Görüntü sınıflandırma için Ultralytics YOLO11 nasıl kullanılır

Diyelim ki bir robot siyah ve beyaz olmak üzere iki kediye bakıyor ve hangisinin hangisi olduğunu anlaması gerekiyor. Bunu yapmak için, bir görüntüdeki nesneleri veya sahneleri tanımlamaya ve kategorize etmeye yardımcı olan bir computer vision task olan image classification kullanabilir. Aslında, artificial intelligence (AI) alanındaki son gelişmeler sayesinde image classification; animal monitoring uygulamalarından crop disease detection ile imalat ve tarıma kadar çok çeşitli alanlarda kullanılabilmektedir.

image classification alanındaki en son gelişmelerden biri Ultralytics YOLO11 model modelidir. Ultralytics' annual hybrid event olan YOLO Vision 2024 (YV24)'te duyurulan YOLO11, image classification dahil olmak üzere çok çeşitli vision AI görevlerini kolaylık ve hassasiyetle ele almak için tasarlanmıştır.

Bu makalede, image classification temellerini keşfedeceğiz, gerçek dünya uygulamalarını tartışacağız ve Ultralytics Python package aracılığıyla image classification için YOLO11 öğesini nasıl kullanabileceğinizi göstereceğiz. Ayrıca, Ultralytics HUB üzerinde birkaç kolay adımda YOLO11’s yeteneklerini nasıl deneyebileceğinize göz atacağız. Hadi başlayalım!

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

Görüntü sınıflandırma nedir?#

Görüntü sınıflandırma, önceden etiketlenmiş görüntülerden öğrenilen örüntülere dayanarak bir görüntüye bir etiket atama veya etiket ekleme yoluyla çalışır. Bir görüntünün piksellerini dikkatle analiz ederek, computer vision model görüntünün en iyi eşleşmesini bulabilir. Ultralytics YOLO11 gibi güvenilir modeller bu süreci sorunsuz bir şekilde yönetebilir. YOLO11'in model mimarisi, görüntüleri veya video karelerini neredeyse anında işlemeyi mümkün kılarak hızlı ve doğru görüntü sınıflandırması gerektiren uygulamalar için ideal hale getirir.

Image classification kapsamını gerçekten anlamak için onu object detection gibi diğer görevlerden ayırmak faydalı olur. Image classification tüm görüntüyü etiketlerken, object detection görüntü içindeki her bir nesneyi tanır ve konumlandırır.

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

Bir zürafa görüntüsünü ele alalım. image classification içinde model, genel içeriğine dayanarak tüm görüntüyü basitçe bir zürafa olarak etiketleyebilir. Ancak object detection ile model zürafayı tanımlamakla kalmaz; aynı zamanda zürafanın etrafına bir sınırlayıcı kutu yerleştirerek görüntü içindeki tam konumunu saptar.

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.

Ultralytics YOLO11 görsel sınıflandırma uygulamaları#

Ultralytics YOLO11 model modelinin image classification için doğruluk ve performance oranı, onu çok çeşitli endüstrilerde faydalı kılar. YOLO11'in image classification alanındaki temel uygulamalarından bazılarını inceleyelim.

Tarımda Ultralytics YOLO11 görsel sınıflandırma#

Image classification, agriculture ve çiftçilik endüstrisindeki birçok işlevi kolaylaştırmaya yardımcı olabilir. Özellikle, çiftçiler YOLO11 gibi image classification modellerini kullanarak crops ürünlerinin sağlığını sürekli olarak izleyebilir, ciddi hastalıkları tespit edebilir ve pest infestations durumlarını yüksek doğrulukla belirleyebilir.

