5 Kasım 2024
Yeni Ultralytics YOLO11 modelinin, atık yönetimi ve alev izleme gibi uygulamalarda daha yüksek hassasiyet elde etmek için örnek segmentasyonunda nasıl kullanılabileceğini anlayın.
Makinelerin görsel bilgileri yorumlamasına ve anlamasına yardımcı olan bir yapay zeka (AI) alanı olan Görüntü işleme, örnek segmentasyonu gibi görevleri mümkün kılar. Örnek segmentasyonu, bir görüntüdeki aynı türden birden fazla nesne mevcut olsa bile, görüntüdeki her bir farklı nesnenin tam sınırlarını işaretlemek için bir görüntüyü veya video karesini analiz etmek için kullanılabilir. Yüksek hassasiyet düzeyi sayesinde, örnek segmentasyonunun otonom araçların yoldaki engelleri tespit etmesine yardımcı olmaktan tıbbi taramalarda tümörleri tanımlamaya kadar çok çeşitli uygulamaları vardır.
Yıllar içinde, örnek segmentasyonu önemli ölçüde gelişti. Son gelişmelerden biri, Ultralytics'in yıllık hibrit etkinliği olan YOLO Vision 2024'te (YV24), Ultralytics YOLO11 modeli şeklinde tanıtıldı. Yeni model, Ultralytics YOLOv8 modeliyle aynı bilgisayarlı görü görevlerini (örnek segmentasyonu dahil) desteklemektedir, bu nedenle önceki sürümlere aşina olan kullanıcılar yeni modeli sorunsuz bir şekilde benimseyebilir.
Bu makalede, örnek segmentasyonunu ve anlamsal segmentasyon gibi diğer bilgisayar görüşü görevlerinden nasıl farklı olduğunu keşfedecek ve bazı uygulamalarını tartışacağız. Ayrıca, Ultralytics Python paketi ve Ultralytics HUB platformunu kullanarak YOLO11 örnek segmentasyon modelini nasıl kullanabileceğinizi de adım adım göstereceğiz. Haydi başlayalım!
Nesne bölümlendirme, bir görüntüdeki nesneleri tanımlamak ve onları piksel düzeyinde ana hatlarıyla belirtmek için kullanılabilir. Süreç tipik olarak önce nesneleri algılamayı ve onların etrafına sınırlandırma kutuları çizmeyi içerir. Daha sonra, bir bölümlendirme algoritması, her bir nesne için kesin bir maske oluşturmak amacıyla sınırlandırma kutusu içindeki her pikseli sınıflandırır.
Nesne bölümlendirme aynı zamanda semantik bölümlendirme ve panoptik bölümlendirme gibi görevlerden de farklıdır. Semantik bölümlendirme, tek tek nesneleri ayırt etmeden her pikseli bir nesnenin genel kategorisine göre etiketler. Panoptik bölümlendirme ise, her pikseli hem bir sınıfla hem de bir nesne kimliğiyle etiketleyerek, her kategori içindeki tek tek nesneleri tanımlayarak hem nesne hem de semantik bölümlendirmeyi birleştirir.
Örnek segmentasyonunun yetenekleri, farklı modeller gerektirebilecek çeşitli senaryolarda uygulanabilir. Örneğin, hafif bir model gerçek zamanlı işleme için mobil uygulamalarda ideal olabilirken, daha karmaşık bir model, üretimde kalite kontrolü gibi yüksek hassasiyetli görevler için kullanılabilir.
Önceki modeller gibi, YOLO11 örnek segmentasyon modeli de ihtiyaçlarınıza bağlı olarak çeşitli varyasyonlarla birlikte gelir. Bu varyasyonlar arasında YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) ve YOLO11x-seg (Extra Large) bulunur. Bu modeller, boyutları, işlem hızları, doğrulukları ve gerektirdikleri hesaplama gücü miktarı açısından farklılık gösterir. Belirli gereksinimlerinize bağlı olarak, uygulamanıza en uygun modeli seçebilirsiniz.
YOLO11'in gelişmiş örnek segmentasyon yetenekleri, çeşitli sektörlerde bir dizi uygulamanın önünü açıyor. Bu uygulamalardan bazılarına daha yakından bakalım.
