Üretken yapay zekâ, bilgisayarlı görünün geleceğini değiştiriyor

Üretken AI, mevcut verilerdeki örüntüleri öğrenerek görüntü, metin veya ses gibi yeni içerikler oluşturan bir yapay zekâ (AI) dalıdır. Son dönemdeki gelişmeler sayesinde artık çoğu zaman insan yaratıcılığını taklit eden son derece gerçekçi içerikler üretebiliyor.

Ancak üretken AI'nın etkisi yalnızca içerik oluşturmaktan ibaret değil. Ultralytics YOLO modelleri gibi gerçek zamanlı bilgisayarlı görü modelleri gelişmeye devam ederken üretken AI, görsel verilerin işlenme ve artırılma biçimini de yeniden tanımlayarak gerçek dünyadaki yenilikçi uygulamaların önünü açıyor.

Bu yeni teknolojik dönüşüm, Ultralytics'in her yıl düzenlediği hibrit etkinlik YOLO Vision 2024'te (YV24) ilgi çekici bir sohbet konusuydu. YV24'te AI meraklıları ve sektör liderleri bir araya gelerek bilgisayarlı görü alanındaki en son çığır açan gelişmeleri tartıştı. Etkinlikte yenilik, verimlilik ve gerçek zamanlı AI çözümlerinin geleceği ele alındı.

Etkinliğin öne çıkan başlıklarından biri, Üretken AI Çağında YOLO başlıklı panel sohbetiydi. Panele Ultralytics'in Kurucusu ve CEO'su Glenn Jocher, Ultralytics'te Kıdemli Makine Öğrenimi Mühendisi Jing Qiu ve Tsinghua Üniversitesi'nden Ao Wang katıldı. Üretken AI'nın bilgisayarlı görü üzerindeki etkisini ve kullanışlı AI modelleri oluşturmanın zorluklarını ele aldılar.

Bu makalede, tartışmalarından öne çıkan fikirleri yeniden ele alacak ve üretken AI'nın Görüntü Tabanlı AI'yı nasıl dönüştürdüğüne daha yakından bakacağız.

Ultralytics YOLO modellerinin geliştirilmesi#

Glenn Jocher'ın yanı sıra birçok yetenekli mühendis, Ultralytics YOLO modellerinin geliştirilmesinde önemli rol oynadı. Bunlardan biri olan Jing Qiu, YOLO ile beklenmedik biçimde tanışmasını anlattı. AI'ya ilgisinin üniversite yıllarında başladığını söyledi. Alanı araştırmak ve öğrenmek için epey zaman harcadı. Jing Qiu, GitHub'da Glenn Jocher ile nasıl bağlantı kurduğunu ve çeşitli AI projelerinde yer almaya nasıl başladığını anlattı.

Jing Qiu'nun sözlerine ek olarak Glenn Jocher, GitHub'ı şöyle tanımladı: "İnsanların birbirini hiç tanımadan bir araya gelip birbirlerine yardım ettiği ve birbirlerinin çalışmalarına katkıda bulunduğu, paylaşım için inanılmaz bir yol. Harika bir topluluk ve AI'ya başlamak için gerçekten harika bir yol."

Şekil 1. YV24'te sahnede konuşan Glenn Jocher ve Jing Qiu.

Jing Qiu'nun AI'ya olan ilgisi ve Ultralytics YOLOv5 üzerindeki çalışmaları, modelin iyileştirilmesine katkı sağladı. Daha sonra, ek iyileştirmeler sunan Ultralytics YOLOv8 modelinin geliştirilmesinde önemli rol oynadı. Bu süreci inanılmaz bir yolculuk olarak tanımladı. Jing Qiu bugün de Ultralytics YOLO11 gibi modelleri geliştirmeye ve onlar üzerinde çalışmaya devam ediyor.

YOLOv10: Gerçek dünya performansı için optimize edildi#

Çin'den panele uzaktan katılan Ao Wang, kendisini doktora öğrencisi olarak tanıttı. Başlangıçta yazılım mühendisliği okudu, ancak AI'ya olan ilgisi onu bilgisayarlı görü ve derin öğrenme alanlarına yöneltti.

