Örnek bölümleme için Ultralytics YOLO11 nasıl kullanılır

Computer vision, a field within artificial intelligence (AI) that helps machines interpret and understand visual information, enables tasks like instance segmentation. Instance segmentation can be used to analyze an image or video frame to mark the exact boundaries of each distinct object in the image, even when multiple objects of the same type are present. With its high level of precision, instance segmentation has a wide range of applications, from helping self-driving cars detect obstacles on the road to identifying tumors in medical scans.

Over the years, instance segmentation has evolved significantly. A recent development was introduced during Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), in the form of the Ultralytics YOLO11 model. The new model supports the same computer vision tasks (including instance segmentation) as the Ultralytics YOLOv8 model, so users familiar with previous versions can adopt the new model seamlessly.

Şekil 1. Örnek segmentasyonu için Ultralytics YOLO11 modelini kullanmaya bir örnek.

Bu makalede örnek segmentasyonunu ve anlamsal segmentasyon (semantic segmentation) gibi diğer bilgisayarlı görü görevlerinden farkını inceleyecek, ayrıca bazı uygulamaları hakkında konuşacağız. Ayrıca Ultralytics Python paketi ve Ultralytics HUB platformunu kullanarak YOLO11 örnek segmentasyon modelini nasıl kullanabileceğini adım adım göstereceğiz. Hadi başlayalım!

Link to this sectionÖrnek segmentasyonu nedir?#

Örnek segmentasyonu, bir görüntüdeki nesneleri tanımlamak ve onları piksel düzeyinde ana hatlarıyla belirtmek için kullanılabilir. Bu süreç genellikle önce nesneleri tespit etmeyi ve etraflarına sınırlayıcı kutular çizmeyi içerir. Ardından, bir segmentasyon algoritması her nesne için hassas bir maske oluşturmak üzere sınırlayıcı kutu içindeki her bir pikseli sınıflandırır.

Örnek segmentasyonu, anlamsal segmentasyon ve panoptik segmentasyon gibi görevlerden de farklıdır. Anlamsal segmentasyon, bireysel örnekleri ayırt etmeksizin her bir pikseli bir nesnenin genel kategorisine göre etiketler. Öte yandan panoptik segmentasyon, her bir pikseli hem bir sınıf hem de bir örnek kimliği ile etiketleyerek ve her kategori içindeki bireysel nesneleri tanımlayarak örnek ve anlamsal segmentasyonu birleştirir.

Şekil 2. Bir insanı ve köpeği tespit edip segmentlere ayırmak için YOLO11 kullanma.

Örnek segmentasyonunun yetenekleri, farklı modeller gerektirebilecek çeşitli senaryolarda uygulanabilir. Örneğin, hafif bir model mobil uygulamalarda gerçek zamanlı işleme için ideal olabilirken, daha karmaşık bir model üretimde kalite kontrol gibi yüksek hassasiyetli görevler için kullanılabilir.

Önceki modeller gibi, YOLO11 örnek segmentasyon modeli de ihtiyaçlarına bağlı olarak çeşitli varyasyonlarla 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, işleme hızları, doğrulukları ve ihtiyaç duydukları hesaplama gücü açısından farklılık gösterir. Özel gereksinimlerine göre uygulaman için en uygun modeli seçebilirsin.

Link to this sectionYOLO11 için örnek segmentasyonu uygulamaları#

YOLO11'in gelişmiş örnek segmentasyonu yetenekleri, çeşitli endüstrilerde bir dizi uygulama alanı açar. Bu uygulamalardan bazılarına daha yakından bakalım.

Link to this sectionPetrol ve gaz endüstrisinde YOLO11 segmentasyonunu kullanma#

Petrol ve gaz çıkarma süreci, son derece yüksek basınç dalgalanmalarının yönetilmesini içerir. Gaz yakma (gas flaring) gibi teknikler, petrol çıkarma sırasında üretilen doğal gazın yakılarak yok edilmesine yardımcı olur. Bu, güvenlik nedenleriyle gereklidir. Örneğin ham petrol çıkarımında ani veya önemli bir basınç artışı patlamaya yol açabilir. Yaygın olmasa da, petrol ve gaz üretim sektöründeki endüstriyel kazalar, kontrol altına alınması zor olan şiddetli yangınlara neden olabilir. Gaz yakma, operatörlerin ekipmandaki basıncı güvenli bir şekilde düşürmelerine ve fazla gazı yakarak öngörülemez büyük basınç dalgalanmalarını yönetmelerine 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 segmentasyonu modelleri, yakma kaynaklı ateş ve duman miktarını izlemek için kullanılabilir. Tespit edilen ve segmentlere ayrılan alevin ve dumanın piksel alanı hesaplanabilir. Bu bilgileri kullanarak operatörler, yakma kaynaklı ateş ve duman hakkında gerçek zamanlı içgörüler elde ederek kazaları ve olumsuz çevresel etkileri önlemeye yardımcı olabilirler.

Şekil 3. Petrol ve gaz üretiminde YOLO11 kullanılarak yapılan yakma izleme örneği.

