Geleceğin nesne tespiti trendleri: Dikkat etmen gereken 7 önemli nokta

Robotaksiler artık San Francisco sokaklarında dolaşıyor ve insanlar internette cevap aramaktan günlük rutinlerinin bir parçası olarak yapay zeka ile sohbet etmeye geçiş yaptı. Bu değişimler, yapay zekanın (AI) her zamankinden daha hızlı ilerlediğini ve günlük yaşamın bir parçası haline geldiğini açıkça gösteriyor.

Örneğin, inanılmaz bir hızla ilerleyen alanlardan biri bilgisayarlı görü teknolojisidir. Görüntüleme yapay zekası (vision AI) olarak da bilinen bu alan, makinelerin görsel verileri yorumlamasına ve anlamasına yardımcı olmaya odaklanan bir yapay zeka alt dalıdır.

Bilgisayarlı görü, otomatik ödeme kasalarından güç hatlarını denetleyen dronlara kadar her yerde karşımıza çıkıyor. Bu sistemlerin çoğunun merkezinde, makinelerin görüntüler ve videolar içindeki belirli nesneleri tanımasını ve konumlandırmasını sağlayan temel bir bilgisayarlı görü görevi olan nesne tespiti yer alır.

Yapay zeka kullanımı hızlandıkça, hem hızlı hem de hassas nesne tespitine olan talep de artıyor. Ultralytics YOLO11 ve yakında çıkacak olan Ultralytics YOLO26 gibi görüntüleme yapay zekası modelleri bu düşünceyle oluşturuldu ve gerçek zamanlı nesne tespitini her zamankinden daha güvenilir ve erişilebilir hale getirdi.

Şekil 1. Nesne tespiti için YOLO11 kullanımına bir örnek.

Bu hızlı ilerlemeyle birlikte alan hızla evrimleşiyor ve ortaya çıkan birkaç trend, nesne tespitinin gelecek neslinin nasıl görüneceğini şekillendiriyor. Bu makalede, nesne tespitinin geleceğini belirleyen yedi önemli trendi inceleyeceğiz.

Link to this sectionNesne tespitinin nasıl çalıştığını anlamak#

Gelecek nesil nesne tespiti trendlerine dalmadan önce, bir adım geri çekilelim ve nesne tespitinin ne olduğuna, arka planda nasıl çalıştığına ve yıllar içinde nasıl geliştiğine bakalım.

Nesne tespiti, yapay zeka sistemlerinin bir görüntüde ne olduğunu tanımlamasını ve her bir öğenin tam olarak nerede göründüğünü belirlemesini mümkün kılan bilgisayarlı görünün önemli bir parçasıdır. Bunu öğrenmek için modeller, nesneleri çeşitli açılar, aydınlatma, boyutlar ve düzenler gibi birçok farklı koşulda gösteren büyük etiketli veri kümeleriyle eğitilir.

Zamanla model, bir nesneyi diğerinden ayıran desenleri ve görsel ipuçlarını kavrar. Eğitildikten sonra, Ultralytics YOLO gibi görüntüleme yapay zekası modelleri, tüm bir görüntüyü tek geçişte tarayabilir, anında sınırlayıcı kutular çizebilir ve etiketler atayabilir. Bu hız ve doğruluk, nesne tespitini gerçek dünya uygulamalarında etkili kılan şeydir.

Şekil 2. Bir YOLO11 modeli kullanarak röntgen tespiti. (Kaynak)

Link to this sectionNesne tespitinin gerçek dünyadaki bir kullanım örneği#

Örneğin, belge analizi alanında Prezent gibi şirketler, sunum slaytlarını yeniden tasarlama gibi zorlu bir görevi otomatikleştirmek için nesne tespiti kullanıyor. Geleneksel olarak bu süreç, temiz ve tutarlı bir düzeni korumaya çalışırken başlıkları tanımlamayı, metin kutularını yeniden konumlandırmayı, görüntüleri hizalamayı ve grafikleri yeniden oluşturmayı içeren saatlerce süren manuel ayarlamalar gerektiriyordu.

Her slaytı bir görüntüye dönüştürerek, Ultralytics YOLO modelleri orijinal yapıyı korurken başlıkları, metin kutularını, görüntüleri ve grafikleri tespit edebilir. Bu, sisteme her bir öğenin nasıl düzenlendiğine dair doğru bir anlayış sağlar. Bu bilgiyle, bir zamanlar yavaş ve sıkıcı olan tüm yeniden tasarım süreci artık saniyeler içinde otomatikleştirilebilir.

