Ultralytics YOLO11'i görüntü sınıflandırma için kullanma

Diyelim ki bir robot biri siyah diğeri beyaz iki kediye bakıyor ve hangisinin hangisi olduğunu anlaması gerekiyor. Bunu yapmak için, bir görüntüdeki nesneleri veya sahneleri tanımlamaya ve kategorize etmeye yardımcı olan bir bilgisayarlı görü görevi olan görüntü sınıflandırmayı kullanabilir. Aslında, yapay zeka (AI)'daki son gelişmeler sayesinde, görüntü sınıflandırma, hayvan takibinden bitki hastalıklarının tespitiyle üretim ve tarıma kadar çok çeşitli uygulamalarda kullanılabilir.

Görüntü sınıflandırmadaki en son gelişmelerden biri Ultralytics YOLO11 modelidir. Ultralytics'in yıllık hibrit etkinliği olan YOLO Vision 2024'te (YV24) tanıtılan YOLO11, görüntü sınıflandırma dahil olmak üzere çok çeşitli Görüntü AI görevlerinin üstesinden kolaylıkla ve hassasiyetle gelmek için tasarlanmıştır.

Bu makalede, görüntü sınıflandırmanın temellerini keşfedecek, gerçek dünya uygulamalarını tartışacak ve Ultralytics Python paketi aracılığıyla görüntü sınıflandırma için YOLO11'i nasıl kullanabileceğinizi göstereceğiz. Ayrıca, birkaç kolay adımda YOLO11'in yeteneklerini Ultralytics HUB'da nasıl deneyebileceğinize de bir göz atacağız. Haydi başlayalım!

‍

Görüntü sınıflandırma nedir?

Görüntü sınıflandırma, önceden etiketlenmiş görüntülerden öğrenilen kalıplara göre bir görüntüye bir etiket atayarak veya etiketleyerek 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 yönetebilir. YOLO11'in model mimarisi, görüntüleri veya video karelerini neredeyse anında işlemeyi mümkün kılar, 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 ayırmaya yardımcı olur. Görüntü sınıflandırma tüm bir görüntüyü etiketlerken, nesne tespiti görüntü içindeki her nesneyi tanımlar ve konumlandırır. 

‍

Bir zürafa görüntüsünü ele alalım. Görüntü sınıflandırmada, model, genel içeriğine dayanarak tüm görüntüyü basitçe bir zürafa olarak etiketleyebilir. Ancak, nesne tespitiyle, model zürafayı tanımlamakla kalmaz; aynı zamanda zürafanın etrafına bir sınırlayıcı kutu yerleştirerek görüntü içindeki tam konumunu da belirler.

Şimdi, zürafanın savanda bir ağacın yanında diğer hayvanlarla birlikte durduğunu hayal edin. Bir görüntü sınıflandırma modeli, tüm sahneyi bir savan veya sadece vahşi yaşam olarak etiketleyebilir. Ancak, nesne tespiti ile model, her bir öğeyi ayrı ayrı tanımlayarak zürafayı, ağacı ve diğer hayvanları kendi sınırlayıcı kutularıyla tanıyacaktır.

YOLO11 görüntü sınıflandırma uygulamaları

Ultralytics YOLO11 modelinin görüntü sınıflandırmadaki doğruluğu ve performansı, onu çok çeşitli endüstrilerde faydalı kılmaktadır. YOLO11'in görüntü sınıflandırmadaki temel uygulamalarından bazılarını keşfedelim.

Tarımda YOLO11 görüntü sınıflandırması

Görüntü sınıflandırması, tarım ve çiftçilik endüstrisindeki birçok işlevi kolaylaştırmaya yardımcı olabilir. Özellikle, YOLO11 gibi görüntü sınıflandırma modellerini kullanan çiftçiler, ekinlerinin sağlığını sürekli olarak izleyebilir, ciddi hastalıkları tespit edebilir ve herhangi bir haşere istilasını yüksek doğrulukla belirleyebilir. 

