11 Kasım 2024
Yeni Ultralytics YOLO11 modelinin görüntü sınıflandırmasını nasıl geliştirdiğini ve tarım, perakende ve vahşi yaşam izleme alanlarındaki görevler için daha iyi doğruluk sunduğunu öğrenin.
Diyelim ki bir robot biri siyah diğeri beyaz iki kediye bakıyor ve hangisinin hangisi olduğunu bulması gerekiyor. Bunu yapmak için, bir görüntüdeki nesneleri veya sahneleri tanımlamaya ve kategorize etmeye yardımcı olan bir bilgisayarla görme görevi olan görüntü sınıflandırmasını kullanabilir. Aslında, yapay zeka (AI) alanındaki son gelişmeler sayesinde, görüntü sınıflandırması hayvan izlemeden üretime ve mahsul hastalığı tespiti ile tarıma kadar çok çeşitli uygulamalarda kullanılabilir.
Görüntü sınıflandırma alanındaki en son gelişmelerden biri Ultralytics YOLO11 modelidir. Ultralytics'in yıllık hibrit etkinliği YOLO Vision 2024'te (YV24) lanse edilen YOLO11, görüntü sınıflandırması da dahil olmak üzere çok çeşitli Vision 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 sınıflandır ması için YOLO11 'i nasıl kullanabileceğinizi göstereceğiz. Ayrıca YOLO11'in yeteneklerini Ultralytics HUB üzerinde birkaç kolay adımda nasıl deneyebileceğinize de bir göz atacağız. Hadi başlayalım!
Görüntü sınıflandırma, daha önce etiketlenmiş görüntülerden öğrenilen kalıplara dayalı olarak bir görüntüye bir etiket veya etiket atayarak çalışır. Bir bilgisayarla görme modeli, bir görüntünün piksellerini dikkatlice analiz ederek görüntü için en iyi eşleşmeyi bulabilir. YOLO11 gibi güvenilir modeller bu işlemi sorunsuz bir şekilde gerçekleştirebilir. YOLO11'in model mimarisi, görüntülerin veya video karelerinin neredeyse anında işlenmesini mümkün kılarak hızlı ve doğru görüntü sınıflandırmasına ihtiyaç duyan uygulamalar için idealdir.
Görüntü sınıflandırmanın kapsamını gerçekten anlamak için, onu nesne algılama gibi diğer görevlerden ayırmak yardımcı olur. Görüntü sınıflandırma tüm görüntüyü etiketlerken, nesne algılama görüntüdeki her bir nesneyi tanımlar ve yerini belirler.
Bir zürafa görüntüsünü ele alalım. Görüntü sınıflandırmada model, genel içeriğine dayanarak tüm görüntüyü sadece zürafa olarak etiketleyebilir. Ancak nesne algılamada model zürafayı tanımlamakla yetinmez; aynı zamanda zürafanın etrafına bir sınırlayıcı kutu yerleştirerek görüntüdeki tam konumunu belirler.
Şimdi, zürafanın diğer hayvanlarla birlikte bir savanda bir ağacın yanında durduğunu hayal edin. Bir görüntü sınıflandırma modeli tüm sahneyi savan veya sadece vahşi yaşam olarak etiketleyebilir. Ancak nesne algılama ile model her bir öğeyi ayrı ayrı tanımlayacak, zürafayı, ağacı ve diğer hayvanları her biri kendi sınırlayıcı kutularıyla tanıyacaktır.
Ultralytics YOLO11 modelinin görüntü sınıflandırması için doğruluğu ve performansı, onu çok çeşitli endüstrilerde kullanışlı hale getirir. Görüntü sınıflandırmasında YOLO11'in bazı temel uygulamalarını inceleyelim.
