Örnek bölümleme için Ultralytics YOLO11 nasıl kullanılır
Yeni Ultralytics YOLO11 modelinin, atık yönetimi ve alev izleme gibi uygulamalarda daha yüksek hassasiyet elde etmek için örnek bölümleme (instance segmentation) için nasıl kullanılabileceğini anla.
Bilgisayarla görü, makinelerin görsel bilgileri yorumlamasına ve anlamasına yardımcı olan yapay zeka (AI) alanının bir parçasıdır ve örnek bölütleme (instance segmentation) gibi görevleri mümkün kılar. Örnek bölütleme, aynı türden birden fazla nesne bulunduğunda bile görüntüdeki her bir farklı nesnenin tam sınırlarını işaretlemek üzere bir görüntüyü veya video karesini analiz etmek için kullanılabilir. Yüksek hassasiyet seviyesiyle örnek bölütleme, otonom araçların yoldaki engelleri tespit etmesinden tıbbi taramalardaki tümörleri tanımlamaya kadar geniş bir uygulama yelpazesine sahiptir.
Yıllar içinde örnek bölütleme önemli ölçüde gelişti. Yakın zamanda yapılan bir geliştirme, Ultralytics'in yıllık hibrit etkinliği olan YOLO Vision 2024 (YV24) sırasında Ultralytics YOLO11 modeli biçiminde tanıtıldı. Yeni model, Ultralytics YOLOv8 modeliyle aynı bilgisayarla görü görevlerini (örnek bölütleme dahil) destekler, böylece önceki sürümlere aşina olan kullanıcılar yeni modeli sorunsuz bir şekilde benimseyebilir.
Şekil 1. Örnek segmentasyonu için Ultralytics YOLO11 modelini kullanmaya bir örnek.
Bu makalede örnek bölütlemeyi, anlamsal bölütleme gibi diğer bilgisayarla görü görevlerinden nasıl farklı olduğunu ve bazı uygulamalarını inceleyeceğiz. Ayrıca Ultralytics Python paketini ve Ultralytics HUB platformunu kullanarak YOLO11 örnek bölütleme modelini nasıl kullanabileceğinizi adım adım ele alacağız. Hadi başlayalım!
Örnek segmentasyonu nedir?#
Örnek bölütleme, bir görüntürdeki nesneleri tanımlamak ve bunları piksel düzeyinde çevrelemek için kullanılabilir. Bu süreç genellikle önce nesneleri tespit etmeyi ve bunların etrafına sınırlayıcı kutular (bounding boxes) çizmeyi içerir. Ardından, bir bölütleme algoritması, her nesne için hassas bir maske oluşturmak üzere sınırlayıcı kutu içindeki her pikseli sınıflandırır.
Örnek bölütleme aynı zamanda anlamsal bölütleme ve panoptik bölütleme gibi görevlerden de farklıdır. Anlamsal bölütleme, bireysel örnekleri ayırt etmeden, her pikseli bir nesnenin genel kategorisine göre etiketler. Öte yandan panoptik bölütleme, her pikseli hem bir sınıf hem de bir örnek kimliğiyle etiketleyerek her kategori içindeki bireysel nesneleri tanımlar ve böylece hem örnek hem de anlamsal bölütlemeyi birleştirir.
Şekil 2. Bir insanı ve köpeği tespit edip segmentlere ayırmak için YOLO11 kullanma.
Örnek bölütlemenin yetenekleri, farklı modeller gerektirebilecek çeşitli senaryolara uygulanabilir. Örneğin, hafif bir model mobil uygulamalarda gerçek zamanlı işleme için ideal olabilirken, daha karmaşık bir model imalatta kalite kontrolü gibi yüksek hassasiyetli görevler için kullanılabilir.
Önceki modeller gibi YOLO11 örnek bölütleme 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) yer alır. Bu modeller boyutları, işlem hızları, doğrulukları ve ihtiyaç duydukları hesaplama gücü miktarı açısından farklılık gösterir. Belirli gereksinimlerinize dayanarak uygulamanıza en uygun modeli seçebilirsiniz.
YOLO11 için örnek segmentasyonu uygulamaları#
YOLO11'in gelişmiş örnek segmentasyonu yetenekleri, çeşitli endüstrilerde bir dizi uygulama alanı açar. Bu uygulamalardan bazılarına daha yakından bakalım.
