Görüntü sınıflandırma için Ultralytics YOLO11 nasıl kullanılır?

Bir robot biri siyah, diğeri beyaz iki kediye bakıyor ve hangisinin hangisi olduğunu anlaması gerekiyor. Bunun için, bir görüntüdeki nesneleri veya sahneleri tanımlamaya ve kategorilere ayırmaya yardımcı olan bir bilgisayarlı görü görevi olan görüntü sınıflandırmayı kullanabilir. Aslında, yapay zekâ (AI) alanındaki son gelişmeler sayesinde görüntü sınıflandırma, hayvan izleme çalışmalarından üretim ve tarımda mahsul hastalığı tespitine kadar çok çeşitli uygulamalarda kullanılabilir.

Görüntü sınıflandırma alanındaki en yeni gelişmelerden biri Ultralytics YOLO11 modelidir. Ultralytics'in yıllık hibrit etkinliği olan YOLO Vision 2024 (YV24) etkinliğinde tanıtılan YOLO11, görüntü sınıflandırma da dâhil olmak üzere çok çeşitli görü yapay zekâsı görevlerini kolaylıkla ve yüksek doğrulukla ele almak üzere tasarlanmıştır.

Bu makalede görüntü sınıflandırmanın temellerini inceleyecek, gerçek dünyadaki uygulamalarını ele alacak ve Ultralytics Python paketi üzerinden YOLO11'i görüntü sınıflandırma için nasıl kullanabileceğini göstereceğiz. Ayrıca YOLO11'in yeteneklerini Ultralytics HUB üzerinde birkaç kolay adımda nasıl deneyebileceğine de bakacağız. Hadi başlayalım!

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

Görüntü sınıflandırma nedir?#

Görüntü sınıflandırma, daha önce etiketlenmiş görüntülerden öğrenilen desenlere dayanarak bir görüntüye etiket veya tanımlayıcı atar. Bir görüntünün piksellerini dikkatle analiz eden bir bilgisayarlı görü modeli, görüntü için en uygun eşleşmeyi bulabilir. Ultralytics YOLO11 gibi güvenilir modeller bu süreci sorunsuz şekilde yönetebilir. YOLO11'in model mimarisi, görüntüleri veya video karelerini neredeyse anında işleyerek hızlı ve doğru görüntü sınıflandırması gerektiren uygulamalar için ideal olmasını sağlar.

Görüntü sınıflandırmanın kapsamını gerçekten anlamak için onu nesne tespiti gibi diğer görevlerden ayırmak faydalıdır. Görüntü sınıflandırma görüntünün tamamını etiketlerken nesne tespiti, görüntüdeki her nesneyi tanımlar ve konumunu belirler.

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

Bir zürafa görüntüsünü ele alalım. Görüntü sınıflandırmada model, genel içeriğine dayanarak görüntünün tamamını basitçe zürafa olarak etiketleyebilir. Ancak nesne tespitinde model zürafayı tanımlamakla kalmaz; görüntü içindeki kesin konumunu belirlemek için zürafanın çevresine bir sınırlayıcı kutu da yerleştirir.

Şimdi zürafanın bir savanda, diğer hayvanlarla birlikte bir ağacın yanında durduğunu düşün. Bir görüntü sınıflandırma modeli tüm sahneyi savan veya yalnızca yaban hayatı olarak etiketleyebilir. Ancak nesne tespitinde model her ögeyi ayrı ayrı tanımlar; zürafayı, ağacı ve diğer hayvanları fark eder ve her biri için kendi sınırlayıcı kutusunu oluşturur.

Ultralytics YOLO11 görüntü sınıflandırma uygulamaları#

Ultralytics YOLO11 modelinin görüntü sınıflandırmadaki doğruluğu ve performansı, onu çok çeşitli sektörlerde kullanışlı hâle getirir. YOLO11'in görüntü sınıflandırmadaki temel uygulamalarından bazılarını inceleyelim.

Tarımda Ultralytics YOLO11 görüntü sınıflandırma#

Görüntü sınıflandırma, tarım ve çiftçilik sektöründeki birçok işlevi kolaylaştırmaya yardımcı olabilir. Özellikle çiftçiler, YOLO11 gibi görüntü sınıflandırma modellerini kullanarak mahsullerinin sağlığını sürekli izleyebilir, ciddi hastalıkları tespit edebilir ve zararlı istilalarını yüksek doğrulukla belirleyebilir.

