Bilgisayarlı görü uygulamalarının nasıl çalıştığını keşfet

Bilgisayarlı görü modellerinin geçmişini incelediğimizde, bilgisayarlı görü alanının nasıl geliştiğini 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 kullanılmaktadır.

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!

Bilgisayarlı 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 Görü Karşılaştırması.

Bilgisayarlı görü sistemleri, görsel verileri resimler ve videolar gibi inanılmaz hız ve doğrulukla işleyebilir ve analiz edebilir. Geniş miktardaki görsel bilgiyi hızlı ve doğru bir şekilde analiz edebilme yeteneği, bilgisayarlı görü üretimden sağlık hizmetlerine kadar çeşitli endüstrilerde güçlü bir araç haline getirmektedir.

Görü modelleri çeşitli bilgisayarlı görü görevlerini destekler#

Bilgisayarlı görü modelleri, herhangi bir bilgisayarlı görü uygulamasının çekirdeğidir. Bunlar özünde, makinelere görsel bilgiyi yorumlama ve anlama yeteneği kazandırmak için tasarlanmış derin öğrenme teknikleriyle desteklenen hesaplama algoritmalarıdır. Görüntü modelleri, görüntü sınıflandırmasından nesne tespiti ne kadar kritik bilgisayarlı görü görevlerini mümkün kılar. Gelin bu görevlerden bazılarına ve kullanım alanlarına daha yakından bakalım.

Görüntü sınıflandırma (Image classification)#

Görüntü sınıflandırması, görüntülerin önceden tanımlanmış sınıflara veya kategorilere ayrılmasını ve etiketlenmesini içerir. YOLOv8 gibi bir görme modeli, etiketlenmiş görüntülerden oluşan büyük veri setleri üzerinde eğitilebilir. Eğitim sırasında model, her sınıfla ilişkili desenleri ve özellikleri tanımayı öğrenir. Eğitildikten sonra, yeni ve daha önce görülmemiş görüntülerin özelliklerini analiz ederek ve bunları 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 kullanabilirsiniz. Diğer bir tür ise çok sınıflı sınıflandırmadır. Bu, domuz, keçi ve inek gibi çiftlikteki farklı hayvanları sınıflandırmak gibi görüntüleri birçok gruba ayırmaya yardımcı olabilir. Ya da diyelim ki hayvanları gruplara ve alt gruplara ayırmak istiyorsunuz; örneğin önce memeliler ve kuşlar olarak gruplandırıp ardından arslanlar, kaplanlar, kartallar ve serçeler gibi türlere ayırmak istiyorsanız hiyerarşik sınıflandırma en iyi seçenek olacaktır.

Nesne 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 tespiti, spordan deniz biyolojisine kadar farklı endüstrilerde birçok kullanım alanına sahiptir. Örneğin perakendede, Amazon’un Just Walk Out teknolojisi, müşterilerin aldıkları ürünleri tanımlayarak ödeme işlemini otomatikleştirmek için nesne tespitini kullanır. Bilgisayarlı görü ve sensör verilerinin kombinasyonu, müşterilerin sırada beklemeden ürünlerini alıp gitmelerine 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 ayrılırken, müşterinin ayrıldığını doğrulamak için nesne tespiti ve yüz tanıma teknolojisi kullanılabilir ve kredi kartı gibi ödeme bilgileri kullanılarak kendilerinden otomatik olarak ücret tahsil edilebilir.

Anlamsal ve örnek bölütleme#

Anlamsal bölütleme ve örnek bölütleme, görüntüleri anlamlı segmentlere ayırmaya yardımcı olan bilgisayarlı görü görevleridir. Anlamsal bölütleme, pikselleri anlamsal anlamlarına göre sınıflandırır ve bir kategori içindeki tüm nesneleri aynı etiketle tek bir varlık olarak ele alır. "Gökyüzü" veya "okyanus" gibi sayılamayan nesneleri veya "yapraklar" ya da "çim" 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.

Sürücüsüz araçlarla ilgili bir örnekle, anlamsal ve örnek bölütleme arasındaki kontrastı daha net anlayabiliriz. Anlamsal bölütleme, bir sahnenin içeriğini anlamayı gerektiren görevler için harikadır ve otonom araçlarda yaya geçitleri ve trafik işaretleri gibi yoldaki özellikleri sınıflandırmak için kullanılabilir. Bu arada, örnek bölütleme otonom araçlarda bireysel yayaları, araçları ve engelleri birbirinden ayırmak için kullanılabilir.

Poz tahmini (Pose estimation)#

Poz tahmini, görüntü veya videolardaki bir nesnenin pozlarının anahtar noktalarını tespit etmeye ve izlemeye odaklanan bir bilgisayarlı görü görevidir. En yaygın olarak omuzlar ve dizler gibi alanları içeren anahtar noktalarla insan poz 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 bir 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.

Yönlendirilmiş sınırlayıcı kutular ile nesne algılama#

Yönlendirilmiş Sınırlayıcı Kutular Nesne Tespiti (OBB), bir görüntüdeki nesneleri hassas bir şekilde tanımlamak ve konumlandırmak için döndürülmüş dikdörtgenler kullanır. Görüntü eksenleriyle hizalanan standart sınırlayıcı kutuların aksine, OBB'ler nesnenin yönüne uyacak şekilde döner. Bu, onları özellikle tam yatay veya dikey olmayan nesneler için çok yararlı kılar. Kalabalık ortamlarda çakışmaları önlemek için döndürülmüş nesneleri doğru bir şekilde belirlemede ve izole etmede 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 tespiti, yoğun bir şekilde paketlenmiş veya çeşitli açılarda yönlendirilmiş olsalar bile gemilerin hassas bir şekilde konumlandırılması için kullanılabilir. Nakliye hatlarını izlemeye, deniz trafiğini yönetmeye ve liman operasyonlarını optimize etmeye yardımcı olur. Ayrıca kasırgalar veya petrol sızıntıları gibi olaylardan sonra gemilere ve altyapıya verilen zararları hızla tespit edip değerlendirerek afet müdahalesine destek olabilir.

Nesne takibi#

Şimdiye kadar görüntülerle ilgilenen bilgisayarlı görü görevlerini ele aldık. Nesne takibi, bir videonun kareleri boyunca bir nesneyi izleyebilen bir bilgisayarlı görü görevidir. Tespit algoritmalarını kullanarak nesneyi ilk karede tanımlayarak başlar ve ardından video boyunca hareket ederken konumunu sürekli olarak takip eder. Nesne takibi, takibi doğru tutmak için nesne tespiti, özellik çıkarımı ve hareket tahmini gibi teknikleri içerir.

Şekil 7. Balıkları takip etmek için YOLOv8 kullanma.

YOLOv8 gibi görme modelleri deniz biyolojisinde balıkları takip etmek için kullanılabilir. Araştırmacılar su altı kameralarını kullanarak balıkların doğal yaşam alanlarındaki 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 kalıplarını, sosyal davranışları ve çevreyle etkileşimleri anlamasına yardımcı olur. Ayrıca balık dağılımı ve bolluğu hakkında bilgiler sağlayarak sürdürülebilir balıkçılık uygulamalarını destekler.

Bilgisayarlı 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!

Birlikte öğrenelim ve büyüyelim! Yapay zekaya olan katkılarımızı görmek için GitHub deponuzu keşfedin. Yapay zeka ile sürücüsüz arabalar ve tarım gibi sektörleri nasıl yeniden tanımladığımıza göz atın. 🚀