Ünlü YOLO modeliyle ilk kez çeşitli AI tekniklerini ve modellerini denerken karşılaştı. Hızı ve doğruluğu onu etkiledi ve bu da nesne algılama gibi bilgisayarlı görü görevlerini daha derinlemesine incelemesi için ona ilham verdi. Ao Wang yakın zamanda YOLO modelinin yeni sürümlerinden YOLOv10'a katkıda bulundu. Araştırması, modeli daha hızlı ve daha doğru hâle getirmek için optimize etmeye odaklandı.

Üretken AI ile Görüntü Tabanlı AI arasındaki temel fark#

Ardından panelde üretken AI tartışılmaya başlandı ve Jing Qiu, üretken AI ile Görüntü Tabanlı AI'nın amaçlarının birbirinden çok farklı olduğuna dikkat çekti. Üretken AI metin, görsel ve video gibi içerikler oluştururken Görüntü Tabanlı AI, hâlihazırda var olanları, özellikle de görselleri analiz eder.

Glenn Jocher, boyutun da önemli bir fark olduğunu vurguladı. Üretken AI modelleri çok büyüktür ve çoğu zaman modelin verilerden öğrenmesine yardımcı olan iç ayarlar, yani milyarlarca parametre içerir. Bilgisayarlı görü modelleri ise çok daha küçüktür. Şöyle dedi: “Sahip olduğumuz en küçük YOLO modeli, en küçük LLM'den [Büyük Dil Modeli] yaklaşık bin kat daha küçük. Yani üç milyar parametreye karşılık üç milyon parametre.”

Şekil 2. YV24'te üretken AI ve Görüntü Tabanlı AI üzerine panel tartışması.

Jing Qiu, üretken AI ile bilgisayarlı görü için eğitim ve dağıtım süreçlerinin de çok farklı olduğunu ekledi. Üretken AI'nın çalışması için büyük ve güçlü sunucular gerekir. Öte yandan YOLO gibi modeller verimlilik için tasarlanmıştır ve standart donanımlarda eğitilip dağıtılabilir. Bu özellik, Ultralytics YOLO modellerini gerçek dünyada kullanıma daha uygun hâle getirir.

Farklı olsalar da bu iki alan iç içe geçmeye başlıyor. Glenn Jocher, üretken AI'nın Görüntü Tabanlı AI'ya yeni gelişmeler kazandırarak modelleri daha akıllı ve verimli hâle getirdiğini açıkladı.

Üretken AI'nın bilgisayarlı görü üzerindeki etkisi#

Üretken AI hızla ilerledi ve bu atılımlar, bilgisayarlı görü de dâhil olmak üzere yapay zekânın birçok başka alanını etkiliyor. Şimdi panelde bu konuyla ilgili paylaşılan ilgi çekici fikirlerden bazılarına bakalım.

Donanım gelişmeleri AI yeniliklerinin önünü açıyor#

Panelin başlarında Glenn Jocher, makine öğrenimi fikirlerinin uzun zamandır var olduğunu ancak bilgisayarların bunları çalıştıracak kadar güçlü olmadığını açıkladı. AI fikirlerini gerçeğe dönüştürmek için daha güçlü donanımlar gerekiyordu.

Son 20 yılda paralel işleme yeteneklerine sahip GPU'ların (Grafik İşlem Birimleri) yükselişi her şeyi değiştirdi. Bu birimler, AI modellerinin çok daha hızlı ve verimli eğitilmesini sağladı ve derin öğrenmenin hızla gelişmesinin önünü açtı.

Günümüzde TPU'lar (Tensör İşlem Birimleri) gibi AI çipleri ve optimize edilmiş GPU'lar, daha büyük ve karmaşık modelleri işlerken daha az güç kullanıyor. Bu gelişme, AI'yı daha erişilebilir ve gerçek dünya uygulamalarında daha kullanışlı hâle getirdi.

Her yeni donanım iyileştirmesiyle hem üretken AI hem de bilgisayarlı görü uygulamaları daha güçlü hâle geliyor. Bu gelişmeler, gerçek zamanlı AI'yı hızlandırıyor, daha verimli kılıyor ve daha fazla sektörde kullanıma hazır hâle getiriyor.

