telefonunu kontrol etmek için sık sık yoldan gözlerini ayırıyorsa veya kavşaklarda tepki vermekte yavaşsa, sistem bu davranışları tespit edebilir ve dikkatini toplaması için uyarılar vererek kazaları potansiyel olarak önleyebilir.

Göz takibi ve bakış tespitinin artıları ve eksileri#

İşte göz takibi ve bakış tespiti teknolojilerinin günlük hayatımıza getirebileceği temel faydalardan bazıları:

• Artan farkındalık: Göz takibi, insanların çevreleriyle görsel olarak nasıl etkileşime girdiğine dair içgörüler sunarak dikkat ve odaklanma desenlerini daha iyi anlamaya yardımcı olur.
• Daha iyi karar verme: Göz takibinden toplanan veriler, araştırmacıların ve profesyonellerin objektif dikkat desenlerine dayalı bilinçli kararlar almasına yardımcı olur.
• Gelişmiş görsel ergonomi: Bakış davranışını analiz etmek, göz yorgunluğunu azaltan ve konforu artıran ekranlar, çalışma alanları ve ortamlar tasarlamaya yardımcı olabilir.

Bu faydalar bakış tespitinin hayatımızı nasıl olumlu etkileyebileceğini vurgulasa da, uygulanmasındaki zorlukları da göz önünde bulundurmak önemlidir. İşte akılda tutulması gereken temel sınırlamalardan bazıları:

• Privacy concerns: Sürekli göz takibi, gizlilik sorunlarını gündeme getirebilir ve kullanıcıları rahatsız edebilir. Şeffaflığı, kullanıcı onayını ve yerel veri işlemeyi sağlamak bu endişelerin hafifletilmesine yardımcı olabilir.

• Yüksek hesaplama talebi: Gerçek zamanlı bakış takibi, güçlü donanımlar gerektirebilir ve bu da düşük güçlü cihazlarda erişilebilirliği sınırlayabilir. Ancak optimize edilmiş modeller verimliliği artırmaya yardımcı oluyor.

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

Gözlerini geleceğe odakla#

Ultralytics YOLO11 gibi bilgisayarlı görü modelleri tarafından desteklenen göz takibi ve bakış tespiti, dünyayla etkileşim kurma biçimimizi değiştiriyor. Yolları daha güvenli hale getirmekten insan davranışlarını anlamaya kadar bu teknoloji, günlük yaşamda giderek daha fazla fayda sağlıyor.

Gizlilik endişeleri ve güçlü bilgisayar ihtiyacı gibi zorluklar olsa da, yapay zeka ve bilgisayarlı göründeki gelişmeler göz takibini daha doğru ve kullanımı daha kolay hale getiriyor. Gelişmeye devam ettikçe, çeşitli sektörlerde daha büyük bir rol oynayacağı kesin.

Daha fazla bilgi edinmek için GitHub repository adresimizi ziyaret et ve our community ile etkileşime geç. Çözüm sayfalarımızda AI in self-driving cars ve computer vision in agriculture gibi sektörlerdeki inovasyonları keşfet. our licensing options sayfasına göz at ve vizyoner yapay zeka projelerini hayata geçir. 🚀