Petrol ve gaz endüstrisinde YOLO11 segmentasyonunu kullanma#
Petrol ve gaz üretimi, son derece yüksek basınç dalgalanmalarını yönetmeyi içerir. Gaz meşalesi yakma (gas flaring) gibi teknikler, petrol üretimi sırasında üretilen doğal gazın yakılarak uzaklaştırılmasına yardımcı olur. Güvenlik nedenleriyle bu zorunludur. Örneğin, ham petrol üretiminde ani veya önemli bir basınç artışı patlamaya yol açabilir. Yaygın olmasa da, petrol ve gaz üretim sektöründeki endüstriyel kazalar, kontrol altına alınması ve bastırılması zor olan yoğun yangınlarla sonuçlanabilir. Gaz meşalesi yakma, operatörlerin ekipmanın basıncını güvenli bir şekilde düşürmesine ve fazla gazı yakarak öngörülemeyen büyük basınç dalgalanmalarını yönetmesine yardımcı olur.
Yapay zeka sistemleri bu izleme sürecini iyileştirebilir ve örneklem bölümleme tabanlı bir meşale izleme sistemi kullanılarak kaza riski azaltılabilir. Gaz yakma işleminin izlenmesi, aşırı yakmanın çevre üzerinde olumsuz etkileri olabileceğinden çevresel nedenlerle de önemlidir.
Ultralytics YOLO11 örnek bölütleme modelleri, meşale yakmadan kaynaklanan ateş ve duman miktarını izlemek için kullanılabilir. Tespit edilen ve bölütlenen meşale ile dumanın piksel alanı hesaplanabilir. Bu bilgileri kullanarak operatörler, meşale yakmadan kaynaklanan alev ve duman hakkında gerçek zamanlı içgörüler elde edebilir ve bu da kazaları ve olumsuz çevresel etkileri önlemelerine yardımcı olur.
Şekil 3. Petrol ve gaz üretiminde YOLO11 kullanılarak yapılan yakma izleme örneği.
Plastik atık yönetimi için YOLO11 ile örnek segmentasyonu#
Atık yönetimi ve geri dönüşüm tesislerindeki çalışanlar, plastik atık malzemelerini tanımlamak için YOLO11 örnek bölütleme tabanlı sistemleri kullanabilir. YOLO11, karton ve plastik gibi farklı atık malzemeleri doğru bir şekilde tanımlamak için robotik ayıklama sistemleriyle entegre edilebilir (ayrı ayrı işlenmek üzere). Küresel olarak üretilen 7 milyar ton plastik atığın sadece yaklaşık %10'unun geri dönüştürüldüğü göz önüne alındığında bu özellikle önemlidir.
Çalışanların öğeleri elle ayırdığı geleneksel yöntemlere kıyasla plastik atıkların tanımlanmasını ve ayıklanmasını otomatikleştirmek gereken süreyi önemli ölçüde azaltır. Bilgisayarla görü modelleri, özellikle birbirine dolaşma eğiliminde oldukları için zorluk çıkaran ambalaj ve poşet gibi yumuşak plastikleri bile bölütleyebilir. YOLO11 modelleri ayrıca farklı plastik türlerini bölütlemek için özel olarak eğitilebilir. Sonraki bölümlerde bir YOLO11 modelini nasıl özel olarak eğitebileceğiniz hakkında daha fazla bilgi edineceğiz.
Şekil 4. Ultralytics YOLO11 kullanılarak plastik atık tanımlama.
Otonom araçlarda YOLO11 segmentasyonu#
Örnek bölütlemenin bir diğer ilgi çekici kullanım alanı da otonom araçlardır. YOLO11, self-servis araçların nesneleri piksel düzeyinde doğru bir şekilde tanıyarak yolcu güvenliğini ve yoldaki diğer kişilerin güvenliğini artırmasını sağlar. Aracın yerleşik kamera sistemi çevre görüntüler yakalayabilir ve bunları YOLO11 ile örnek bölütleme kullanarak analiz edebilir. Görüntü içindeki her nesne (yayalar, trafik ışıkları, diğer araçlar vb.) bölütlenir ve bir etiket verilir. Böyle bir hassasiyet seviyesi, otonom araçlara etrafllarındaki her bir nesneyi tanımlama yeteneği kazandırır.
Şekil 5. Yoldaki araçları ve yayaları tanımlamak için YOLO11 ve örnek bölütleme kullanma.
YOLO11 modeli ile örnek segmentasyonunu deneme#
Artık örnek segmentasyonunu incelediğimize ve bazı uygulamaları hakkında konuştuğumuza göre, Ultralytics YOLO11 modelini kullanarak bunu nasıl deneyebileceğine bakalım.
