Görüntü sınıflandırması için Ultralytics YOLO11 nasıl kullanılır?

Bir robotun biri siyah, diğeri beyaz iki kediye baktığını ve hangisinin hangisi olduğunu anlaması gerektiğini varsayalım. Bunun için, görüntüdeki nesneleri veya sahneleri tanımlayıp kategorilere ayırmaya yardımcı olan bir bilgisayarlı görü görevi olan görüntü sınıflandırmasını kullanabilir. Son yıllardaki yapay zekâ (AI) gelişmeleri sayesinde görüntü sınıflandırması, hayvanların izlenmesinden üretim ve tarımda ürün hastalıklarının tespitine kadar çok çeşitli uygulamalarda kullanılabilir.

Görüntü sınıflandırmadaki dikkat çekici gelişmelerden biri Ultralytics YOLO11 modelidir. Ultralytics'in yıllık hibrit etkinliği YOLO Vision 2024'te (YV24) tanıtılan YOLO11, görüntü sınıflandırma da dahil olmak üzere çok çeşitli görsel yapay zekâ görevlerini kolaylıkla ve hassasiyetle yerine getirmek için tasarlanmıştır. (YOLO11'in yerini o zamandan beri aynı görevleri destekleyen Ultralytics YOLO26 almıştır.)

Bu makalede görüntü sınıflandırmasının temellerini inceleyeceğiz, gerçek dünyadaki uygulamaları ele alacağız ve görüntü sınıflandırması için YOLO11'i Ultralytics Python paketi aracılığıyla nasıl kullanabileceğini göstereceğiz. Ayrıca Ultralytics HUB'da (artık Ultralytics Platform) YOLO11'in yeteneklerini birkaç kolay adımda nasıl deneyebileceğine de göz atacağız. Haydi başlayalım!

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

Görüntü sınıflandırma nedir?#

Görüntü sınıflandırması, daha önce etiketlenmiş görüntülerden öğrenilen örüntülere dayanarak bir görüntüye etiket veya başlık atar. Bilgisayarlı görü modeli, görüntünün piksellerini dikkatle analiz ederek görüntü için en uygun eşleşmeyi bulabilir. Ultralytics YOLO11 gibi güvenilir modeller bu süreci verimli biçimde gerçekleştirebilir. YOLO11'in model mimarisi, görüntüleri veya video karelerini neredeyse anında işlemeyi mümkün kılar; bu da onu hızlı ve doğru görüntü sınıflandırması gerektiren uygulamalar için ideal hâle getirir.

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

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

Bir zürafa görüntüsünü ele alalım. Görüntü sınıflandırmasında model, genel içeriğine dayanarak görüntünün tamamını yalnızca “zürafa” olarak etiketleyebilir. Ancak nesne algılamada model, zürafayı tanımakla yetinmez; görüntü içindeki tam konumunu belirlemek için zürafanın çevresine bir sınırlayıcı kutu da çizer.

Şimdi zürafanın, savanada başka hayvanlarla birlikte bir ağacın yakınında durduğunu düşün. Bir görüntü sınıflandırma modeli tüm sahneyi savana veya yalnızca yaban hayatı olarak etiketleyebilir. Ancak nesne algılamada model, zürafayı, ağacı ve diğer hayvanları ayrı ayrı tanımlar ve her biri için kendi sınırlayıcı kutusunu çizer.

Ultralytics YOLO11 ile görüntü sınıflandırma uygulamaları#

Ultralytics YOLO11 modelinin görüntü sınıflandırmasındaki doğruluğu ve performansı, modeli birçok sektörde kullanışlı hâle getirir. YOLO11'in görüntü sınıflandırmasındaki temel uygulamalarından bazılarını inceleyelim.

Tarımda Ultralytics YOLO11 ile görüntü sınıflandırma#

Görüntü sınıflandırması, tarım sektöründeki pek çok süreci kolaylaştırmaya yardımcı olabilir. Özellikle YOLO11 gibi görüntü sınıflandırma modellerini kullanan çiftçiler ürünlerinin sağlığını sürekli izleyebilir, ciddi hastalıkları tespit edebilir ve zararlı istilalarını yüksek doğrulukla belirleyebilir.