Bunun nasıl çalıştığına bakalım:

• Görüntü yakalama: Nesnelerin interneti (IoT) cihazları gibi kameralar ve dronlar, tarlaların çeşitli noktalarından ve açılarından mahsullerin gerçek zamanlı görüntülerini yakalamak için konuşlandırılabilir.
• İşleme: Kullanılabilir kaynaklara ve bağlantıya bağlı olarak görüntüler, uç bilişim aracılığıyla sahada işlenebilir veya daha yoğun analiz için buluta yüklenebilir.
• YOLO11 ile görüntü sınıflandırma: YOLO11 modeli, çeşitli mahsul durumlarını sınıflandırmak için bu görüntüleri analiz edebilir. Yaygın sınıflar arasında sağlıklı, hastalıklı, zararlı istilasına uğramış veya besin eksikliği bulunan mahsuller yer alabilir; bu da tarlanın farklı bölgelerini etkileyen belirli sorunların saptanmasına yardımcı olur.
• Öngörü oluşturma: Ultralytics YOLO11, sınıflandırmalara dayanarak mahsul sağlığı göstergeleri hakkında öngörüler sunar ve çiftçilerin hastalığın erken belirtilerini tespit etmesine, zararlıların yoğunlaştığı noktaları belirlemesine veya besin eksikliklerini fark etmesine yardımcı olur.
• Bilinçli karar verme: Çiftçiler bu öngörüler sayesinde sulama, gübreleme ve zararlı kontrolü konusunda hedefe yönelik kararlar alarak kaynakları yalnızca en çok ihtiyaç duyulan yerlerde kullanabilir.

Şekil 3. Sağlıklından enfekte olmuşa kadar farklı yaprak sınıflarına bir örnek.

Perakendede Ultralytics YOLO11 görüntü sınıflandırma#

Görüntü sınıflandırma, perakende alışveriş deneyimini önemli ölçüde iyileştirerek daha kişiselleştirilmiş ve kullanıcı dostu hâle getirebilir. Perakendeciler, envanterlerindeki ürünleri tanımak için özel olarak eğitilmiş bilgisayarlı görü modellerini kullanabilir ve bu özelliği mobil uygulamalarına veya web sitelerine entegre edebilir. Müşteriler daha sonra yalnızca bir fotoğraf yükleyerek ürün arayabilir, böylece alışveriş daha hızlı ve kolay hâle gelir.

Bir müşteri görsel arama sistemine görüntü yüklediğinde, arama sonuçları gösterilmeden önce arka planda çeşitli işlemler gerçekleşir.

İlk olarak, görüntüdeki ana ögeleri ayırmak için nesne tespiti kullanılabilir; örneğin bir giysiyi veya mobilya parçasını tanımlayıp arka plandan ayırabilir. Ardından görüntü sınıflandırma, her ögeyi daha ayrıntılı kategorilere ayırmak ve bunun ceket, gömlek, kanepe veya masa olduğunu tanımak için kullanılabilir.

Bu bilgilerle sistem, satın alınabilecek benzer ürünleri listeleyebilir. Bu, özellikle yalnızca kelimelerle tanımlanması zor olan benzersiz veya trend ürünleri bulmak için yararlıdır. Aynı teknoloji, ögeleri otomatik olarak tanıyıp kategorilere ayırarak envanter yönetimi gibi diğer perakende görevlerini de kolaylaştırabilir.

Şekil 4. Görüntü sınıflandırma tabanlı bir görsel arama platformunun çalışırken görünümü.

Ultralytics YOLO11 görüntü sınıflandırma ile yaban hayatı izleme#

Geleneksel olarak vahşi hayvanları izlemek, çok sayıda kişinin binlerce fotoğrafı manuel olarak ayırıp analiz etmesini gerektiren zahmetli bir iştir. Ultralytics YOLO11 gibi bilgisayarlı görü modlarıyla araştırmacılar hayvanları daha hızlı ve otomatik olarak izleyebilir. Kameralar, fotoğraf çekmek için doğal yaşam alanlarına yerleştirilebilir. Daha sonra görü yapay zekâsı modeli bu fotoğrafları analiz etmek ve içlerindeki hayvanları (varsa) sınıflandırmak için kullanılabilir. Böyle bir sistem, araştırmacıların hayvan popülasyonlarını, göç modellerini ve benzeri unsurları incelemesine ve izlemesine yardımcı olabilir.

Ultralytics YOLO11 gibi yapay zekâ ve bilgisayarlı görü modellerinin bu alana yardımcı olmasının bir başka yolu da nesli tükenmekte olan türleri sınıflandırma sürecini kolaylaştırmaktır. Bir hayvanın ait olabileceği olası tür veya ırk kategorilerini belirleyen bu modeller, araştırmacılar için temel veriler sağlayabilir. Örneğin Tazmanya Üniversitesi (UTAS), farklı Tazmanya yaban hayatını izlemek için görüntü sınıflandırma tabanlı bir sistem geliştirdi. Modellerin tahminleri, bilim insanlarının ve araştırmacıların hayvan etkinliklerini ve davranışlarını takip etmesine yardımcı olabilir; bu davranışlar kaçak avlanma veya yaşam alanı kaybı gibi tehditlere işaret edebilir.

Şekil 5. Bir köpeğin ait olabileceği olası ırkları tahmin eden Ultralytics YOLO11.

