Bilgisayarlı görü uygulamalarının nasıl çalıştığını keşfet

Bilgisayarlı görü modellerinin tarihini incelediğimizde, bilgisayarlı görünün nasıl evrildiğini ve bugün sahip olduğumuz gelişmiş görü modellerine giden yolu gördük. Ultralytics YOLOv8 gibi modern modeller, birden fazla bilgisayarlı görü görevini destekler ve çeşitli heyecan verici uygulamalarda kullanılır.

Bu makalede, bilgisayarlı görü ve görü modellerinin temellerine göz atacağız. Nasıl çalıştıklarını ve çeşitli sektörlerdeki farklı uygulamalarını ele alacağız. Bilgisayarlı görü inovasyonları her yerdeler ve dünyamızı sessizce şekillendiriyorlar. Hadi bunları tek tek ortaya çıkaralım!

Link to this sectionBilgisayarlı görü nedir?#

Yapay zeka (YZ), insan zekasının bir kısmını taklit etmeyi amaçlayan birçok teknolojiyi kapsayan şemsiye bir terimdir. YZ'nin böyle bir alt alanı bilgisayarlı görüdür. Bilgisayarlı görü, makinelere görebilen, gözlemleyebilen ve çevrelerini kavrayabilen gözler kazandırmaya odaklanır.

Tıpkı insan görüşü gibi, bilgisayarlı görü çözümleri de nesneleri ayırt etmeyi, mesafeleri hesaplamayı ve hareketleri algılamayı amaçlar. Ancak, dünyayı görmelerine ve anlamalarına yardımcı olacak bir ömür boyu deneyime sahip olan insanların aksine, bilgisayarlar devasa miktarda veriye, yüksek çözünürlüklü kameralara ve karmaşık algoritmalara güvenirler.

Şekil 1. İnsan Görüşü ve Bilgisayarlı Görünün Karşılaştırılması.

Bilgisayarlı görü sistemleri, görüntüler ve videolar gibi görsel verileri inanılmaz hızlarda ve doğrulukla işleyebilir ve analiz edebilir. Devasa miktarda görsel bilgiyi hızlı ve doğru bir şekilde analiz etme yeteneği, bilgisayarlı görüyü üretimden sağlık hizmetlerine kadar çeşitli sektörlerde güçlü bir araç haline getirir.

Link to this sectionGörü modelleri çeşitli bilgisayarlı görü görevlerini destekler#

Bilgisayarlı görü modelleri, her bilgisayarlı görü uygulamasının merkezidir. Bunlar temelde, makinelere görsel bilgileri yorumlama ve anlama yeteneği kazandırmak için tasarlanmış derin öğrenme teknikleriyle desteklenen hesaplamalı algoritmalardır. Görü modelleri, görüntü sınıflandırmasından nesne algılamaya kadar çok önemli bilgisayarlı görü görevlerini mümkün kılar. Hadi bu görevlerin bazılarına ve kullanım durumlarına daha yakından bakalım.

Link to this sectionGörüntü sınıflandırma (Image classification)#

Görüntü sınıflandırması, görüntüleri önceden tanımlanmış sınıflara veya kategorilere ayırmayı ve etiketlemeyi içerir. YOLOv8 gibi bir görü modeli, etiketli görüntülerden oluşan büyük veri kümeleri üzerinde eğitilebilir. Eğitim sırasında model, her sınıfla ilişkili desenleri ve özellikleri tanımayı öğrenir. Eğitildikten sonra, yeni ve daha önce görülmemiş görüntülerin özelliklerini analiz edip öğrenilen desenlerle karşılaştırarak bu görüntülerin kategorisini tahmin edebilir.

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

Farklı görüntü sınıflandırma türleri vardır. Örneğin, tıbbi görüntülerle çalışırken, resimleri sağlıklı veya hasta gibi iki gruba ayırmak için ikili sınıflandırma kullanabilirsin. Bir diğer tür ise çok sınıflı sınıflandırmadır. Bu, görüntüleri domuzlar, keçiler ve inekler gibi bir çiftlikteki farklı hayvanları sınıflandırmak gibi birçok gruba ayırmaya yardımcı olabilir. Veya diyelim ki hayvanları gruplara ve alt gruplara ayırmak istiyorsun; örneğin önce memeliler ve kuşlar olarak sınıflandırıp sonra aslanlar, kaplanlar, kartallar ve serçeler gibi türlere ayırmak istersen, hiyerarşik sınıflandırma en iyi seçenek olur.