İşleyişine bir göz atalım:

• Görüntü yakalama: Kameralar ve drone'lar gibi Nesnelerin İnterneti (IoT) cihazları, tarlaların farklı konumlarından ve açılarından ürünlerin gerçek zamanlı görüntülerini çekmek üzere kullanılabilir.
• İşleme: Kullanılabilir kaynaklara ve bağlantıya bağlı olarak görüntüler, uç bilişim aracılığıyla yerinde işlenebilir veya daha kapsamlı 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 böceklerden etkilenmiş veya besin eksikliği olan mahsuller bulunabilir; böylece tarlanın farklı bölgelerini etkileyen belirli sorunlar saptanabilir.
• İçgörü oluşturma: Sınıflandırmalara dayanarak Ultralytics YOLO11, mahsul sağlığı göstergeleri hakkında içgörüler sunar ve çiftçilerin hastalık belirtilerini erken fark etmesine, zararlıların yoğun olduğu bölgeleri belirlemesine veya besin eksikliklerini tespit etmesine yardımcı olur.
• Bilinçli karar verme: Bu içgörüler sayesinde çiftçiler sulama, gübreleme ve zararlı kontrolü konusunda hedefe yönelik kararlar alabilir, kaynakları yalnızca en çok ihtiyaç duyulan yerlerde kullanabilir.

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

Perakende sektöründe Ultralytics YOLO11 ile görüntü sınıflandırma#

Görüntü sınıflandırma, perakende alışveriş deneyimini kişiselleştirerek ve kullanıcı dostu hâle getirerek önemli ölçüde iyileştirebilir. Perakendeciler, envanterlerindeki ürünleri tanımak için özel olarak eğitilmiş bilgisayarlı görü modellerini kullanabilir ve bu özelliği mobil uygulamalarına veya web sitelerine entegre edebilir. Böylece müşteriler yalnızca fotoğraf yükleyerek ürün arayabilir, alışverişlerini daha hızlı ve kolay hâle getirebilir.

Bir müşteri görsel arama sistemine görüntü yüklediğinde, arama sonuçları gösterilmeden önce arka planda birkaç işlem gerçekleşir.

Önce, görüntüdeki ana nesneleri belirlemek için nesne tespiti kullanılabilir; örneğin bir giysi ya da mobilya parçası belirlenip arka plandan ayrılabilir. Ardından, her nesneyi daha ayrıntılı sınıflandırmak ve bunun ceket, gömlek, kanepe ya da masa olup olmadığını tanımak için görüntü sınıflandırma kullanılabilir.

Sistem, bu bilgilerle satın alınabilecek benzer ürünleri listeleyebilir. Bu, özellikle yalnızca sözcüklerle tarif edilmesi zor, benzersiz veya popüler ürünleri bulmak için yararlıdır. Aynı teknoloji, ürünleri otomatik olarak tanıyıp kategorilere ayırarak envanter yönetimi gibi diğer perakende görevlerini de kolaylaştırabilir.

Şekil 4. Görüntü sınıflandırma tabanlı bir görsel arama platformunun kullanımı.

Ultralytics YOLO11 ile yaban hayatını görüntü sınıflandırma yoluyla izleme#

Geleneksel olarak vahşi hayvanları izlemek, çok sayıda kişinin binlerce fotoğrafı elle sıralayıp analiz etmesini gerektiren zahmetli bir iştir. Araştırmacılar, Ultralytics YOLO11 gibi bilgisayarlı görü modelleriyle hayvanları daha hızlı ve otomatik olarak izleyebilir. Doğal yaşam alanlarına fotoğraf çeken kameralar yerleştirilebilir. Ardından görüntüleri analiz edip içlerindeki hayvanları (varsa) sınıflandırmak için yapay zekâ destekli görü modeli kullanılabilir. Böyle bir sistem, araştırmacıların hayvan popülasyonlarını ve göç düzenlerini incelemesine ve izlemesine yardımcı olabilir.

Ultralytics YOLO11 gibi yapay zekâ ve bilgisayarlı görü modellerinin bu alana katkı sağlayabileceği bir başka yol da nesli tükenmekte olan türleri sınıflandırma sürecini kolaylaştırmaktır. Bu modeller, bir hayvanın ait olabileceği olası türleri veya ırk kategorilerini belirleyerek araştırmacılara önemli veriler sağlayabilir. Örneğin, Tasmania Üniversitesi (UTAS), farklı Tazmanya yaban hayatı türlerini izlemek için görüntü sınıflandırmaya dayalı bir sistem geliştirdi. Modellerin tahminleri, bilim insanlarının ve araştırmacıların hayvanların faaliyetlerini ve davranışlarını takip etmesine yardımcı olabilir; bu da kaçak avlanma veya yaşam alanı kaybı gibi tehditlere işaret edebilir.

