Bilgisayarlı görünün bakış algılama için nasıl kullanılabileceğini keşfetme

Bilgisayar görüşü, makinelerin görsel verileri insanlara benzer şekilde analiz edip yorumlamasını sağlamaya odaklanan bir yapay zekâ (AI) dalıdır. Görsel yapay zekânın en ilgi çekici uygulamalarından biri, makinelerin bir kişinin nereye baktığını izlemesini ve anlamasını mümkün kılan bakış tespitidir.

İnsanlar olarak birinin bakışını doğal şekilde 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 bilgisayar görüşü teknikleri kullanılarak eğitilmeleri gerekir.

Küresel bakış tespit pazarının 2032 yılına kadar 11,9 milyar dolara ulaşması beklenirken birçok sektör bu teknolojiyi farklı uygulamalar için benimsiyor. Örneğin otomobillerde bakış tespiti, dikkat düzeylerini izleyerek ve uykululuk ya da dikkatin dağılması belirtilerini tespit ederek sürücü güvenliğini artırmak için kullanılıyor.

Bu makalede bilgisayar görüşünün göz takibi ve bakış tespiti için nasıl kullanıldığını inceleyeceğiz. Ayrıca çeşitli sektörlerdeki başlıca 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 dikkatinin odaklandığı noktayı belirlemek için kullanılan tekniklerdir. Yapay zekâ 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 sağlar. Ancak genellikle kullanımı rahatsız olabilen ve kalibrasyon sorunlarına açık özel başlık ekipmanları gerektirir.

Yapay zekânın yükselişiyle araştırmacılar, bilgisayar görüşü tabanlı göz takip yöntemlerini aktif olarak araştırıyor. Geleneksel IR tabanlı sistemlerin aksine bu yaklaşımlar, gözler ve göz bebekleri gibi yüz özelliklerini tespit etmek ve baş pozu tahmini yapmak için bilgisayar görüşü modellerine, örneğin Ultralytics YOLO11'e, dayanır. Bunun ötesinde, NVIDIA'nın GazeNet'i gibi özel derin öğrenme modelleri doğrudan bakış tahmini için tasarlanmıştır.

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

Hâlâ gelişmekte olan bir alan olsa da bilgisayar görüşü tabanlı bakış takibi, göz takibini daha erişilebilir hâle getirme, maliyetleri düşürme ve pazarlama, psikoloji ve nörobilim uygulamalarında kullanılabilirliği artırma potansiyeline sahiptir.

Bakış tespiti ve göz takibinin gelişimi#

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

Göz takibi ve bakış tespitinin yapay zekâ olmadan yapılıp yapılamayacağını, öyleyse neden bu teknolojilere yapay zekâ ve bilgisayar görüşü entegre edilmesi üzerine hâlâ araştırma yürütüldüğünü merak ediyor olabilirsin. Geleneksel göz takip yöntemleri mevcut olsa da bunlar genellikle pahalı ve kullanışsız olabilen, ayrıca kontrollü aydınlatma koşulları gerektiren özel kızılötesi kameralara ve başa takılan göz takip cihazlarına dayanır. Bununla birlikte yapay zekâ destekli çözümler, standart web kameralarını ve akıllı telefon kameralarını kullanarak göz takibi yapılmasını sağlar; böylece maliyetler düşer ve erişilebilirlik artar.

Şekil 2. Başa takılan bir göz takip cihazı.

Göz takibi ve bakış tespiti teknolojisinin gelişiminin ardındaki diğer etkenlerden bazıları şunlardır:

• Uygulamalar: Yazılım odaklı yaklaşımlar, bu alanın araştırmanın ötesine geçerek tüketici cihazlarına ve oyun gibi alanlara genişlemesini sağlar.
• Ölçeklenebilirlik: Yapay zekâ, bakış tespiti çözümlerini bireysel kullanıcılardan büyük ölçekli sektörlere kadar daha geniş bir kitle için erişilebilir hâle getirebilir.
• Kamera teknolojisindeki gelişmeler: Günümüzde göz takip doğruluğunu artıran daha yüksek çözünürlüklü akıllı telefon ve web kamerası kameralarına erişebiliyoruz; bu, 20 yıl önce mümkün değildi.

Bakış tespiti ve göz takibi için Ultralytics YOLO11 kullanma#

Bilgisayar görüşünün göz takibi ve bakış tespitindeki rolünü ele aldığımıza göre, şimdi Ultralytics YOLO11'in burada nasıl kullanılabileceğine bakalım.

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

Bakış yönünü doğrudan tahmin edemese de daha ileri analiz için önemli olan yüzleri, gözleri ve göz bebeklerini tespit etmek üzere ince ayar yapılabilir. Bu özellikler belirlendikten sonra ek modeller, bakış yönünü tahmin etmek 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 tahmini yetenekleri sayesinde baş yöneliminin takip edilmesine yardımcı olabilir ve bu da bakış tespitinin doğruluğunu artırır.

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

Bakış tespitinin gerçek dünyadaki uygulamaları#

Bilgisayar görüşüyle mümkün hâle gelen bakış tespitinin, otomotiv sektöründe güvenliği artırmaktan oyunlarda odağı analiz etmeye kadar sektörler genelinde geniş bir uygulama yelpazesi vardır. Farklı alanların bu teknolojiden nasıl yararlandığını inceleyelim.

Oyunlarda bakış takibi#

Oyuncunun odağı, karar verme süreci ve tepki süreleri hakkında gerçek zamanlı bilgiler sağlamak için oyunlarda göz takibinden yararlanılıyor. Göz hareketlerini takip eden bu teknoloji, oyuncuların stratejilerini geliştirmesine yardımcı oluyor, eğitim programlarını güçlendiriyor ve önemli anlarda oyuncuların nereye baktığını görsel olarak göstererek izleyici etkileşimini artırıyor.