Link to this sectionBilgisayarlı görüde nesne tespitinin evrimi#

İşte nesne tespitinin yıllar içinde nasıl geliştiğine dair kısa bir bakış:

• İlk günler (1960'lar–1970'ler): Nesne tespitindeki ilk metodolojiler geleneksel görüntü işlemeden geliyordu ve genellikle şablon eşleştirmeye dayanıyordu. Bu yaklaşımda bilgisayarlar, benzerlikleri aramak için bir görüntünün parçalarını (piksel) önceden tanımlanmış referans desenler veya şablonlarla karşılaştırırdı. Bu şablonlar sabit olduğundan ve değişikliklere uyum sağlayamadığından, yöntem yalnızca ideal koşullar altında çalışıyordu. Aydınlatma, ölçek, döndürme veya nesne görünümündeki küçük farklılıklar bile başarısız olmasına neden oluyordu.

• Özellik tabanlı tespit (1990'lar–2000'ler): Araştırmacılar daha sonra, insanların kenarlar, köşeler, şekiller veya parlaklıktaki değişimler gibi bir bilgisayarın araması gereken görsel ipuçlarını manuel olarak tanımladığı el yapımı özellikler ve özellik çıkarımı fikrine yöneldiler. Haar Cascades (yüz tespiti için yaygın olarak kullanılan, basit görsel desenleri tarayan bir yöntem) ve HOG (bir görüntüdeki kenarların ve ana hatların yönünü yakalayan bir teknik) gibi teknikler, genellikle SVM sınıflandırıcıları (nesneleri kategorilere ayıran bir makine öğrenimi modeli) ile eşleştirildiğinde nesne tanımanın daha doğru ve hızlı olmasını sağladı. Bu iyileştirmelere rağmen sistemler, gerçek zamanlı kullanım için yeterince hızlı çalışmakta zorlanıyordu.

• Derin öğrenme modeli devrimi (2010'lar): Görüntüleri her seferinde küçük bölgeler halinde tarayarak görsel desenleri öğrenmek üzere tasarlanmış modeller olan derin öğrenme ve evrişimli sinir ağları (CNN'ler), nesne tespitini yeniden tanımladı. R-CNN, Fast R-CNN ve Faster R-CNN gibi modeller, görsel desenleri doğrudan büyük veri yığınlarından öğrendi. Bu, yüksek doğruluklu çıktılar sağladı, ancak bu modeller yine de gecikme sorunlarıyla karşılaştı.

• YOLO ile gerçek zamanlı tespit (2010'ların ortası): YOLO (You Only Look Once), ağ üzerinden tek bir geçişte tüm sınırlayıcı kutuları ve sınıf etiketlerini tahmin ederek nesne tespitinde büyük bir atılım gerçekleştirdi. Bu birleşik yaklaşım, tespit hızını önemli ölçüde artırdı ve gerçek zamanlı uygulamaların önünü açtı. Aynı dönemlerde SSD (Single Shot Detector) gibi diğer tek aşamalı modeller de bölge önerme adımlarını kaldırarak performansı artırdı ve nesne tespitini daha hızlı ve verimli hale getirdi.

• Yakın tarihli gelişmeler (2020'ler): Model tasarımı ve optimizasyonundaki büyük iyileştirmeler sayesinde 2020'ler, daha hızlı ve daha doğru, son teknoloji nesne tespiti sistemleri ve çerçeveleri getirdi. Ultralytics YOLO11, işlem hızını, doğruluğu ve genel gerçek zamanlı performansı artıran mimari yükseltmeler getirdi. Bu ivmeyi temel alan, yakında çıkacak olan YOLO26, daha da verimli ve hafif bir tasarıma sahip ve bu da onu çok çeşitli pratik uygulamalar için çok uygun hale getiriyor.

Link to this sectionGeleceği şekillendiren 7 nesne tespiti trendi#

Sırada, bilgisayarlı görü alanında ilgi çeken ve ses getiren yedi gelişmekte olan nesne tespiti trendini keşfedelim.

Link to this sectionUç bilişim ile daha akıllı nesne tespiti görevleri#

Geleneksel manuel kontroller üretim hatlarını yavaşlatabilir ve gözden kaçan kusurlara yer bırakabilir. Bunu yönetmek için birçok şirket, nesne tespiti ile desteklenen yapay zeka odaklı kalite kontrol sistemlerine yöneliyor.