Link to this sectionPlastik atık yönetimi için YOLO11 ile örnek segmentasyonu#

Atık yönetimi ve geri dönüşüm tesislerindeki çalışanlar, plastik atık malzemelerini tanımlamak için YOLO11 örnek segmentasyonu tabanlı sistemleri kullanabilirler. YOLO11, karton ve plastik gibi farklı atık malzemelerini (ayrı ayrı işlenmek üzere) doğru bir şekilde tanımlamak için robotik ayıklama sistemlerine entegre edilebilir. Dünya genelinde üretilen 7 milyar ton plastik atığın sadece %10 civarının geri dönüştürüldüğü göz önüne alındığında bu özellikle önemlidir.

Tanımlama ve plastik atık ayıklama süreçlerini otomatikleştirmek, çalışanların öğeleri elle ayırdığı geleneksel yöntemlere kıyasla gereken süreyi önemli ölçüde azaltır. Bilgisayarlı görü modelleri, genellikle birbirine dolaştıkları için özellikle zorlayıcı olan sargılar ve torbalar gibi yumuşak plastikleri bile bölümlere ayırabilir. YOLO11 modelleri ayrıca farklı plastik türlerini segmentlere ayırmak için özel olarak eğitilebilir. Bir YOLO11 modelini nasıl özel olarak eğitebileceğin hakkında daha fazla bilgiyi ilerleyen bölümlerde öğreneceğiz.

Şekil 4. Ultralytics YOLO11 kullanılarak plastik atık tanımlama.

Link to this sectionOtonom araçlarda YOLO11 segmentasyonu#

Örneklem bölümlemenin bir diğer ilginç kullanım alanı otonom araçlardır. YOLO11, sürücüsüz araçların nesneleri piksel düzeyinde doğru bir şekilde tanıyarak yolcu güvenliğini ve yoldaki diğer kişilerin güvenliğini artırmasını sağlar. Aracın dahili kamera sistemi, çevrenin görüntülerini yakalayabilir ve bunları YOLO11 ile örneklem bölümleme kullanarak analiz edebilir. Görüntü içindeki her nesne (yayalar, trafik ışıkları, diğer araçlar vb.) bölümlere ayrılır ve buna bir etiket verilir. Böyle bir hassasiyet seviyesi, otonom araçlara çevrelerindeki her bir nesneyi tanımlama yeteneği kazandırır.

Şekil 5. Yoldaki araçları ve yayaları tanımlamak için YOLO11 ve örnek segmentasyonunu kullanma.

Link to this sectionYOLO11 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.

Link to this sectionYOLO11 kullanarak çıkarım çalıştırma#

Çıkarım (inference) çalıştırmak, yeni ve daha önce görülmemiş verileri analiz etmek için modeli kullanmayı içerir. YOLO11 örnek segmentasyon modelini kod aracılığıyla kullanarak çıkarım çalıştırmak için pip, conda veya docker kullanarak Ultralytics Python paketini yüklememiz gerekir. Kurulum sırasında herhangi bir sorunla karşılaşırsan, sorun giderme konusunda yardım almak için Ortak Sorunlar Kılavuzumuza başvurabilirsin. Paket yüklendikten sonra, YOLO11 örnek segmentasyon modelini yüklemek ve bir görüntü üzerinde tahminler çalıştırmak için aşağıda gösterilen kodu kullanabilirsin.

Şekil 6. YOLO11n-seg kullanarak bir görüntü üzerinde çıkarım çalıştırma.

Link to this sectionÖzel bir YOLO11 modeli eğitme#

Aynı kod kurulumuyla, özel bir YOLO11 modelini eğitebilirsin. Bir YOLO11 modeline ince ayar yaparak, özel proje gereksinimlerini daha iyi karşılayan özel bir sürüm oluşturabilirsin. Örneğin perakendeciler, doğru bir şekilde oturan kıyafetler önermek için müşterinin fiziksel özelliklerini doğru bir şekilde segmentlere ayırmak üzere özel bir model kullanabilirler. Aşağıdaki kod parçası, örnek segmentasyonu için bir YOLO11 modelinin nasıl yükleneceğini ve eğitileceğini gösterir. Bir YAML yapılandırmasından veya önceden eğitilmiş bir modelden başlayabilir, ağırlıkları aktarabilir ve etkili bir segmentasyon elde etmek için COCO gibi bir veri seti üzerinde eğitebilirsin.

Tamamlandığında, özel uygulamaların için özel modeli kullanarak çıkarımlar yapabilirsin. Dışa aktarma seçeneğini kullanarak, özel modelini farklı bir formata da aktarabilirsin.

Link to this sectionUltralytics HUB üzerinde YOLO11 örnek segmentasyonu#

Artık kod aracılığıyla çıkarım çalıştırmayı ve özel bir YOLO11 örnek segmentasyon modelini eğitmeyi keşfettiğimize göre, kod yazmadan kullanılan bir alternatife bakalım: Ultralytics HUB. Ultralytics HUB, YOLO11 örnek segmentasyon modelleri dahil olmak üzere YOLO modellerini eğitme ve dağıtma sürecini basitleştiren sezgisel bir vizyon yapay zeka 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.

Link to this sectionÖne 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 et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda sürücüsüz araçlar ve tarım alanlarındaki yapay zeka uygulamalarını keşfet. 🚀