Görüntü sınıflandırma için Ultralytics YOLO11 nasıl kullanılır

Let’s say a robot is looking at two cats, one black and one white, and it needs to figure out which is which. To do so, it can use image classification, a computer vision task that helps identify and categorize objects or scenes in an image. In fact, thanks to recent advancements in artificial intelligence (AI), image classification can be used in a wide variety of applications ranging from animal monitoring to manufacturing and agriculture with crop disease detection.

One of the latest advancements in image classification is the Ultralytics YOLO11 model. Launched at Ultralytics' annual hybrid event, YOLO Vision 2024 (YV24), YOLO11 is designed to tackle a wide variety of vision AI tasks, including image classification, with ease and precision.

In this article, we’ll explore the fundamentals of image classification, discuss real-world applications, and show you how you can use YOLO11 for image classification through the Ultralytics Python package. We’ll also take a look at how you can try out YOLO11’s capabilities on the Ultralytics HUB in a few easy steps. Let’s get started!

Şekil 1. Bir İran kedisini sınıflandırmak için Ultralytics YOLO11 kullanımına bir örnek.

Link to this sectionGörüntü sınıflandırma nedir?#

Görüntü sınıflandırma, daha önce etiketlenmiş görüntülerden öğrenilen kalıplara dayanarak bir görüntüye bir etiket veya etiket atayarak çalışır. Bir görüntünün piksellerini dikkatlice analiz ederek, bir bilgisayarlı görü modeli görüntü için en iyi eşleşmeyi bulabilir. YOLO11 gibi güvenilir modeller bu süreci sorunsuz bir şekilde yürütebilir. YOLO11'in model mimarisi, görüntüleri veya video karelerini neredeyse anında işlemeyi mümkün kılar ve bu da onu hızlı, doğru görüntü sınıflandırmasına ihtiyaç duyan uygulamalar için ideal hale getirir.

Görüntü sınıflandırmanın kapsamını gerçekten anlamak için onu nesne tespiti gibi diğer görevlerden ayırmak faydalıdır. Görüntü sınıflandırma tüm bir görüntüyü etiketlerken, nesne tespiti görüntü içindeki her bir nesneyi tanımlar ve konumlandırır.

Şekil 2. Görüntü sınıflandırma, nesne tespiti ve görüntü segmentasyonunun karşılaştırması.

Bir zürafa görüntüsünü ele alalım. Görüntü sınıflandırmada, model görüntünün genel içeriğine dayanarak tüm görüntüyü basitçe zürafa olarak etiketleyebilir. Ancak nesne tespiti ile model zürafayı tanımlamakla kalmaz; aynı zamanda zürafanın etrafına bir sınırlayıcı kutu (bounding box) yerleştirerek görüntü içindeki tam yerini belirler.

Şimdi zürafanın bir savanada ağacın yanında diğer hayvanlarla birlikte durduğunu hayal et. Bir görüntü sınıflandırma modeli tüm sahneyi savana veya sadece vahşi yaşam olarak etiketleyebilir. Ancak nesne tespiti ile model her bir öğeyi ayrı ayrı tanımlar; zürafayı, ağacı ve diğer hayvanları her biri kendi sınırlayıcı kutularıyla tanır.

Link to this sectionYOLO11 görüntü sınıflandırma uygulamaları#

Ultralytics YOLO11 modelinin görüntü sınıflandırmadaki doğruluğu ve performansı, onu çok çeşitli endüstrilerde kullanışlı hale getirir. Şimdi YOLO11'in görüntü sınıflandırmadaki temel uygulamalarından bazılarını keşfedelim.

Link to this sectionTarımda YOLO11 görüntü sınıflandırma#

Görüntü sınıflandırma, tarım ve çiftçilik endüstrisindeki birçok işlevi kolaylaştırmaya yardımcı olabilir. Özellikle YOLO11 gibi görüntü sınıflandırma modellerini kullanarak çiftçiler ürünlerinin sağlığını sürekli izleyebilir, ciddi hastalıkları tespit edebilir ve haşere istilalarını yüksek doğrulukla tanımlayabilir.