İşte bunun nasıl çalıştığına bir bakış:

• Görüntü yakalama: Nesnelerin İnterneti (IoT) cihazları, tarla genelinde farklı açı ve konumlardan mahsullerin gerçek zamanlı görüntülerine ulaşmak amacıyla kameralar ve dronlar gibi dağıtılabilir.
• Processing: Mevcut kaynaklara ve bağlantıya bağlı olarak görüntüler, edge computing aracılığıyla yerinde işlenebilir veya daha kapsamlı analiz için cloud üzerine yüklenebilir.
• YOLO11 ile Image classification: YOLO11 modeli, çeşitli crop conditions durumlarını sınıflandırmak için bu görüntüleri analiz edebilir. Yaygın sınıflar sağlıklı, hastalıklı, zararlı istilasına uğramış veya besin eksikliği olanları içerebilir ve tarlanın farklı alanlarını etkileyen belirli sorunların belirlenmesine yardımcı olur.
• Öngörü üretimi: Sınıflandırmalara dayanarak Ultralytics YOLO11, mahsul sağlığı göstergeleri hakkında öngörüler sunar ve çiftçilerin erken hastalık belirtilerini tespit etmesine, zararlı odak noktalarını belirlemesine veya besin eksikliklerini fark etmesine yardımcı olur.
• Informed decision-making: Bu içgörüler sayesinde çiftçiler; sulama, gübreleme ve haşere kontrolü konusunda hedefli kararlar alabilir, kaynakları yalnızca en çok ihtiyaç duyulan yerlerde kullanabilir.

Fig 3. Sağlıklıdan enfekteye kadar farklı yaprak sınıflarına bir örnek.

Perakendede Ultralytics YOLO11 görsel sınıflandırma#

Image classification, retail shopping deneyimini önemli ölçüde iyileştirerek daha kişiselleştirilmiş ve kullanıcı dostu hale getirebilir. Retailers, envanterlerindeki ürünleri tanımak ve bu yeteneği mobil uygulamalarına veya web sitelerine entegre etmek için custom-trained bilgisayarlı görü modellerini kullanabilir. Müşteriler daha sonra sadece bir fotoğraf yükleyerek ürün arayabilir, bu da alışverişi daha hızlı ve daha pratik hale getirir.

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

İlk olarak, object detection kullanılarak görüntüdeki ana öğeler seçilebilir; örneğin bir giysi veya mobilya parçası tanımlanıp arka plandan ayrılabilir. Ardından, her bir öğeyi daha fazla kategorize etmek için image classification kullanılabilir ve bunun bir ceket, gömlek, kanepe veya masa olup olmadığı tanınabilir.

Bu bilgiyle sistem, satın alınabilecek similar products ürünleri getirebilir; bu, özellikle kelimelerle tarif edilmesi zor olan benzersiz veya trend ürünleri bulmak için çok faydalıdır. Aynı teknoloji, öğeleri otomatik olarak tanıyıp kategorize ederek inventory management gibi diğer perakende görevlerini kolaylaştırmaya da yardımcı olabilir.

Fig 4. Görüntü sınıflandırmaya dayalı görsel arama platformu iş başında.

Ultralytics YOLO11 görsel sınıflandırma ile yaban hayatı izleme#

Geleneksel olarak, doğadaki hayvanları izlemek, birçok insanın binlerce fotoğrafta manuel olarak sıralama ve analiz yapmasını gerektiren zahmetli bir görevdir. Ultralytics YOLO11 gibi bilgisayarlı görü modülleriyle, araştırmacılar hayvanları daha hızlı bir şekilde otomatik olarak izleyebilir. Kameralar fotoğraf çekmek için doğal yaşam alanlarına yerleştirilebilir. Ardından, görü yapay zeka modeli bu fotoğrafları analiz etmek ve içindeki hayvanları (varsa) sınıflandırmak için kullanılabilir. Böyle bir sistem, araştırmacıların hayvan popülasyonlarını ve bunların göç modellerini vb. incelemesine ve takip etmesine yardımcı olabilir.

Ultralytics YOLO11 gibi yapay zeka ve bilgisayarlı görü modellerinin bu alanda yardımcı olabileceği bir diğer yol da nesli tükenmekte olan türleri sınıflandırma sürecini kolaylaştırmaktır. Bir hayvanın ait olabileceği potansiyel tür veya ırk kategorilerini belirleyerek, bu modeller araştırmacılar için temel veriler sağlayabilir. Örneğin, Tazmanya Üniversitesi (UTAS), farklı Tazmanya yaban hayatını izlemek için görüntü sınıflandırma tabanlı bir sistem geliştirdi. Modellerden elde edilen tahminler, bilim insanlarının ve araştırmacıların, kaçak avcılık veya yaşam alanı kaybı gibi tehditlere işaret edebilecek hayvan etkinliğini ve davranışını yakından takip etmesine yardımcı olabilir.