Görüntü sınıflandırma, tarım ve çiftçilik endüstrisindeki birçok işlevi kolaylaştırmaya yardımcı olabilir. Özellikle, YOLO11 gibi görüntü sınıflandırma modellerini kullanan çiftçiler, mahsullerinin sağlığını sürekli olarak izleyebilir, ciddi hastalıkları tespit edebilir ve haşere istilalarını yüksek doğrulukla belirleyebilir.
İşte bunun nasıl çalıştığına bir göz atın:
Görüntü sınıflandırma, perakende alışveriş deneyimini önemli ölçüde iyileştirerek daha kişiselleştirilmiş ve kullanıcı dostu hale getirebilir. Perakendeciler, envanterlerindeki ürünleri tanımak için özel eğitimli bilgisayarla görme modellerini kullanabilir ve bu özelliği mobil uygulamalarına veya web sitelerine entegre edebilir. Müşteriler daha sonra sadece bir fotoğraf yükleyerek ürünleri arayabilir, böylece alışverişi daha hızlı ve daha kolay hale getirebilirler.
Bir müşteri görsel arama sistemine bir resim yüklediğinde, arama sonuçları görünmeden önce perde arkasında birkaç işlem gerçekleşir.
İlk olarak, nesne algılama, bir giysi parçasını veya bir mobilya parçasını tanımlamak ve arka plandan ayırmak gibi görüntüdeki ana öğeleri seçmek için kullanılabilir. Daha sonra, görüntü sınıflandırma, her bir öğeyi daha fazla kategorize etmek için kullanılabilir, bunun bir ceket, gömlek, kanepe veya masa olup olmadığını tanır.
Bu bilgilerle sistem, satın alınabilecek benzer ürünleri ortaya çıkarabilir; bu da özellikle yalnızca kelimelerle tanımlanması zor olan benzersiz veya modaya uygun ürünleri bulmak için yararlıdır. Aynı teknoloji, ürünleri otomatik olarak tanıyıp kategorize ederek envanter yönetimi gibi diğer perakende görevlerini de kolaylaştırmaya yardımcı olabilir.
Geleneksel olarak, vahşi doğadaki hayvanları izlemek, binlerce fotoğrafı manuel olarak sıralayan ve analiz eden birçok insanı içeren sıkıcı bir iştir. YOLO11 gibi bilgisayarla görme modları sayesinde araştırmacılar hayvanları daha hızlı bir şekilde otomatik olarak izleyebilirler. Kameralar fotoğraf çekmek için doğal yaşam alanlarına yerleştirilebilir. Görme yapay zeka modeli daha sonra bu fotoğrafları analiz etmek ve içlerindeki hayvanları (varsa) sınıflandırmak için kullanılabilir. Böyle bir sistem, araştırmacıların hayvan popülasyonlarını, göç düzenlerini vb. incelemesine ve izlemesine yardımcı olabilir.
YOLO11 gibi yapay zeka ve bilgisayarla görme modellerinin bu alanda yardımcı olabileceği bir başka yol da nesli tükenmekte olan türlerin sınıflandırılması sürecini kolaylaştırmaktır. Bu modeller, bir hayvanın ait olabileceği potansiyel türleri veya cins kategorilerini belirleyerek araştırmacılar için önemli veriler sağlayabilir. Örneğin, Tazmanya Üniversitesi (UTAS) farklı Tazmanya yaban hayatını izlemek için görüntü sınıflandırma tabanlı bir sistem geliştirmiştir. Modellerden elde edilen tahminler daha sonra bilim insanlarının ve araştırmacıların, kaçak avlanma veya habitat kaybı gibi tehditlere işaret edebilecek hayvan faaliyetlerini ve davranışlarını takip etmelerine yardımcı olabilir.
Şimdi görüntü sınıflandırmanın ne olduğunu tartıştık ve bazı uygulamalarını keşfettik. Yeni YOLO11 modeli ile görüntü sınıflandırmayı nasıl deneyebileceğinize bir göz atalım. Başlamak için iki kolay yol vardır: Ultralytics Python paketini kullanarak veya Ultralytics HUB aracılığıyla. Her iki seçeneği de inceleyeceğiz.