İşte bunun nasıl çalıştığına bir bakış:

• Image capture: Internet of Things (IoT) devices like cameras and drones can be deployed to capture real-time images of crops from various angles and locations across the fields.
• İşleme: Mevcut kaynaklara ve bağlantıya bağlı olarak görüntüler, uç bilişim aracılığıyla yerinde işlenebilir veya daha yoğun analiz için buluta yüklenebilir.
• YOLO11 ile görüntü sınıflandırma: YOLO11 modeli, çeşitli ürün koşullarını sınıflandırmak için bu görüntüleri analiz edebilir. Yaygın sınıflar; sağlıklı, hastalıklı, haşere istilasına uğramış veya besin eksikliği olan şeklinde olabilir ve tarlanın farklı alanlarını etkileyen belirli sorunların belirlenmesine yardımcı olur.
• İçgörü oluşturma: Sınıflandırmalara dayanarak YOLO11, ürün sağlığı göstergeleri hakkında içgörüler sunarak çiftçilerin erken hastalık belirtilerini tespit etmesine, haşere merkezlerini belirlemesine veya besin eksikliklerini fark etmesine yardımcı olur.
• Bilgiye dayalı karar verme: Bu içgörülerle çiftçiler sulama, gübreleme ve haşere kontrolü konusunda hedefli kararlar alabilir, kaynakları yalnızca en çok ihtiyaç duyulan yere uygulayabilirler.

Şekil 3. Sağlıklıdan enfekte olana kadar farklı yaprak sınıflarına bir örnek.

Link to this sectionPerakendede YOLO11 görüntü sınıflandırma#

Görüntü sınıflandırma, perakende alışveriş deneyimini önemli ölçüde iyileştirerek daha kişiselleştirilmiş ve kullanıcı dostu hale getirebilir. Perakendeciler, envanterlerindeki ürünleri tanımak ve bu yeteneği mobil uygulamalarına veya web sitelerine entegre etmek için özel olarak eğitilmiş bilgisayarlı görü modellerini kullanabilirler. Müşteriler daha sonra sadece bir fotoğraf yükleyerek ürün arayabilir, bu da alışverişi daha hızlı ve daha rahat hale getirir.

Bir müşteri görsel arama sistemine bir görüntü yüklediğinde, arama sonuçları gösterilmeden önce arka planda birkaç şey olur.

İlk olarak, nesne tespiti görüntüdeki ana öğeleri seçmek, örneğin bir giysi parçasını veya bir mobilya parçasını tanımlayıp arka plandan ayırmak için kullanılabilir. Ardından, görüntü sınıflandırma; bir ceket, gömlek, kanepe veya masa olup olmadığını tanıyarak her öğeyi daha fazla kategorize etmek için kullanılabilir.

Bu bilgilerle sistem, satın alınabilecek benzer ürünleri ortaya çıkarabilir ki bu, özellikle sadece kelimelerle tarif edilmesi zor olan benzersiz veya modaya uygun öğeleri bulmak için yararlıdır. Aynı teknoloji, envanter yönetimi gibi diğer perakende görevlerini de öğeleri otomatik olarak tanıyıp kategorize ederek kolaylaştırmaya yardımcı olabilir.

Şekil 4. İş başında görüntü sınıflandırma tabanlı bir görsel arama platformu.

Link to this sectionYOLO11 görüntü sınıflandırma ile vahşi yaşam izleme#

Traditionally, monitoring animals in the wild is a tedious task involving many people manually sorting and analyzing thousands of photos. With computer vision modes like YOLO11, researchers can automatically monitor animals at a faster rate. Cameras can be placed in natural habitats to take photos. The vision AI model can then be used to analyze these photos and classify the animals within them (if any). Such a system can help researchers study and track animal populations, their migration patterns, etc.

Yapay zeka ve YOLO11 gibi bilgisayarlı görü modellerinin bu alanda yardımcı olabileceği bir diğer yol, nesli tükenmekte olan türleri sınıflandırma sürecini kolaylaştırmaktır. Bir hayvanın ait olabileceği potansiyel tür veya ırk kategorilerini tanımlayarak, bu modeller araştırmacılar için temel veriler sağlayabilir. Örneğin, Tazmanya Üniversitesi (UTAS) farklı Tazmanya vahşi yaşamını izlemek için görüntü sınıflandırma tabanlı bir sistem geliştirdi. Modellerden gelen tahminler, bilim insanlarının ve araştırmacıların, kaçak avcılık veya habitat kaybı gibi tehditlerin sinyali olabilecek hayvan aktivitesini ve davranışını takip etmelerine yardımcı olabilir.

Şekil 5. YOLO11, bir köpeğin ait olabileceği olası ırkları tahmin ediyor.