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

Ultralytics YOLO11 modeli ile görüntü sınıflandırmayı deneme#

Image classification konusunu ele aldığımıza ve uygulamalarından bazılarını incelediğimize göre, yeni YOLO11 modeli ile image classification deneyimini nasıl yaşayabileceğinize bir göz atalım. Başlamak için iki kolay yol vardır: Ultralytics Python package kullanmak veya Ultralytics HUB üzerinden ilerlemek. Her iki seçeneği de adım adım inceleyeceğiz.

Ultralytics YOLO11 kullanarak çıkarım (inference) çalıştırma#

Ultralytics Python package ile başlamak için pip, conda veya Docker kullanarak install it yeterlidir. Herhangi bir sorunla karşılaşırsanız, faydalı troubleshooting tips için Common Issues Guide kılavuzumuza göz atın.

Paket yüklendikten sonra, Ultralytics YOLO11 görüntü sınıflandırma modelinin bir varyantını yüklemek ve bir görüntü üzerinde çıkarım çalıştırmak için aşağıdaki kodu kullanabilirsin. Çıkarım çalıştırmak, eğitilmiş bir modeli yeni, görülmemiş veriler üzerinde tahminler yapmak için kullanmak anlamına gelir. Kendi seçtiğin bir görüntüyle bunu deneyebilirsin!

Şekil 6. Ultralytics YOLO11 modelini kullanarak çıkarım çalıştırma.

Özel bir Ultralytics YOLO11 sınıflandırma modeli eğitme#

Özel bir Ultralytics YOLO11 sınıflandırma modelini eğitmek için de aynı Python paketini kullanabilirsin. Özel eğitim, bir YOLO11 modelini spesifik ihtiyaçların için ince ayar yapmanı mümkün kılar. Örneğin, farklı kedin cinslerini sınıflandırmak için bir uygulama geliştiriyorsan, yalnızca bu amaç için özel olarak bir YOLO11 modeli eğitebilirsin.

Aşağıdaki kod, bir Ultralytics YOLO11 görüntü sınıflandırma modelinin nasıl yükleneceğini ve eğitileceğini gösterir. Kendi modelinizin performansını artırmak için mevcut bir modelin bilgisini kullanarak önceden eğitilmiş ağırlıkları aktarmanıza olanak tanır. Giyim eşyalarının (gömlekler, pantolonlar, ayakkabılar vb.) gri tonlamalı görüntülerinden oluşan tanınmış bir küme olan "fashion-mnist" veri kümesi gibi bir veri kümesi belirtebilirsin. Modeli bu veri kümesinde eğitmek, ona farklı giyim kategorilerini tanımayı öğretir. "fashion-mnist" ifadesini kedi ırkları veya bitki türleri gibi projenize uyan herhangi bir veri kümesiyle değiştirebilirsiniz.

Şekil 7. Görüntü sınıflandırma için özel bir Ultralytics YOLO11 modelini eğitme.

Ultralytics HUB üzerinde YOLO11'i dene#

Ultralytics paketini kullanmak anlaşılır olsa da biraz Python bilgisi gerektirir. Daha yeni başlayanlara uygun bir seçenek arıyorsanız, farklı YOLO modellerinin eğitilmesini ve dağıtılmasını basit ve erişilebilir kılmak için tasarlanmış bir platform olan Ultralytics HUB kullanabilirsiniz. Başlamak için create an account yapmanız gerekir.

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

Şekil 8. Çıkarım çalıştırmak için Ultralytics HUB kullanılıyor.

Öne 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 repository adresimizi ziyaret edin ve community topluluğumuzla etkileşime geçin. Çözüm sayfalarımızda self-driving cars ve healthcare alanındaki yapay zeka uygulamalarını keşfedin. 🚀