Bilgisayarlı görü uygulamalarının nasıl çalıştığını keşfetme

Bilgisayarlı görü modellerinin geçmişini incelediğimizde, bilgisayarlı görünün nasıl geliştiğini ve günümüzdeki gelişmiş görü modellerine uzanan yolu gördük. Ultralytics YOLOv8 gibi modern modeller birden çok bilgisayarlı görü görevini destekliyor ve çeşitli heyecan verici uygulamalarda kullanılıyor.

Bu makalede bilgisayarlı görünün ve görü modellerinin temellerine göz atacağız. Nasıl çalıştıklarını ve çeşitli sektörlerdeki farklı uygulamalarını ele alacağız. Bilgisayarlı görü yenilikleri her yerde; dünyamızı sessizce şekillendiriyor. Gelin, bunları tek tek ortaya çıkaralım!

Bilgisayarlı görü nedir?#

Yapay zeka (AI), insan zekasının bir bölümünü taklit etmeyi amaçlayan birçok teknolojiyi kapsayan genel bir terimdir. Bilgisayarlı görü, yapay zekanın alt alanlarından biridir. Bilgisayarlı görü, makinelere çevrelerini görebilmeleri, gözlemleyebilmeleri ve anlayabilmeleri için gözler kazandırmaya odaklanır.

İnsan görüsü gibi bilgisayarlı görü çözümleri de nesneleri ayırt etmeyi, mesafeleri hesaplamayı ve hareketleri algılamayı amaçlar. Ancak görmelerine ve anlamalarına yardımcı olacak yaşam boyu deneyimlere sahip insanların aksine bilgisayarlar büyük miktarda veriye, yüksek çözünürlüklü kameralara ve karmaşık algoritmalara güvenir.

Şekil 1. İnsan Görüsü ve Bilgisayarlı Görünün Karşılaştırılması.

Bilgisayarlı görü sistemleri, görüntü ve video gibi görsel verileri inanılmaz hız ve doğrulukla işleyip analiz edebilir. Büyük miktarda görsel bilgiyi hızlı ve doğru bir şekilde analiz edebilme yeteneği, bilgisayarlı görüyü üretimden sağlık hizmetlerine kadar çeşitli sektörlerde güçlü bir araç haline getirir.

Görü modelleri çeşitli bilgisayarlı görü görevlerini destekler#

Bilgisayarlı görü modelleri, her bilgisayarlı görü uygulamasının temelini oluşturur. Bunlar, makinelere görsel bilgileri yorumlama ve anlama yeteneği kazandırmak üzere tasarlanmış, derin öğrenme teknikleriyle güçlendirilmiş hesaplamalı algoritmalardır. Görü modelleri, görüntü sınıflandırmadan nesne algılamaya kadar kritik bilgisayarlı görü görevlerini mümkün kılar. Şimdi bu görevlerden bazılarına ve kullanım alanlarına daha yakından bakalım.

Görüntü sınıflandırma#

Görüntü sınıflandırma, görüntülerin önceden tanımlanmış sınıflara veya kategorilere ayrılmasını ve etiketlenmesini içerir. YOLOv8 gibi bir görü modeli, etiketlenmiş görüntülerden oluşan büyük veri kümeleri üzerinde eğitilebilir. Eğitim sırasında model, her sınıfla ilişkili örüntüleri ve özellikleri tanımayı öğrenir. Eğitildikten sonra özelliklerini analiz edip öğrenilen örüntülerle karşılaştırarak yeni ve daha önce görülmemiş görüntülerin kategorisini tahmin edebilir.

Şekil 2. Görüntü sınıflandırma örneği. (kaynak: towardsdatascience.com)

Farklı görüntü sınıflandırma türleri vardır. Örneğin tıbbi görüntülerle çalışırken, görüntüleri sağlıklı veya hasta gibi iki gruba ayırmak için ikili sınıflandırmayı kullanabilirsin. Bir diğer tür çok sınıflı sınıflandırmadır. Bu yöntem, görüntüleri domuz, keçi ve inek gibi birçok gruba, örneğin bir çiftlikteki farklı hayvanları sınıflandırmaya yardımcı olabilir. Hayvanları memeliler ve kuşlar gibi gruplara ve alt gruplara, ardından aslan, kaplan, kartal ve serçe gibi türlere ayırmak istiyorsan hiyerarşik sınıflandırma en iyi seçenek olur.