Link to this sectionYOLO11 modeli ile görüntü sınıflandırmayı denemek#

Artık görüntü sınıflandırmanın ne olduğunu tartıştığımıza ve uygulamalarından bazılarını keşfettiğimize göre, yeni YOLO11 modeli ile görüntü sınıflandırmayı nasıl deneyebileceğine bir bakalım. Başlamak için iki kolay yol var: Ultralytics Python paketini kullanmak veya Ultralytics HUB aracılığıyla. Her iki seçeneği de adım adım inceleyeceğiz.

Link to this sectionYOLO11 kullanarak çıkarım çalıştırma#

To get started with the Ultralytics Python package, simply install it using pip, conda, or Docker. If you run into any issues, check out our Common Issues Guide for helpful troubleshooting tips.

Paket yüklendikten sonra, bir YOLO11 görüntü sınıflandırma modeli varyantını yüklemek ve bir görüntü üzerinde çıkarım çalıştırmak için aşağıdaki kodu kullanabilirsin. Çıkarım çalıştırmak, eğitilmiş bir modeli yeni, daha önce görülmemiş veriler üzerinde tahmin yapmak için kullanmak anlamına gelir. Seçtiğin bir görüntüyle deneyebilirsin!

Şekil 6. YOLO11 modeli kullanılarak çıkarımlar çalıştırılıyor.

Link to this sectionÖzel bir YOLO11 sınıflandırma modeli eğitmek#

You can also use the same Python package to train a custom YOLO11 classification model. Custom training makes it possible for you to fine-tune a YOLO11 model for your specific needs. For example, if you’re developing an app to classify different cat breeds, you can custom-train a YOLO11 model just for that purpose.

Aşağıdaki kod, bir YOLO11 görüntü sınıflandırma modelinin nasıl yükleneceğini ve eğitileceğini gösterir. Bu, mevcut bir modelden elde edilen bilgiyi kendi modelinin performansını artırmak için kullanarak önceden eğitilmiş ağırlıkları aktarmanı sağlar. Giyim eşyalarının (gömlekler, pantolonlar, ayakkabılar vb.) iyi bilinen bir gri tonlamalı görüntü seti olan "fashion-mnist" veri kümesi gibi bir veri kümesi belirtebilirsin. Modeli bu veri kümesinde eğitmek, ona farklı giyim kategorilerini tanımayı öğretir. "fashion-mnist" kısmını, kedi cinsleri veya bitki türleri gibi projene uyan herhangi bir veri kümesiyle değiştirebilirsin.

Şekil 7. Görüntü sınıflandırma için bir YOLO11 modelini özel olarak eğitmek.

Link to this sectionUltralytics HUB üzerinde YOLO11'i dene#

Ultralytics paketini kullanmak basit olsa da biraz Python bilgisi gerektirir. Daha başlangıç dostu bir seçenek arıyorsan, farklı YOLO modellerini eğitmeyi ve konumlandırmayı basit ve erişilebilir kılmak için tasarlanmış bir platform olan Ultralytics HUB'ı kullanabilirsin. Başlamak için bir hesap oluşturman gerekecek.

Oturum açtıktan sonra 'Modeller' bölümüne git ve görüntü sınıflandırma için YOLO11 modelini seç. Nano, small, medium, large ve extra-large gibi bir dizi model boyutu göreceksin. Bir model seçtikten sonra, görüntü işlendikten sonra tahminlerin sayfanın sol tarafında görüneceği 'Önizleme' bölümüne bir görüntü yükleyebilirsin.

Şekil 8. Çıkarım çalıştırmak için Ultralytics HUB kullanılıyor.

Link to this sectionÖne çıkanlar#

YOLO11, çeşitli endüstrilerde yeni olanaklar açan güçlü görüntü sınıflandırma yetenekleri sunar. Tarımda ürün izlemeyi iyileştirmekten perakendede ürün aramalarını geliştirmeye ve vahşi yaşam korumasını desteklemeye kadar YOLO11'in hızı ve doğruluğu onu çeşitli uygulamalar için ideal kılar. Ultralytics Python paketi aracılığıyla özel eğitim veya Ultralytics HUB üzerinde kullanıcı dostu, kodsuz kurulum seçenekleriyle kullanıcılar YOLO11'i iş akışlarına kolayca dahil edebilirler. Daha fazla endüstri yapay zeka çözümlerini benimsedikçe YOLO11, inovasyonu ve pratik gelişmeleri destekleyen esnek, yüksek performanslı bir araç sunar.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda sürücüsüz arabalarda ve sağlık hizmetlerinde yapay zeka uygulamalarını keşfet. 🚀