Üretken AI nesne algılama modellerini nasıl şekillendiriyor#

Üretken AI'nın bilgisayarlı görü üzerindeki etkisi sorulduğunda Jing Qiu, AI'nın bir görselin en önemli bölümlerine odaklanmasına yardımcı olan modeller, yani transformer'ların AI'nın görselleri anlama ve işleme biçimini değiştirdiğini söyledi. İlk büyük adım, bu yeni yaklaşımı nesne algılama için kullanan DETR (Detection Transformer) oldu. Doğruluğu artırdı, ancak bazı durumlarda yavaşlamasına neden olan performans sorunları vardı.

Bu sorunu çözmek için araştırmacılar RT-DETR gibi hibrit modeller geliştirdi. Bu modeller, hız ve doğruluğu dengelemek için Evrişimli Sinir Ağlarını (CNN'ler; görüntülerden özellikleri otomatik olarak öğrenip çıkaran derin öğrenme modelleri) ve Transformer'ları bir araya getirir. Bu yaklaşım, Transformer'ların avantajlarından yararlanırken nesne algılamayı hızlandırır.

İlginç bir şekilde YOLOv10, performansını artırmak için Transformer tabanlı dikkat katmanları (görüntüdeki en önemli alanları öne çıkarıp daha az ilgili ayrıntıları göz ardı eden bir spot ışığı gibi işlev gören model bileşenleri) kullanıyor.

Ao Wang, üretken AI'nın modellerin eğitim biçimini nasıl değiştirdiğinden de söz etti. Maskeli görsel modelleme gibi teknikler, AI'nın görsellerden daha verimli öğrenmesine yardımcı olarak elle etiketlenmiş büyük veri kümelerine duyulan ihtiyacı azaltıyor. Böylece bilgisayarlı görü eğitimi hızlanıyor ve daha az kaynak gerektiriyor.

Üretken AI ve Görüntü Tabanlı AI'nın geleceği#

Panelde ele alınan bir diğer önemli fikir, daha yetenekli modeller oluşturmak için üretken AI ve Görüntü Tabanlı AI'nın nasıl bir araya gelebileceğiydi. Glenn Jocher, bu iki yaklaşımın farklı güçlü yönleri olsa da birlikte kullanılmalarının yeni olanaklar sunabileceğini açıkladı.

Örneğin YOLO gibi Görsel AI modelleri, nesneleri tanımlamak için çoğu zaman görüntüyü ızgaralara böler. Bu ızgara tabanlı yöntem, dil modellerinin hem ayrıntıları belirleme hem de açıklama becerisini geliştirmesine yardımcı olabilir; bu, birçok dil modelinin bugün karşılaştığı bir zorluktur. Özetle, bu teknikleri bir araya getirmek gördüklerini doğru biçimde algılayıp açıkça anlatabilen sistemlerin geliştirilmesini sağlayabilir. Bazı görsel dil modelleri her iki görevi de şimdiden yerine getirebiliyor ve VLM Liderlik Tablosu bu modellerin nesneleri ne kadar iyi algıladığını izliyor.

Şekil 3. Üretken AI ve Görüntü Tabanlı AI'nın geleceği. Görselin sahibi: yazar.

Önemli çıkarımlar#

Üretken AI ile bilgisayarlı görü birlikte gelişiyor. Üretken AI görüntü ve videolar oluştururken, Görsel AI modellerinin doğruluğunu ve verimliliğini artırabilecek yeni fikirler sunarak görüntü ve video analizini de geliştiriyor.

Glenn Jocher, Jing Qiu ve Ao Wang, YV24 panel konuşmasında bu teknolojilerin geleceği nasıl şekillendirdiğine dair görüşlerini paylaştı. AI donanımları geliştikçe üretken AI ve Görsel AI gelişmeye devam edecek ve daha da büyük yeniliklere yol açacak. Bu iki alan, günlük yaşamda kullanılabilecek daha akıllı, daha hızlı ve daha yararlı AI geliştirmek için birlikte çalışıyor.

Vision AI hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu keşfet. Bilgisayarlı görü projelerine başlamak için lisans seçeneklerimize göz at. Üretimde yapay zekâ veya otonom araçlarda bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret et.