İşte bunun nasıl çalıştığına dair bir bakış:

• Görüntü yakalama: Nesnelerin İnterneti (IoT) cihazları gibi kameralar ve dronlar, tarlalardaki ekinlerin gerçek zamanlı görüntülerini çeşitli açılardan ve konumlardan yakalamak için konuşlandırılabilir.
  ‍
• İşleme: Mevcut kaynaklara ve bağlantıya bağlı olarak, görüntüler uç bilişim aracılığıyla yerinde işlenebilir veya daha yoğun analiz için buluta yüklenebilir.
  ‍
• YOLO11 ile görüntü sınıflandırması: YOLO11 modeli, çeşitli ekin koşullarını sınıflandırmak için bu görüntüleri analiz edebilir. Yaygın sınıflar arasında sağlıklı, hastalıklı, haşere istilasına uğramış veya besin eksikliği olanlar yer alabilir ve tarlanın farklı alanlarını etkileyen belirli sorunların belirlenmesine yardımcı olabilir.
  ‍
• İçgörü üretimi: Sınıflandırmalara dayanarak, YOLO11 ekin sağlığı göstergeleri hakkında içgörüler sağlar, çiftçilerin hastalıkların erken belirtilerini tespit etmelerine, haşere sıcak noktalarını belirlemelerine veya besin eksikliklerini tespit etmelerine yardımcı olur.
  ‍
• Bilinçli karar verme: Bu içgörülerle, çiftçiler sulama, gübreleme ve haşere kontrolü konusunda hedefli kararlar alabilir ve kaynakları yalnızca en çok ihtiyaç duyulan yerlere uygulayabilir.

‍

Perakendede YOLO11 görüntü sınıflandırması

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

Bir müşteri görsel arama sistemine bir resim yüklediğinde, arama sonuçları görünmeden önce arka planda birkaç şey gerçekleşir. 

İlk olarak, bir giysi veya mobilya parçasını tanımlamak ve onu arka plandan ayırmak gibi, görüntüdeki ana öğeleri seçmek için nesne tespiti kullanılabilir. Ardından, her bir öğeyi daha da kategorize etmek, yani bir ceket, gömlek, kanepe veya masa olup olmadığını anlamak için görüntü sınıflandırması kullanılabilir. 

Bu bilgilerle sistem, satın alınabilecek benzer ürünleri bulabilir; bu da özellikle yalnızca kelimelerle tarif edilmesi zor olan benzersiz veya moda ürünleri bulmak için kullanışlıdır. Aynı teknoloji, öğeleri otomatik olarak tanıyıp kategorize ederek envanter yönetimi gibi diğer perakende görevlerini de kolaylaştırmaya yardımcı olabilir.

‍

YOLO11 görüntü sınıflandırması ile yaban hayatı izleme

Geleneksel olarak, vahşi hayvanları izlemek, birçok insanın binlerce fotoğrafı manuel olarak ayıklayıp analiz etmesini içeren zahmetli bir iştir. YOLO11 gibi bilgisayarlı görü yöntemleriyle, araştırmacılar hayvanları daha hızlı bir şekilde otomatik olarak izleyebilir. Fotoğraf çekmek için doğal yaşam alanlarına kameralar yerleştirilebilir. Daha sonra bu fotoğrafları analiz etmek ve içlerindeki hayvanları (varsa) sınıflandırmak için yapay görme modeli kullanılabilir. Böyle bir sistem, araştırmacıların hayvan popülasyonlarını, göç modellerini vb. incelemesine ve izlemesine yardımcı olabilir.

Yapay zeka ve YOLO11 gibi bilgisayarlı görü modellerinin bu alanda yardımcı olabileceği bir başka yol da, nesli tükenmekte olan türleri sınıflandırma sürecini kolaylaştırmaktır. Bir hayvanın ait olabileceği potansiyel türleri veya cins kategorilerini belirleyerek, bu modeller araştırmacılar için temel veriler sağlayabilir. Örneğin, Tazmanya Üniversitesi (UTAS), farklı Tazmanya yaban hayatını izlemek için görüntü sınıflandırmasına dayalı bir sistem geliştirmiştir. Modellerden elde edilen tahminler daha sonra bilim insanlarının ve araştırmacıların hayvan aktivitesini ve davranışını izlemesine yardımcı olabilir ve bu da kaçak avlanma veya habitat kaybı gibi tehditlerin sinyalini verebilir. 

‍

YOLO11 modeliyle görüntü sınıflandırmayı deneme

Artık görüntü sınıflandırmasının ne olduğunu tartıştığımıza ve bazı uygulamalarını incelediğimize göre, yeni YOLO11 modeliyle görüntü sınıflandırmayı nasıl deneyebileceğinize bir göz atalım. Başlamak için iki kolay yol vardır: Ultralytics Python paketini veya Ultralytics HUB'ı kullanmak. Her iki seçeneği de adım adım inceleyeceğiz.