Nesne algılama#

Nesne algılama, bilgisayarlı görü kullanarak görüntülerde ve video karelerinde nesneleri tanımlama ve konumlandırma sürecidir. İki görevden oluşur: nesnelerin çevresine sınırlayıcı kutular çizen nesne konumlandırma ve her nesnenin kategorisini belirleyen nesne sınıflandırma. Bir görü modeli, sınırlayıcı kutu açıklamalarına dayanarak her nesne kategorisine özgü örüntüleri ve özellikleri tanımayı ve bu nesnelerin yeni, daha önce görülmemiş görüntülerdeki varlığını ve konumunu tahmin etmeyi öğrenebilir.

Şekil 3. Futbol sahasındaki oyuncuları algılamak için kullanılan YOLOv8 nesne algılama.

Nesne algılamanın farklı sektörlerde, spordan deniz biyolojisine kadar birçok kullanım alanı vardır. Örneğin perakende sektöründe, Amazon’ın Just Walk Out teknolojisi, müşterilerin aldıkları ürünleri tanımlayarak ödeme işlemini otomatikleştirmek için nesne algılamayı kullanır. Bilgisayarlı görü ve sensör verilerinin birleşimi, müşterilerin ürünlerini alıp sırada beklemeden mağazadan çıkmasını sağlar.

Nasıl çalıştığına daha yakından bakalım:

• Tavana monte edilen kameralar mağazada dolaşan müşterileri görüntüler ve bu video görüntüleri görü modelleri tarafından gerçek zamanlı olarak işlenir.
• Nesne algılama, bir müşterinin alıp sepetine koyduğu ürünü tam olarak belirlemek ve sanal sepetini buna göre güncellemek için kullanılır.
• Raflardaki ağırlık sensörleri, ürünlerin alınmasını veya geri konulmasını algılayarak doğruluğu artırır.
• Müşteri mağazadan çıkarken, müşterinin ayrıldığını doğrulamak için nesne algılama ve yüz tanıma teknolojisi kullanılabilir; kredi kartı gibi ödeme bilgileri de müşteriden otomatik olarak ücret alınmasını sağlar.

Semantik ve örnek bölütleme#

Semantik bölütleme ve örnek bölütleme, görüntüleri anlamlı parçalara ayırmaya yardımcı olan bilgisayarlı görü görevleridir. Semantik bölütleme, pikselleri anlamsal anlamlarına göre sınıflandırır ve bir kategori içindeki tüm nesneleri aynı etikete sahip tek bir varlık olarak ele alır. "gökyüzü" veya "okyanus" gibi sayılamayan nesneleri ya da "yapraklar" veya "çimen" gibi kümeleri etiketlemek için uygundur.

Buna karşılık örnek bölütleme, algılanan her nesneye benzersiz bir etiket atayarak aynı sınıfın farklı örneklerini birbirinden ayırabilir. Nesnelerin sayısının ve bağımsızlığının önemli olduğu, sayılabilir nesneleri bölütlemek için örnek bölütlemeyi kullanabilirsin. Bu yöntem daha hassas tanımlama ve ayrıştırma sağlar.

Şekil 4. Semantik ve örnek bölütleme örneği.

Semantik ve örnek bölütleme arasındaki farkı otonom araçlarla ilgili bir örnekle daha net anlayabiliriz. Semantik bölütleme, bir sahnenin içeriğinin anlaşılmasını gerektiren görevler için idealdir ve otonom araçlarda yaya geçitleri ve trafik işaretleri gibi yol üzerindeki özellikleri sınıflandırmak için kullanılabilir. Öte yandan örnek bölütleme, otonom araçlarda yayaları, araçları ve engelleri tek tek ayırt etmek için kullanılabilir.

Poz tahmini#

Poz tahmini, görüntülerde veya videolarda bir nesnenin pozlarına ait kilit noktaları algılamaya ve izlemeye odaklanan bir bilgisayarlı görü görevidir. En yaygın kullanım alanı, omuz ve diz gibi bölgeleri içeren insan pozu tahminidir. İnsan pozunu tahmin etmek, çeşitli uygulamalar için kritik olan eylem ve hareketleri anlamamıza ve tanımamıza yardımcı olur.

Şekil 5. YOLOv8 kullanarak poz tahmini örneği.