Hatta araştırmalar, yapay zeka tabanlı görsel denetimin, manuel denetime kıyasla üretkenliği %50'ye kadar artırabildiğini ve kusur tespit oranlarını %90'a kadar yükseltebildiğini gösteriyor. İlginç bir şekilde, bu alanda ve diğer görüntüleme yapay zekası uygulamalarında dalgalanma yaratan yeni trend, bu analizin artık uç bilişim aracılığıyla doğrudan cihazların kendisinde gerçekleşiyor olmasıdır.

Uç bilişim ile zeka, verinin toplandığı yere yaklaşıyor. Kameralar ve sensörler, nesne tespiti modellerini yerinde çalıştırabilir, bulut işleme güvenmeksizin nesneleri anında tanımlayabilir ve konumlarını belirleyebilir. Bu, kareleri gerçek zamanlı olarak analiz etmelerini sağlar.

Ayrıca ağ gecikmelerini azaltır, bant genişliği kullanımını düşürür ve internet bağlantısı kararsız olsa veya olmasa bile sistemlerin çalışmaya devam etmesini sağlar. Üretim gibi hızlı tempolu ortamlar için cihaz üzerinde işlemeye yönelik bu geçiş, daha hızlı yanıtlar, daha sorunsuz operasyonlar ve çok daha güvenilir sonuçlar sağlar.

Link to this sectionSağlık hizmetlerinde görüntüleme destekli teşhis#

Doktorlar genellikle hiçbir şeyin gözden kaçmadığından emin olmak için tıbbi görüntüleri inceleyerek çok zaman harcarlar. Günümüzde birçok hastane, işleri hızlandırmaya yardımcı olmak için en son nesne tespiti teknolojisini keşfetmeye başlıyor. Bu, görüntüleme yapay zekasının erken tespit, daha hızlı teşhis ve daha tutarlı görüntü analizini desteklemek için giderek daha fazla kullanıldığı sağlık hizmetlerindeki daha geniş bir trendi yansıtıyor.

Nesne tespiti, dikkat gerektiren alanları hızla vurgulamak, karar vermeyi geliştirmek ve hasta sonuçlarını iyileştirmek için kullanılabilir. Örneğin, YOLO11 gibi modeller doktorların MR taramalarındaki beyin tümörlerini fark etmelerine yardımcı olabilir.

Şekil 3. YOLO11 yardımıyla MR taramalarında beyin tümörlerini tespit etme ve lokalize etme. (Kaynak)

YOLO11, MR taramalarındaki ince desenleri tanıyabildiği için, küçük veya erken evre tümörleri daha yüksek doğrulukla tanımlamaya yardımcı olabilir. Doktorlar nihai teşhisi koysa da, YOLO11 gibi araçlar potansiyel endişeleri daha erken ortaya çıkararak incelemelerini kolaylaştırabilir ve önemli hiçbir şeyin gözden kaçırılmadığından emin olunmasına yardımcı olabilir.

Link to this sectionOtonom araçlar ve daha güvenli hareketlilik için gerçek zamanlı görüş#

Yoğun şehir sokaklarında, sürücüsüz arabalar çevrelerini sürekli olarak izlemek için kameralara ve sensörlere güvenir. Bu sistemler yayaları, araçları, şeritleri ve trafik işaretlerini gerçek zamanlı olarak tespit eder. Bilgisayarlı görü ve nesne tespiti algoritmalarının yardımıyla, otonom bir araç çevresinde neler olduğunu yorumlayabilir ve daha güvenli otonom sürüş kararları alabilir.

In regions with diverse traffic patterns and a mix of vehicles, these systems encounter added complexity. For instance, a recent study evaluated Ultralytics YOLOv8 models on traffic data collected from Hyderabad and Bangalore, where a variety of vehicles, such as cars, buses, motorcycles, bicycles, and auto-rickshaws, share the road in dynamic and often unpredictable ways.

Sonuçlar, YOLOv8'in bu zorlu senaryolarda güçlü bir performans sergilediğini, yoğun ve yapılandırılmamış trafik koşullarında bile çok çeşitli nesneleri doğru bir şekilde tespit ettiğini gösterdi. Bu, otonom hareketlilikte büyüyen bir trendin altını çiziyor: görüntüleme yapay zekası modelleri, bir zamanlar otomatik sistemler için büyük zorluklar oluşturan karmaşık, gerçek dünya ortamlarını ele alma konusunda giderek daha yetenekli hale geliyor.