Link to this sectionNesne tespiti (Object detection)#

Nesne algılama, bilgisayarlı görü kullanarak görüntülerdeki ve video karelerindeki nesneleri tanımlama ve konumlandırma sürecidir. İki görevden oluşur: nesnelerin etrafına sınırlayıcı kutular çizen nesne yerelleştirme ve her nesnenin kategorisini tanımlayan nesne sınıflandırma. Sınırlayıcı kutu ek açıklamalarına dayanarak, bir görü modeli her nesne kategorisine özgü desenleri ve özellikleri tanımayı öğrenebilir ve yeni, görülmemiş görüntülerde bu nesnelerin varlığını ve konumunu tahmin edebilir.

Şekil 3. Futbol sahasındaki oyuncuları tespit etmek için kullanılan YOLOv8 Nesne algılama.

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

İşte nasıl çalıştığına daha yakından bir bakış:

• Tavana monte edilen kameralar, mağaza içinde hareket eden müşterileri yakalar ve bu video görüntüleri görü modelleri tarafından gerçek zamanlı olarak işlenir.
• Nesne algılama, bir müşterinin aldığı ve sepetine koyduğu tam ürünü tespit etmek ve sanal sepetlerini buna göre güncellemek için kullanılır.
• Raflardaki ağırlık sensörleri, ürünün alınıp alınmadığını veya yerine konulup konulmadığını algılayarak doğruluğu artırır.
• Müşteri mağazadan çıkarken, müşterinin ayrıldığını doğrulamak için nesne algılama ve yüz tanıma teknolojisi kullanılabilir ve kredi kartı gibi ödeme bilgileri otomatik olarak ücretlendirme yapmak için kullanılabilir.

Link to this sectionAnlamsal ve örnek bölütleme#

Anlamsal bölütleme ve örnek bölütleme, görüntüleri anlamlı bölümlere ayırmaya yardımcı olan bilgisayarlı görü görevleridir. Anlamsal bölütleme, pikselleri anlamsal anlamlarına göre sınıflandırır ve bir kategori içindeki tüm nesnelere aynı etiketle tek bir varlık olarak davranır. "Gökyüzü" veya "okyanus" gibi sayılamayan nesneleri ya da "yapraklar" veya "çimen" gibi kümeleri etiketlemek için uygundur.

Örnek bölütleme ise, tespit edilen her nesneye benzersiz bir etiket atayarak aynı sınıfın farklı örneklerini birbirinden ayırabilir. Örnek bölütlemeyi, nesnelerin sayısının ve bağımsızlığının önemli olduğu sayılabilir nesneleri bölütlemek için kullanabilirsin. Bu, daha hassas tanımlama ve ayrıştırma sağlar.

Şekil 4. Anlamsal ve örnek bölütleme örneği.

Anlamsal ve örnek bölütleme arasındaki farkı, sürücüsüz araçlarla ilgili bir örnekle daha net anlayabiliriz. Anlamsal bölütleme, bir sahnenin içeriğini anlamayı gerektiren görevler için harikadır ve otonom araçlarda yaya geçitleri ve trafik işaretleri gibi yol üzerindeki özellikleri sınıflandırmak için kullanılabilir. Bu arada, örnek bölütleme otonom araçlarda bireysel yayaları, araçları ve engelleri ayırt etmek için kullanılabilir.

Link to this sectionPoz tahmini (Pose estimation)#

Poz tahmini, görüntülerdeki veya videolardaki bir nesnenin pozlarının kilit noktalarını tespit etmeye ve izlemeye odaklanan bir bilgisayarlı görü görevidir. En yaygın olarak, omuzlar ve dizler gibi bölgeleri içeren kilit noktalarla insan pozu tahmini için kullanılır. Bir insanın pozunu tahmin etmek, çeşitli uygulamalar için kritik olan eylemleri ve hareketleri anlamamıza ve tanımamıza yardımcı olur.

Şekil 5. YOLOv8 kullanılarak yapılan poz tahmini örneği.