YOLO11 kullanarak çıkarımlar çalıştırma

Ultralytics Python paketini kullanmaya başlamak için, pip, conda veya Docker kullanarak yüklemeniz yeterlidir. Herhangi bir sorunla karşılaşırsanız, yardımcı sorun giderme ipuçları için Sık Karşılaşılan Sorunlar Kılavuzumuza göz atın.

Paket yüklendikten sonra, YOLO11 görüntü sınıflandırma modelinin bir varyantını yüklemek ve bir görüntü üzerinde çıkarım çalıştırmak için aşağıdaki kodu kullanabilirsiniz. Çıkarım çalıştırmak, yeni, görülmemiş veriler üzerinde tahminler yapmak için eğitilmiş bir model kullanmak anlamına gelir. İstediğiniz bir görüntü ile deneyebilirsiniz!

‍

Özel bir YOLO11 sınıflandırma modeli eğitme

Aynı Python paketini özel bir YOLO11 sınıflandırma modeli eğitmek için de kullanabilirsiniz. Özel eğitim, bir YOLO11 modelini belirli ihtiyaçlarınıza göre ince ayar yapmanızı mümkün kılar. Örneğin, farklı kedi türlerini sınıflandırmak için bir uygulama geliştiriyorsanız, yalnızca bu amaç için özel bir YOLO11 modeli eğitebilirsiniz.

Aşağıdaki kod, bir YOLO11 görüntü sınıflandırma modelinin nasıl yükleneceğini ve eğitileceğini gösterir. Kendi modelinizin performansını artırmak için mevcut bir modelden elde edilen bilgileri kullanarak önceden eğitilmiş ağırlıkları aktarmanıza olanak tanır. Giyim eşyalarının (gömlekler, pantolonlar, ayakkabılar vb.) iyi bilinen bir gri tonlamalı görüntü kümesi olan "fashion-mnist" gibi bir veri kümesi belirleyebilirsiniz. Modelin bu veri kümesi üzerinde eğitilmesi, farklı giyim kategorilerini tanımasını öğretir. "fashion-mnist" veri kümesini, kedi türleri veya bitki türleri gibi projenize uygun herhangi bir veri kümesiyle değiştirebilirsiniz.

‍

Ultralytics HUB üzerinde YOLO11'i deneyin

Ultralytics paketini kullanmak basit olsa da, Python hakkında biraz bilgi gerektirir. Daha başlangıç dostu bir seçenek arıyorsanız, farklı YOLO modellerini eğitme ve dağıtmayı basit ve erişilebilir hale getirmek için tasarlanmış bir platform olan Ultralytics HUB'ı kullanabilirsiniz. Başlamak için bir hesap oluşturmanız gerekecektir.

Oturum açtıktan sonra, 'Modeller' bölümüne gidin ve görüntü sınıflandırması için YOLO11 modelini seçin. Nano, küçük, orta, büyük ve ekstra büyük olmak üzere çeşitli model boyutları göreceksiniz. Bir model seçtikten sonra, 'Önizleme' bölümüne bir görüntü yükleyebilirsiniz; burada görüntü işlendikten sonra tahminler sayfanın sol tarafında görünecektir.

‍

Önemli çıkarımlar

YOLO11, çeşitli sektörlerde yeni olanaklar sunan güçlü görüntü sınıflandırma yetenekleri sunar. Tarımda ürün takibini iyileştirmekten, perakendede ürün aramalarını geliştirmeye ve yaban hayatı korumasını desteklemeye kadar, YOLO11'in hızı ve doğruluğu onu çeşitli uygulamalar için ideal kılar. Ultralytics Python paketi aracılığıyla özel eğitim veya Ultralytics HUB'da kullanıcı dostu, kod gerektirmeyen bir kurulum seçenekleriyle, kullanıcılar YOLO11'i iş akışlarına kolayca dahil edebilirler. Daha fazla sektör yapay zeka çözümlerini benimsedikçe, YOLO11 inovasyonu ve pratik gelişmeleri destekleyen esnek, yüksek performanslı bir araç sunar.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret edin ve topluluğumuzla etkileşim kurun. Çözüm sayfalarımızda otonom sürüşlü araçlardaki ve sağlık hizmetlerindeki yapay zeka uygulamalarını keşfedin. 🚀