Petrol ve gaz çıkarma, aşırı yüksek basınç dalgalanmalarını yönetmeyi içerir. Gaz parlatma gibi teknikler, petrol çıkarma sırasında üretilen doğal gazı yakmaya yardımcı olur. Güvenlik nedenleriyle gereklidir. Örneğin, ham petrol çıkarımında, ani veya önemli bir basınç artışı patlamaya yol açabilir. Nadir olmakla birlikte, petrol ve gaz üretim sektöründeki endüstriyel kazalar, kontrol altına alınması zor olan yoğun yangınlara neden olabilir. Gaz parlatma, operatörlerin fazla gazı yakarak ekipmanı güvenli bir şekilde basınçsızlaştırmasına ve öngörülemeyen, büyük basınç dalgalanmalarını yönetmesine yardımcı olur.
Yapay zeka sistemleri bu izleme sürecini iyileştirebilir ve örnek segmentasyon tabanlı bir alev izleme sistemi kullanılarak kaza riski azaltılabilir. Gaz parlamasının izlenmesi, çok fazla parlamanın çevreyi olumsuz etkileyebileceği çevresel nedenlerle de önemlidir.
Ultralytics YOLO11 örnek segmentasyonu modelleri, alevlenmeden kaynaklanan yangın ve duman miktarını izlemek için kullanılabilir. Algılanan ve bölümlere ayrılan alev ve dumanın piksel alanı hesaplanabilir. Bu bilgiler kullanılarak, operatörler alevlenmeden kaynaklanan alev ve duman hakkında gerçek zamanlı bilgiler edinebilir, bu da kazaları ve olumsuz çevresel etkileri önlemelerine yardımcı olur.
Atık yönetimi ve geri dönüşüm tesislerindeki işçiler, plastik atık malzemelerini tanımlamak için YOLO11 örnek segmentasyon tabanlı sistemleri kullanabilir. YOLO11, karton ve plastik gibi farklı atık malzemelerini (ayrı işlenmek üzere) doğru bir şekilde tanımlamak için robotik ayıklama sistemleriyle entegre edilebilir. Dünya genelinde üretilen 7 milyar ton plastik atığın yalnızca yaklaşık %10'unun geri dönüştürüldüğü düşünüldüğünde bu özellikle önemlidir.
Plastik atıkların tanımlanması ve ayrıştırılmasının otomatikleştirilmesi, çalışanların öğeleri elle ayırdığı geleneksel yöntemlere kıyasla gereken süreyi önemli ölçüde azaltır. Bilgisayarlı görü modelleri, özellikle birbirine dolanmaları nedeniyle zor olan ambalaj ve poşet gibi yumuşak plastikleri bile segmentlere ayırabilir. YOLO11 modelleri ayrıca farklı plastik türlerini segmentlere ayırmak için özel olarak eğitilebilir. Aşağıdaki bölümlerde bir YOLO11 modelini nasıl özel olarak eğitebileceğinizi daha ayrıntılı olarak öğreneceğiz.
Örnek segmentasyonunun bir diğer ilginç kullanım alanı da otonom araçlardır. YOLO11, pikseller düzeyinde nesneleri doğru bir şekilde tanıyarak sürücüsüz otomobillerin yolcu güvenliğini ve yoldaki diğer kişilerin güvenliğini artırmasını sağlar. Otomobilin üzerindeki kamera sistemi, çevrenin görüntülerini yakalayabilir ve YOLO11 ve örnek segmentasyonu kullanarak bunları analiz edebilir. Görüntüdeki her nesne (yayalar, trafik ışıkları, diğer araçlar vb.) segmentlere ayrılır ve etiketlenir. Bu hassasiyet düzeyi, otonom araçlara çevrelerindeki her bir nesneyi tanımlama yeteneği verir.
Artık örnek segmentasyonunu incelediğimize ve bazı uygulamalarını tartıştığımıza göre, Ultralytics YOLO11 modelini kullanarak nasıl deneyebileceğinizi görelim.
Bunu yapmanın iki yolu vardır: Ultralytics Python paketini veya Ultralytics HUB'ı kullanabilirsiniz. Python paketiyle başlayarak her ikisini de inceleyeceğiz.