Poz tahmini, spor dallarında sporcuların nasıl hareket ettiğini analiz etmek için kullanılabilir. NBA, oyun sırasında oyuncu hareketlerini ve konumlarını incelemek için poz tahminini kullanır. Omuzlar, dirsekler, dizler ve ayak bilekleri gibi kilit noktaları takip ederek poz tahmini, oyuncu hareketleri hakkında ayrıntılı içgörüler sağlar. Bu içgörüler, antrenörlerin daha iyi stratejiler geliştirmesine, antrenman programlarını optimize etmesine ve oyunlar sırasında gerçek zamanlı ayarlamalar yapmasına yardımcı olur. Ayrıca veriler, genel oyuncu sağlığını ve performansını iyileştirmek için oyuncu yorgunluğunu ve sakatlanma riskini izlemeye yardımcı olabilir.

Link to this sectionYönlendirilmiş sınırlayıcı kutular ile nesne algılama#

Yönlendirilmiş Sınırlayıcı Kutular ile 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 yönüyle eşleşecek şekilde dönerler. Bu, onları özellikle tam olarak yatay veya dikey olmayan nesneler için yararlı kılar. Kalabalık ortamlarda çakışmaları önlemek adına döndürülmüş nesneleri doğru bir şekilde belirlemek ve izole etmek için mükemmeldirler.

Şekil 6. YOLOv8 Kullanarak Teknelerin Havadan Çekilmiş Bir Görüntüsü Üzerinde Yönlendirilmiş Sınırlayıcı Kutu Algılama Örneği.

Denizcilik gözetiminde, gemileri tanımlamak ve izlemek güvenlik ve kaynak yönetimi için kilit önem taşır. OBB algılama, yoğun bir şekilde paketlenmiş veya çeşitli açılarda yönlendirilmiş olsalar bile gemilerin hassas yerelleştirmesi için kullanılabilir. Nakliye rotalarını izlemeye, deniz trafiğini yönetmeye ve liman operasyonlarını optimize etmeye yardımcı olur. Ayrıca kasırgalar veya petrol sızıntıları gibi olaylardan sonra gemilerde ve altyapıda meydana gelen hasarları hızlı bir şekilde tanımlayıp değerlendirerek afet müdahalesine yardımcı olabilir.

Link to this sectionNesne takibi#

Şimdiye kadar, görüntülerle ilgili bilgisayarlı görü görevlerini tartıştık. Nesne takibi, bir nesneyi videonun kareleri boyunca izleyebilen bir bilgisayarlı görü görevidir. İlk karedeki nesneyi algılama algoritmaları kullanarak tanımlayarak başlar ve ardından video boyunca hareket ederken konumunu sürekli takip eder. Nesne takibi, takibi doğru tutmak için nesne algılama, özellik çıkarma ve hareket tahmini gibi teknikleri içerir.

Şekil 7. Balıkları takip etmek için YOLOv8 kullanma.

YOLOv8 gibi görü modelleri, deniz biyolojisinde balıkları takip etmek için kullanılabilir. Sualtı kameralarını kullanan araştırmacılar, balıkların doğal ortamlarındaki hareketlerini ve davranışlarını izleyebilirler. Süreç, ilk karelerdeki bireysel balıkları tespit ederek başlar ve ardından video boyunca konumlarını takip eder. Balıkları takip etmek, bilim insanlarının göç yollarını, sosyal davranışları ve çevreyle olan etkileşimlerini anlamalarına yardımcı olur. Ayrıca, balık dağılımı ve bolluğu hakkında içgörüler sağlayarak sürdürülebilir balıkçılık uygulamalarını destekler.

Link to this sectionBilgisayarlı görüye son bir bakış#

Bilgisayarlı görü, teknolojiyi kullanma ve dünyayla etkileşim kurma şeklimizi aktif olarak değiştiriyor. Görüntüleri ve videoları anlamak için derin öğrenme modellerini ve karmaşık algoritmaları kullanarak bilgisayarlı görü, sektörlerin birçok süreci kolaylaştırmasına yardımcı oluyor. Nesne algılama ve nesne takibi gibi bilgisayarlı görü görevleri, daha önce hayal edilmemiş çözümler yaratmayı mümkün kılıyor. Bilgisayarlı görü teknolojisi gelişmeye devam ettikçe, gelecek çok daha yenilikçi uygulamalar vaat ediyor!

Hadi birlikte öğrenelim ve büyüyelim! YZ'ye katkılarımızı görmek için GitHub depomuzu keşfet. Sürücüsüz arabalar ve tarım gibi endüstrileri YZ ile nasıl yeniden tanımladığımıza göz at. 🚀