Link to this sectionBilgisayarlı görü kullanan akıllı otomasyon ve robotik#

Küçük nesneleri tutmak, tespit edilen nesneleri ve malzemeleri ayıklamak veya karmaşık alanlarda gezinmek robotlar için her zaman zor olmuştur. Bu görevler hızlı adaptasyon ve hassas hareket gerektirir, geleneksel otomasyon sistemlerinin öngörülemeyen ortamlarda genellikle zorlandığı bir şeydir.

Robotikte büyüyen bir trend, robotlara çevrelerini gerçek zamanlı olarak algılama ve yanıt verme yeteneği kazandırmak için görüntüleme yapay zekasının kullanılmasıdır. Bu değişimi keşfetmek için bir grup araştırmacı kısa süre önce kapalı alanlarda hareket ederken nesneleri tanıyabilen ve sıralayabilen bir ev robotu geliştirdi.

Nesne tespiti için YOLO11 modellerini, bir derinlik kamerası ve esnek bir tutucu ile birlikte kullanan robot, farklı şekil ve boyutlardaki öğeleri tanımlayabildi ve bunları kendi başına doğru konumlara yerleştirebildi. Bu deney, bilgisayarlı görü ile robotik sistemleri birleştirmenin uzamsal farkındalığı ve yanıt verebilirliği nasıl geliştirebileceğini gösteriyor.

Şekil 4. Akıllı karar verme için YOLO11 ve derinlik algılama kullanan bir robot. (Kaynak)

Ayrıca, en son yapay zeka tekniklerinin, robotların zamanla görsel desenlerden öğrenerek alışılmadık ortamlara uyum sağlamasına nasıl yardımcı olduğunu gösteriyor. Bu gelişmelerle robotlar, ev yardımından depo lojistiğine ve sağlık desteğine kadar günlük görevlerde daha yetenekli ve daha entegre hale geliyor.

Link to this sectionProaktif gözetim ve güvenlik sistemleri#

Akıllı gözetim sistemleri, olağandışı veya güvenli olmayan aktiviteleri tespit etmek için yapay zekayı hızla benimsiyor. Nesne tespiti modelleriyle kameralar, potansiyel sorunları gerçek zamanlı olarak tanıyabilir ve güvenlik ekiplerini hemen uyarabilir, bu da hem önleme hem de yanıt vermeyi iyileştirmeye yardımcı olur.

Örneğin, güvenlik nedeniyle akıllı telefon kullanımının kısıtlandığı üretim tesislerinde, yapay zeka sistemleri telefonları göründükleri anda otomatik olarak tespit edebilir ve YOLO ve diğer görüntüleme modellerini kullanarak hareketlerini takip edebilir. Bu, görüntüleme yapay zekasının ortamları daha proaktif bir şekilde izlemek ve potansiyel risklere daha hızlı yanıt vermek için kullanıldığı güvenlikteki daha geniş bir trendi yansıtıyor.

Tespitin ötesinde, bu sistemler daha eksiksiz bir güvenlik çözümü oluşturmak için giderek daha fazla diğer teknolojilerle birleştiriliyor. Uç cihazlar, görüntülerin yerel olarak işlenmesine olanak tanıyarak gecikmeleri azaltır ve performansı güvenilir tutar; erişim kontrol sistemleri veya yüz tanıma gibi araçlar ise ek bir doğrulama katmanı ekleyebilir. Bu teknolojiler birlikte, gerçek dünya durumlarına hızlı ve etkili bir şekilde yanıt verebilen daha akıllı, daha bağlantılı gözetim ağları oluşturmak için çalışır.

Link to this sectionGünlük yaşamda artırılmış gerçeklik ve nesne tespiti#

Yoğun depolarda ve büyük perakende alanlarında çalışanlar genellikle aynı anda birçok görevi yönetmek zorundadır. Artırılmış gerçeklik, dijital rehberliği doğrudan gerçek dünyaya yerleştirerek yardımcı olur. Nesne tespiti ile eşleştirildiğinde AR sistemleri öğeleri tanımlayabilir, nerede olduklarını takip edebilir ve yararlı bilgileri gerçek zamanlı olarak görüntüleyebilir. Bu, günlük görevleri kullanıcılar için daha kolay, daha hızlı ve daha sezgisel hale getirir.

Bu alanda büyüyen bir trend, görüntüleme yapay zekasının günlük cihazları çevrelerini anlayabilen akıllı asistanlara dönüştürmek için kullanılmasıdır. AR ve nesne tespiti birleşmeye devam ettikçe, iş yerleri eller serbest rehberliği ve daha verimli iş akışlarını destekleyen sürükleyici araçları benimsemeye başlıyor.