Ultralytics YOLO11 modeliyle görüntü sınıflandırmayı deneme#

Görüntü sınıflandırmanın ne olduğunu ele alıp bazı uygulamalarını incelediğimize göre, yeni YOLO11 modeliyle görüntü sınıflandırmayı nasıl deneyebileceğine bakalım. Başlamak için iki kolay yol var: Ultralytics Python paketini kullanmak veya Ultralytics HUB üzerinden ilerlemek. Her iki seçeneği de adım adım ele alacağız.

Ultralytics YOLO11 kullanarak çıkarım çalıştırma#

Ultralytics Python paketiyle başlamak için paketi pip, conda veya Docker kullanarak yüklemen yeterlidir. Herhangi bir sorunla karşılaşırsan yararlı sorun giderme ipuçları için Yaygın Sorunlar Kılavuzumuza göz at.

Paket yüklendikten sonra aşağıdaki kodu kullanarak Ultralytics YOLO11 görüntü sınıflandırma modelinin bir varyantını yükleyebilir ve bir görüntü üzerinde çıkarım çalıştırabilirsin. Çıkarım çalıştırmak, yeni ve daha önce görülmemiş veriler üzerinde tahminler yapmak için eğitilmiş bir model kullanmak anlamına gelir. Seçtiğin bir görüntüyle bunu deneyebilirsin!

Şekil 6. Ultralytics YOLO11 modeli kullanılarak çıkarımların çalıştırılması.

Özel bir Ultralytics YOLO11 sınıflandırma modeli eğitme#

Aynı Python paketini kullanarak özel bir Ultralytics YOLO11 sınıflandırma modelini eğitebilirsin. Özel eğitim, bir YOLO11 modelini ince ayarlayarak özel ihtiyaçlarına uyarlamana olanak tanır. Örneğin farklı kedi ırklarını sınıflandıran bir uygulama geliştiriyorsan YOLO11 modelini yalnızca bu amaç için özel olarak eğitebilirsin.

Aşağıdaki kod, bir Ultralytics YOLO11 görüntü sınıflandırma modelinin nasıl yükleneceğini ve eğitileceğini gösterir. Mevcut bir modelin bilgisinden yararlanarak kendi modelinin performansını artırmak üzere önceden eğitilmiş ağırlıkları aktarmana olanak tanır. Giyim ürünlerinin gri tonlamalı görüntülerinden oluşan ve iyi bilinen bir veri kümesi olan "fashion-mnist" veri kümesi gibi bir veri kümesi belirleyebilirsin. Modeli bu veri kümesi üzerinde eğitmek, farklı giyim kategorilerini tanımasını sağlar. "fashion-mnist" yerine kedi ırkları veya bitki türleri gibi projen için uygun herhangi bir veri kümesini kullanabilirsin.

Şekil 7. Görüntü sınıflandırma için bir Ultralytics YOLO11 modelinin özel olarak eğitilmesi.

Ultralytics HUB'da YOLO11'i dene#

Ultralytics paketini kullanmak kolay olsa da bir miktar Python bilgisi gerektirir. Yeni başlayanlar için daha uygun bir seçenek arıyorsan farklı YOLO modellerini eğitmeyi ve dağıtmayı basit ve erişilebilir hâle getirmek üzere tasarlanmış bir platform olan Ultralytics HUB'ı kullanabilirsin. Başlamak için bir hesap oluşturman gerekir.

Oturum açtıktan sonra ‘Models’ bölümüne git ve görüntü sınıflandırma için Ultralytics YOLO11 modelini seç. Kullanabileceğin çeşitli model boyutlarını göreceksin: nano, small, medium, large ve extra-large. Bir model seçtikten sonra ‘Preview’ bölümüne bir görüntü yükleyebilirsin; görüntü işlendiğinde tahminler sayfanın sol tarafında görünür.

Şekil 8. Çıkarım çalıştırmak için Ultralytics HUB kullanımı.

Önemli çıkarımlar#

YOLO11, çeşitli sektörlerde yeni olanaklar sunan güçlü görüntü sınıflandırma yetenekleri sağlar. Tarımda mahsul izlemeyi iyileştirmekten perakendede ürün aramalarını geliştirmeye ve yaban hayatının korunmasını desteklemeye kadar YOLO11'in hızı ve doğruluğu, onu çeşitli uygulamalar için ideal kılar. Ultralytics Python paketi üzerinden özel eğitim veya Ultralytics HUB üzerinde kullanıcı dostu, kod gerektirmeyen kurulum seçenekleri sayesinde kullanıcılar YOLO11'i iş akışlarına kolayca dâhil edebilir. Daha fazla sektör yapay zekâ çözümlerini benimsedikçe YOLO11, yenilikçiliği ve pratik ilerlemeleri destekleyen esnek, yüksek performanslı bir araç sunar.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda otonom araçlarda ve sağlık hizmetlerinde yapay zekâ uygulamalarını keşfet. 🚀