Bunun ilginç bir örneği, oyuncuların gerçekçi sürüş simülasyonları kullanarak yarıştığı rekabetçi bir sanal motor sporu olan sim yarışıdır. Göz takibi, sürücülerin piste nasıl odaklandığını, rakiplerine nasıl tepki verdiğini ve keskin virajlarda nasıl yön aldığını analiz etmeye yardımcı olur. Eğitmenler, bakışlarını gerçek zamanlı olarak takip ederek kalıpları belirleyebilir, dikkat dağıtıcı unsurları fark edebilir ve yarış stratejilerini geliştirebilir.

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

Sim yarışının yanı sıra göz takibi, oyuncu reflekslerini, tepki sürelerini ve önemli oyun içi unsurlara nasıl odaklandıklarını analiz etmek için hızlı tempolu rekabetçi oyunlarda da kullanılıyor. Bir oyuncunun hamle yapmadan önce nereye baktığını anlamak, bu verilerin karar verme sürecini geliştirmesine, hassasiyeti artırmasına ve üst düzey oyun performansı için eğitimi iyileştirmesine yardımcı olur.

Psikolojik araştırmalar için bakış tahmini#

Araştırmayla ilgili birçok görsel yapay zekâ bakış tahmini uygulaması vardır. Buna iyi bir örnek, psikolojide dikkati, bilişsel yükü ve sosyal davranışı incelemek için kullanılmasıdır. Araştırmacılar göz hareketlerini analiz ederek algı, karar verme ve otizm ile DEHB gibi ruh sağlığı durumları hakkında içgörüler elde edebilir.

Bilgisayar görüşü kullanılarak yapılan bakış takibi, özellikle göz hareketlerindeki kalıpları, sabitlenme süresini ve görsel dikkati belirlemeye yardımcı olur; bunlar bilişsel ve duygusal durumları ortaya çıkarabilir. Derin öğrenme ve yapay zekâ destekli bakış tahminindeki ilerlemelerle bu yöntemler daha doğru ve erişilebilir hâle geliyor ve nörolojik araştırmalarda daha geniş uygulamalara olanak tanıyor.

Otomotiv güvenliği#

Yıllar boyunca araştırmacılar, farklı trafik koşullarında sürücülerin dikkatini ve odağını incelemek için çeşitli yöntemler kullandı. Bu yöntemler arasında göz takibi kritik bir rol oynadı ve sürücünün araç kullanırken nereye baktığı hakkında içgörüler sağlayabilir.

Bilgisayar görüşü modellerinin yardımıyla bakış tespiti, göz hareketlerini gerçek zamanlı olarak doğru şekilde takip ederek bu analizi daha da geliştirebilir. Bu analiz, sürücü davranışını daha iyi anlamamızı, dikkat dağınıklığını, yorgunluğu veya dikkat kayıplarını belirlememizi sağlayabilir; böylece yol güvenliği artırılabilir ve gelişmiş sürücü destek sistemlerinin geliştirilmesine katkı sunulabilir.

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

Örneğin bir sürücü telefonunu kontrol etmek için sık sık yoldan gözünü ayırırsa veya kavşaklarda tepki vermekte yavaş kalırsa sistem bu davranışları tespit edip dikkatini yeniden odaklaması için uyarılar verebilir ve böylece kazaları potansiyel olarak önleyebilir.

Göz takibi ve bakış tespitinin artıları ve eksileri#

Göz takibi ve bakış tespiti teknolojilerinin günlük yaşamımıza sağlayabileceği başlıca faydalardan bazıları şunlardır:

• Artan farkındalık: Göz takibi, insanların çevreleriyle görsel olarak nasıl etkileşim kurduğuna ilişkin içgörüler sağlayarak dikkat ve odaklanma kalıplarını daha iyi anlamaya yardımcı olur.
• Daha iyi karar verme: Göz takibinden toplanan veriler, araştırmacıların ve profesyonellerin nesnel dikkat kalıplarına dayalı, 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 yaşamımızı nasıl olumlu etkileyebileceğini gösterse de uygulanmasıyla ilgili zorlukları da dikkate almak önemlidir. Akılda tutulması gereken başlıca sınırlamalardan bazıları şunlardır:

• Gizlilik endişeleri: Sürekli göz takibi gizlilik sorunlarına yol açarak kullanıcıları rahatsız edebilir. Şeffaflığın sağlanması, kullanıcı onamının alınması ve verilerin yerel olarak işlenmesi bu endişelerin azaltılmasına yardımcı olabilir.

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

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

Gözlerini geleceğe dikmek#

Ultralytics YOLO11 gibi bilgisayar görüşü modelleriyle desteklenen göz takibi ve bakış tespiti, dünyayla etkileşim kurma biçimimizi değiştiriyor. Yolları daha güvenli hâle getirmekten insan davranışını anlamaya kadar bu teknoloji günlük yaşamda giderek daha kullanışlı hâle geliyor.

Gizlilik endişeleri ve güçlü bilgisayarlara duyulan ihtiyaç gibi zorluklar olsa da yapay zekâ ve bilgisayar görüşündeki gelişmeler göz takibini daha doğru ve kullanımı daha kolay hâle getiriyor. Gelişmeye devam ettikçe birçok sektörde daha büyük bir rol oynaması muhtemel.

Daha fazla bilgi edinmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözümler sayfalarımızda otonom araçlarda yapay zekâ ve tarımda bilgisayar görüşü gibi sektörlerdeki yenilikleri keşfet. Lisanslama seçeneklerimize göz at ve görsel yapay zekâ projelerini hayata geçir. 🚀