Buna iyi bir örnek, şu anda geliştirilmekte olan ve test edilen Amazon'un yapay zeka destekli AR gözlükleri dir. Bu gözlükler, paketleri tanımak, çalışanları doğru rotada yönlendirmek ve teslimat kanıtını kaydetmek için nesne tespiti ve görüntü sınıflandırmayı kullanır. Bu, çalışanların gün boyunca odaklanmış ve verimli kalmalarına yardımcı olan daha güvenli ve eller serbest bir deneyim yaratır.

Link to this sectionGerçek zamanlı görüş sistemleri için IoT tabanlı akıllı cihazlar#

Akıllı cihazlar, çevrelerini görebilen, anlayabilen ve tepki verebilen akıllı sistemler haline geldi. Nesnelerin İnterneti (IoT), kameraları, sensörleri, makineleri ve akıllı uygulamaları verileri toplayan ve gerçek zamanlı işleme gerçekleştiren ağlara bağlayarak bu değişimi tetikler.

IoT, nesne tespiti ve uç bilişimle birlikte çalıştığında cihazlar görsel bilgileri yorumlayabilir, anormallikleri tespit edebilir ve insan müdahalesi olmadan anında yanıt verebilir. Bu, akıllı evlere, endüstrilere ve tüm şehirlere güç veren uyarlanabilir ve verimli sistemler yaratır.

Örneğin, yakın tarihli bir çalışma, IoT tabanlı bir yaban hayatı koruma sisteminin, tarım arazilerine yaklaşan hayvanları tespit etmek için YOLOv8'i nasıl kullandığını gösterdi. Tespit edildikten sonra sistem, ışıklar veya sesler gibi hafif caydırıcı unsurları tetiklemek için yapay zeka destekli karar mekanizmasını kullanarak hayvanları güvenli bir şekilde uzaklaştırır. Bu, yerel yaban hayatıyla barış içinde bir arada yaşamayı desteklerken mahsul hasarını önlemeye yardımcı olur ve IoT ile bilgisayarlı görünün tarımı nasıl daha sürdürülebilir hale getirebileceğini gösterir.

Link to this sectionDiğer ilginç görüntüleme yapay zekası trendleri#

Bu yedi nesne tespiti trendi dışında, işte görüntüleme yapay zekasının geleceğini şekillendiren birkaç dikkate değer gelişme:

• Öz denetimli öğrenme üzerine araştırmalar: Derin öğrenme tabanlı yeni yöntemler, modellerin büyük etiketlenmemiş görüntü kümelerinden yararlı görsel özellikler öğrenmesine olanak tanıyor ve nesne tespiti sistemlerinin manuel etiketlemeye büyük ölçüde güvenmeden gelişmesine yardımcı oluyor.
• Transformer tabanlı nesne tespitinin yükselişi: Transformer'lar, görüntüler içindeki uzun menzilli ilişkileri yakaladıkları için giderek daha yaygın hale geliyor, bu da modellere daha iyi bağlamsal anlayış sağlıyor ve tespit doğruluğunu artırıyor.
• Daha zengin 3B algılama için Işık Tespiti ve Mesafe Ölçümü (LiDAR) entegrasyonu: LiDAR'ı kamera tabanlı nesne tespiti ile birleştirmek, hassas derinlik bilgisi sağlayarak navigasyon, robotik ve otonom sürüş gibi uygulamalar için 3B algılamayı güçlendirir.

Link to this sectionÖne çıkanlar#

Nesne tespiti, temel görüntü tanımanın çok ötesine geçti ve artık gerçek zamanlı kararlar alabilen akıllı sistemlere güç sağlamak için kullanılıyor. İleriye bakıldığında, gelecek nesil modeller muhtemelen daha da yüksek doğruluk ve daha derin bir bağlam anlayışına ulaşacak, bu da görüntüleme yapay zekasının endüstriler genelinde daha da güvenilir ve çok yönlü hale gelmesini sağlayacak. Bu teknolojiler ilerlemeye devam ettikçe, daha akıllı, daha uyarlanabilir bilgisayarlı görü sistemlerinin yeni bir neslini şekillendirecekler.

Daha fazla bilgi edinmek ister misin? Topluluğumuza katıl ve yapay zeka alanındaki başkalarıyla bağlantı kurmak için GitHub deposunu keşfet. Robotikte yapay zeka ve tarım için bilgisayarlı görü hakkındaki çözüm sayfalarımızı ziyaret et ve görüntüleme yapay zekası ile çalışmaya başlamak için lisanslama seçeneklerimizi incele.