Poz tahmini, spor alanında sporcuların nasıl hareket ettiğini analiz etmek için kullanılabilir. NBA, maç sırasında oyuncu hareketlerini ve konumlarını incelemek için poz tahmininden yararlanır. Poz tahmini; omuz, dirsek, diz ve ayak bileği gibi kilit noktaları izleyerek oyuncu hareketleri hakkında ayrıntılı bilgiler sağlar. Bu bilgiler, antrenörlerin daha iyi stratejiler geliştirmesine, antrenman programlarını optimize etmesine ve maç sırasında gerçek zamanlı ayarlamalar yapmasına yardımcı olur. Ayrıca veriler, genel oyuncu sağlığını ve performansını iyileştirmek için oyuncu yorgunluğunu ve sakatlanma riskini izlemeye yardımcı olabilir.

Yönlendirilmiş sınırlayıcı kutularla nesne algılama#

Yönlendirilmiş Sınırlayıcı Kutularla Nesne Algılama (OBB), bir görüntüdeki nesneleri hassas bir şekilde tanımlamak ve konumlandırmak için döndürülmüş dikdörtgenler kullanır. Görüntü eksenleriyle hizalanan standart sınırlayıcı kutuların aksine OBB'ler, nesnenin yönelimine uyacak şekilde döner. Bu özellik, tamamen yatay veya dikey olmayan nesneler için özellikle kullanışlıdır. Kalabalık ortamlarda örtüşmeleri önlemek üzere döndürülmüş nesneleri doğru bir şekilde belirleyip izole etmede oldukça başarılıdırlar.

Şekil 6. YOLOv8 Kullanılarak Havadan Çekilmiş Tekne Görüntüsünde Yönlendirilmiş Sınırlayıcı Kutu Algılama Örneği.

Denizcilik gözetiminde gemileri tanımlamak ve izlemek, güvenlik ve kaynak yönetimi açısından kritik öneme sahiptir. OBB algılama, gemiler yoğun şekilde kümelenmiş veya farklı açılara yönelmiş olsa bile hassas konumlandırma için kullanılabilir. Gemi rotalarının izlenmesine, deniz trafiğinin yönetilmesine ve liman operasyonlarının optimize edilmesine yardımcı olur. Ayrıca kasırga veya petrol sızıntısı gibi olayların ardından gemilerde ve altyapıda meydana gelen hasarı hızlıca belirleyip değerlendirmeye yardımcı olarak afet müdahalesini destekleyebilir.

Nesne izleme#

Şimdiye kadar görüntülerle ilgili bilgisayarlı görü görevlerini ele aldık. Nesne izleme, bir nesneyi videonun kareleri boyunca takip edebilen bir bilgisayarlı görü görevidir. Tespit algoritmalarını kullanarak ilk karede nesneyi tanımlayarak başlar ve ardından nesne video boyunca hareket ederken konumunu sürekli olarak izler. Nesne izleme, takibin doğruluğunu korumak için nesne algılama, özellik çıkarma ve hareket tahmini gibi teknikleri içerir.

Şekil 7. YOLOv8 kullanarak balık izleme.

YOLOv8 gibi görü modelleri deniz biyolojisinde balıkları izlemek için kullanılabilir. Araştırmacılar su altı kameralarını kullanarak balıkların doğal yaşam alanlarındaki hareketlerini ve davranışlarını izleyebilir. Süreç, ilk karelerde tek tek balıkların algılanmasıyla başlar ve ardından balıkların konumları video boyunca takip edilir. Balıkları izlemek, bilim insanlarının göç örüntülerini, sosyal davranışları ve çevreyle etkileşimleri anlamasına yardımcı olur. Ayrıca balıkların dağılımı ve bolluğu hakkında bilgi sağlayarak sürdürülebilir balıkçılık uygulamalarını destekler.

Bilgisayarlı görüye son bir bakış#

Bilgisayarlı görü, teknolojiyi kullanma ve dünyayla etkileşim kurma biçimimizi aktif olarak değiştiriyor. Görüntüleri ve videoları anlamak için derin öğrenme modelleri ve karmaşık algoritmalar kullanan bilgisayarlı görü, sektörlerin birçok süreci kolaylaştırmasına yardımcı oluyor. Nesne algılama ve nesne izleme gibi bilgisayarlı görü görevleri, daha önce hayal bile edilmemiş çözümler oluşturmayı mümkün kılıyor. Bilgisayarlı görü teknolojisi gelişmeye devam ettikçe gelecek, çok daha yenilikçi uygulamalar barındırıyor!

Birlikte öğrenip gelişelim! AI'a katkılarımızı görmek için GitHub depomuzu incele. AI ile otonom araçlar ve tarım gibi sektörleri nasıl yeniden tanımladığımıza göz at. 🚀