Şekil 5. Ultralytics YOLO11'in bir köpeğin ait olabileceği olası ırkları tahmin etmesi.

Ultralytics YOLO11 modeliyle görüntü sınıflandırmayı deneme#

Görüntü sınıflandırmanın ne olduğunu ele alıp uygulamalarından bazılarını incelediğimize göre, şimdi YOLO11 ile görüntü sınıflandırmayı nasıl deneyebileceğine bakalım. Başlamak için iki kolay yol var: Ultralytics Python paketini kullanmak veya Ultralytics HUB üzerinden çalışmak. Her iki seçeneği de adım adım ele alacağız.

Ultralytics YOLO11 ile çıkarım çalıştırma#

Ultralytics Python paketini kullanmaya başlamak için paketi pip, conda veya Docker ile yüklemen yeterli. Herhangi bir sorunla karşılaşırsan, sorun giderme ipuçları için Sık Karşılaşılan Sorunlar Kılavuzu sayfamıza göz at.

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 ve daha önce görülmemiş veriler üzerinde tahmin yapmak için kullanmak demektir. Seçtiğin bir görüntüyle deneyebilirsin!

Şekil 6. Ultralytics YOLO11 modeliyle çıkarım çalıştırma.

Özel bir Ultralytics YOLO11 sınıflandırma modelini eğitme#

Özel bir Ultralytics YOLO11 sınıflandırma modelini eğitmek için aynı Python paketini de kullanabilirsin. Özel eğitim, YOLO11 modelini ihtiyaçlarına göre ince ayarlamana olanak tanır. Örneğin, farklı kedi ırklarını sınıflandıran bir uygulama geliştiriyorsan, yalnızca bu amaç için bir YOLO11 sınıflandırıcısını özel olarak eğitebilirsin.

Aşağıdaki kod, Ultralytics YOLO11 görüntü sınıflandırma modelinin nasıl yüklenip eğitileceğini gösteriyor. Mevcut bir modelden yararlanarak kendi modelinin performansını artırmak için önceden eğitilmiş ağırlıkları aktarmana olanak tanıyor. İyi bilinen, giysi ürünlerinin (gömlek, pantolon, ayakkabı vb.) gri tonlamalı görüntülerinden oluşan "fashion-mnist" veri kümesi gibi bir veri kümesi belirtebilirsin. Modeli bu veri kümesiyle eğitmek, farklı giysi 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 Ultralytics YOLO11 modelini özel olarak eğitme.

YOLO11'i Ultralytics HUB'da dene#

Ultralytics paketini kullanmak kolaydır ancak Python bilgisi gerektirir. Yeni başlayanlar için daha uygun bir seçenek arıyorsan, farklı YOLO modellerinin eğitimini ve dağıtımını kolay ve erişilebilir hâle getirmek için 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. Nano, küçük, orta, büyük ve ekstra büyük boyutlarda çeşitli modeller göreceksin. Bir model seçtikten sonra ‘Preview’ bölümünden görüntü yükleyebilirsin. Görüntü işlendikten sonra tahminler sayfanın sol tarafında görünür.

Şekil 8. Çıkarım çalıştırmak için Ultralytics HUB'ı kullanma.

Önemli çıkarımlar#

YOLO11, farklı sektörlerde yeni olanaklar sunan güçlü görüntü sınıflandırma özelliklerine sahiptir. Tarımda mahsul izlemeyi iyileştirmekten perakendede ürün aramalarını geliştirmeye ve yaban hayatını koruma çalışmalarını desteklemeye kadar YOLO11'in hızı ve doğruluğu, onu çok çeşitli uygulamalar için ideal hâle getirir. Ultralytics Python paketiyle özel eğitim ve Ultralytics HUB'da kullanıcı dostu, kod gerektirmeyen kurulum seçenekleri sayesinde kullanıcılar YOLO11'i iş akışlarına kolayca entegre edebilir. Daha fazla sektör yapay zekâyı benimsedikçe YOLO11, görüntü sınıflandırma için esnek ve hızlı bir seçenek sunar.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözüm sayfalarımızda otonom araçlardaki ve sağlık hizmetlerindeki yapay zekâ uygulamalarını keşfet.