Bunu yapmanın iki yolu var: Ultralytics Python paketini veya Ultralytics HUB'ı kullanabilirsin. Her ikisini de inceleyeceğiz, önce Python paketiyle başlıyoruz.
YOLO11 kullanarak çıkarım çalıştırma#
Bir çıkarım (inference) çalıştırmak, yeni ve daha önce görülmemiş verileri analiz etmek için modeli kullanmayı içerir. Kod aracılığıyla YOLO11 örnek bölütleme modelini kullanarak bir çıkarım çalıştırmak için pip, conda veya docker kullanarak Ultralytics Python paketini yüklememiz gerekir. Kurulum sırasında herhangi bir sorunla karşılaşmanız durumunda, sorun giderme konusunda yardım için Yaygın Sorunlar Kılavuzumuza başvurabilirsiniz. Paket yüklendikten sonra, YOLO11 örnek bölütleme modelini yüklemek ve bir görüntü üzerinde tahminler çalıştırmak için aşağıda gösterilen kodu çalıştırabilirsiniz.
Şekil 6. YOLO11n-seg kullanarak bir görüntü üzerinde çıkarım çalıştırma.
Özel bir YOLO11 modeli eğitme#
Aynı kod kurulumuyla, özel bir YOLO11 modelini de eğitebilirsiniz. Bir YOLO11 modelini ince ayar yaparak (fine-tuning) özel proje gereksinimlerinizi daha iyi karşılayan özel bir sürümünü oluşturabilirsiniz. Örneğin, perakendeciler düzgün uyan kıyafetler önermek için bir müşterinin fiziksel özelliklerini doğru bir şekilde bölütlemek üzere özel bir model kullanabilir. Aşağıdaki kod parçacığı, örnek bölütleme için bir YOLO11 modelinin nasıl yükleneceğini ve eğitileceğini göstermektedir. Etkili bir bölütleme elde etmek için bir YAML yapılandırmasından veya önceden eğitilmiş bir modelden başlayabilir, ağırlıkları aktarabilir ve COCO gibi bir veri setinde eğitebilirsiniz.
Tamamlandığında, özel uygulamalarınız için özel modeli kullanarak çıkarımlar gerçekleştirebilirsiniz. Dışa aktarma seçeneğini kullanarak özel modelinizi farklı bir biçime de dışa aktarabilirsiniz.
Ultralytics HUB üzerinde YOLO11 örnek segmentasyonu#
Kod aracılığıyla çıkarım çalıştırmayı ve özel bir YOLO11 örnek bölütleme modelini eğitmeyi incelediğimize göre, kod gerektirmeyen bir alternatif olan Ultralytics HUB platformuna göz atalım. Ultralytics HUB, YOLO11 örnek bölütleme modelleri dahil olmak üzere YOLO modellerini eğitme ve devreye alma sürecini basitleştiren sezgisel bir yapay zeka görüş platformudur.
Görüntüler üzerinde çıkarım çalıştırmak için tek yapman gereken: bir hesap oluşturmak, 'Modeller' bölümüne gitmek ve seçtiğin YOLO11 örnek segmentasyon modeli varyantını seçmektir. Bir görüntü yükleyebilir ve aşağıda gösterildiği gibi önizleme bölümünde tahmin sonuçlarını görüntüleyebilirsin.
Şekil 7. Ultralytics HUB üzerinde çıkarımlar çalıştırma.
Öne çıkanlar#
YOLO11, çeşitli endüstrilerde bir olasılıklar dünyasının kapılarını açan güvenilir örnek segmentasyonu yetenekleri sunar. Otonom araçlarda güvenliği artırmaktan petrol ve gaz sektöründe gaz yakmayı izlemeye ve geri dönüşüm tesislerinde atık ayıklamayı otomatikleştirmeye kadar, YOLO11'in piksel düzeyindeki hassasiyeti onu karmaşık segmentasyon görevleri için ideal kılar.
Ultralytics Python paketi aracılığıyla özel eğitim seçenekleri ve Ultralytics HUB aracılığıyla kod gerektirmeyen kurulum ile kullanıcılar, YOLO11'i iş akışlarına sorunsuz bir şekilde entegre edebilirler. Endüstriyel uygulamalar, sağlık, perakende veya çevresel izleme için olsun, YOLO11 çeşitli segmentasyon ihtiyaçlarını karşılamak için esneklik ve doğruluk sağlar.
Daha fazlasını keşfetmek için GitHub depomuzu ziyaret edin ve topluluğumuzla etkileşime geçin. Çözüm sayfalarımızda otonom araçlar ve tarım alanındaki yapay zeka uygulamalarını keşfedin. 🚀