Ultralytics Python paketini kullanmaya başlamak için pip, conda veya Docker kullanarak yüklemeniz yeterlidir. Herhangi bir sorunla karşılaşırsanız, yararlı sorun giderme ipuçları için Ortak Sorunlar Kılavuzumuza göz atın.
Paket yüklendikten sonra, YOLO11 görüntü sınıflandırma modelinin bir varyantını yüklemek ve bir görüntü üzerinde bir çıkarım çalıştırmak için aşağıdaki kodu kullanabilirsiniz. Bir çıkarım çalıştırmak, yeni, görülmemiş veriler üzerinde tahminler yapmak için eğitilmiş bir model kullanmak anlamına gelir. İstediğiniz bir görüntü ile deneyebilirsiniz!
Aynı Python paketini özel bir YOLO11 sınıflandırma modelini eğitmek için de kullanabilirsiniz. Özel eğitim, özel ihtiyaçlarınız için bir YOLO11 modeline ince ayar yapmanızı mümkün kılar. Örneğin, farklı kedi cinslerini sınıflandırmak için bir uygulama geliştiriyorsanız, sadece bu amaç için bir YOLO11 modelini özel olarak eğitebilirsiniz.
Aşağıdaki kod, bir YOLO11 görüntü sınıflandırma modelinin nasıl yükleneceğini ve eğitileceğini göstermektedir. Kendi modelinizin performansını artırmak için mevcut bir modelden bilgi kullanarak önceden eğitilmiş ağırlıkları aktarmanıza olanak tanır. Giyim eşyalarının (gömlek, pantolon, ayakkabı vb.) gri tonlamalı görüntülerinden oluşan iyi bilinen bir küme olan "fashion-mnist" veri kümesi gibi bir veri kümesi belirleyebilirsiniz. Modeli bu veri kümesi üzerinde eğitmek, ona farklı giyim kategorilerini tanımayı öğretir. "fashion-mnist" yerine kedi cinsleri veya bitki türleri gibi projenize uygun herhangi bir veri kümesini kullanabilirsiniz.
Ultralytics paketini kullanmak basit olsa da, biraz Python bilgisi gerektirir. Daha acemi dostu bir seçenek arıyorsanız, farklı YOLO modellerinin eğitimini ve dağıtımını basit ve erişilebilir hale getirmek için tasarlanmış bir platform olan Ultralytics HUB'ı kullanabilirsiniz. Başlamak için bir hesap oluşturmanız gerekir.
Oturum açtıktan sonra, 'Modeller' bölümüne gidin ve görüntü sınıflandırması için YOLO11 modelini seçin. Çeşitli model boyutlarının mevcut olduğunu göreceksiniz: nano, küçük, orta, büyük ve ekstra büyük. Bir model seçtikten sonra, görüntü işlendikten sonra tahminlerin sayfanın sol tarafında görüneceği 'Önizleme' bölümüne bir görüntü yükleyebilirsiniz.
YOLO11, çeşitli sektörlerde yeni olanaklar sunan güçlü görüntü sınıflandırma özellikleri sunar. YOLO11'in hızı ve doğruluğu, tarımda mahsul izlemeyi iyileştirmekten perakende satışta ürün aramalarını geliştirmeye ve vahşi yaşamı korumayı desteklemeye kadar çeşitli uygulamalar için idealdir. Ultralytics Python paketi aracılığıyla özel eğitim seçenekleri veya Ultralytics HUB'da kullanıcı dostu, kodsuz bir kurulum ile 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 sunuyor.
Daha fazlasını keşfetmek için GitHub depomuzu ziyaret edin ve topluluğumuzla etkileşime geçin. Çözüm sayfalarımızda sürücüsüz otomobiller ve sağlık alanındaki yapay zeka uygulamalarını keşfedin. 🚀
.webp)