Bir çıkarım çalıştırmak, modeli daha önce hiç görülmemiş yeni verileri analiz etmek için kullanmayı içerir. YOLO11 örnek segmentasyon modelini kullanarak kod aracılığıyla bir çıkarım çalıştırmak için, pip, conda veya docker kullanarak Ultralytics Python paketini yüklememiz gerekir. Kurulum sırasında herhangi bir sorunla karşılaşırsanız, sorun giderme konusunda yardım için Sık Karşılaşılan Sorunlar Kılavuzumuza başvurabilirsiniz. Paket yüklendikten sonra, YOLO11 örnek segmentasyon modelini yüklemek ve bir görüntü üzerinde tahminler çalıştırmak için aşağıda gösterilen kodu çalıştırabilirsiniz.
Aynı kod kurulumuyla, özel bir YOLO11 modelini de eğitebilirsiniz. Bir YOLO11 modeline ince ayar yaparak, belirli proje gereksinimlerinizi daha iyi karşılayan özel bir model sürümü oluşturabilirsiniz. Örneğin, perakendeciler, müşterinin fiziksel özelliklerini doğru bir şekilde bölümlere ayırmak ve uygun şekilde giysi önermek için özel bir model kullanabilir. Aşağıdaki kod parçacığı, örnek segmentasyonu için bir YOLO11 modelinin nasıl yükleneceğini ve eğitileceğini gösterir. Etkili segmentasyon elde etmek için bir YAML yapılandırmasından veya önceden eğitilmiş bir modelden başlayabilir, ağırlıkları aktarabilir ve COCO gibi bir veri kümesi üzerinde eğitebilirsiniz.
Tamamlandıktan sonra, belirli uygulamalarınız için özel modeli kullanarak çıkarımlar gerçekleştirebilirsiniz. Dışa aktarma seçeneğini kullanarak, özel modelinizi farklı bir formata da aktarabilirsiniz.
Artık YOLO11 örnek segmentasyon modelinde çıkarımlar yürütmeyi ve özel eğitimler yapmayı kod aracılığıyla incelediğimize göre, kodsuz bir alternatife göz atalım: Ultralytics HUB. Ultralytics HUB, YOLO11 örnek segmentasyon modelleri de dahil olmak üzere YOLO modellerini eğitme ve dağıtma sürecini basitleştiren sezgisel bir Görüntü İşleme yapay zeka platformudur.
Görüntüler üzerinde çıkarım yapmak için tek yapmanız gereken; bir hesap oluşturmak, 'Modeller' bölümüne gitmek ve istediğiniz YOLO11 örnek segmentasyon modeli varyantını seçmek. Bir görüntü yükleyebilir ve aşağıdaki resimde gösterildiği gibi tahmin sonuçlarını önizleme bölümünde görüntüleyebilirsiniz.
YOLO11, çeşitli sektörlerde bir olasılıklar dünyasının kapılarını açan güvenilir örnek segmentasyonu yetenekleri sunar. Otonom araçlarda güvenliği artırmaktan, petrol ve gaz sektöründe gaz parlamasını izlemeye ve geri dönüşüm tesislerinde atık ayrıştırmayı otomatikleştirmeye kadar, YOLO11'in piksel düzeyinde hassasiyeti onu karmaşık segmentasyon görevleri için ideal hale getirir.
Ultralytics Python paketi aracılığıyla özel eğitim seçenekleri ve Ultralytics HUB üzerinden kodsuz kurulum ile kullanıcılar, YOLO11'i iş akışlarına sorunsuz bir şekilde entegre edebilir. İster endüstriyel uygulamalar, ister sağlık hizmetleri, perakende veya çevre izleme için olsun, YOLO11 çeşitli segmentasyon ihtiyaçlarını karşılamak için esneklik ve doğruluk getirir.
Daha fazlasını keşfetmek için GitHub depomuzu ziyaret edin ve topluluğumuzla etkileşim kurun. Çözüm sayfalarımızda otonom sürüşlü araçlarda ve tarımda yapay zeka uygulamalarını keşfedin. 🚀
.webp)