Örnek segmentasyonu için Ultralytics YOLO11 nasıl kullanılır
Yeni Ultralytics YOLO11 modelinin atık yönetimi ve alev izleme gibi uygulamalarda daha yüksek hassasiyet elde etmek için örnek segmentasyonunda nasıl kullanılabileceğini öğren.
Bilgisayarlı görü, makinelerin görsel bilgileri yorumlamasına ve anlamasına yardımcı olan yapay zeka (AI) alanı olarak örnek segmentasyonu gibi görevleri mümkün kılar. Örnek segmentasyonu, bir görüntüde aynı türden birden fazla nesne bulunsa bile görüntü veya video karesindeki her farklı nesnenin kesin sınırlarını işaretlemek için kullanılabilir. Yüksek hassasiyet düzeyi sayesinde örnek segmentasyonu, otonom araçların yoldaki engelleri algılamasına yardımcı olmaktan tıbbi taramalarda tümörleri belirlemeye kadar geniş bir uygulama alanına sahiptir.
Yıllar içinde örnek segmentasyonu önemli ölçüde gelişti. Yakın zamanda Ultralytics’in yıllık hibrit etkinliği YOLO Vision 2024 (YV24) sırasında Ultralytics YOLO11 modeli biçiminde yeni bir gelişme sunuldu. Yeni model, Ultralytics YOLOv8 modeliyle aynı bilgisayarlı görü görevlerini (örnek segmentasyonu dahil) desteklediğinden, önceki sürümlere aşina kullanıcılar yeni modeli sorunsuzca benimseyebilir.
Şekil 1. Örnek segmentasyonu için Ultralytics YOLO11 modelinin kullanımına bir örnek.
Bu makalede örnek segmentasyonunu ve bunun anlamsal segmentasyon gibi diğer bilgisayarlı görü görevlerinden farklarını inceleyecek, ayrıca bazı uygulamalarını ele alacağız. Ayrıca Ultralytics Python paketi ve Ultralytics HUB platformunu kullanarak YOLO11 örnek segmentasyonu modelini nasıl kullanabileceğini adım adım göstereceğiz. Hadi başlayalım!
Örnek segmentasyonu nedir?#
Örnek segmentasyonu, bir görüntüdeki nesneleri belirlemek ve bunların ana hatlarını piksel düzeyinde çizmek için kullanılabilir. Süreç genellikle önce nesneleri algılamayı ve etraflarına sınırlayıcı kutular çizmeyi içerir. Ardından bir segmentasyon algoritması, her nesne için kesin bir maske oluşturmak üzere sınırlayıcı kutu içindeki her pikseli sınıflandırır.
Örnek segmentasyonu, anlamsal segmentasyon ve panoptik segmentasyon gibi görevlerden de farklıdır. Anlamsal segmentasyon, tek tek örnekleri birbirinden ayırmadan her pikseli bir nesnenin genel kategorisine göre etiketler. Buna karşılık panoptik segmentasyon, her pikseli hem bir sınıf hem de bir örnek kimliğiyle etiketleyerek örnek ve anlamsal segmentasyonu birleştirir ve her kategorideki tek tek nesneleri belirler.
Şekil 2. Bir kişi ve köpeği algılamak ve segmentlere ayırmak için YOLO11 kullanımı.
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 kontrolü gibi yüksek hassasiyet gerektiren görevlerde kullanılabilir.
Önceki modellerde olduğu gibi YOLO11 örnek segmentasyonu modeli de ihtiyaçlarına göre çeşitli sürümlerle sunulur. Bu sürümler arasında YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) ve YOLO11x-seg (Extra Large) bulunur. Bu modeller boyut, işlem hızı, doğruluk ve ihtiyaç duydukları hesaplama gücü bakımından farklılık gösterir. Özel gereksinimlerine göre uygulamana en uygun modeli seçebilirsin.
YOLO11 için örnek segmentasyonu uygulamaları#
YOLO11’in gelişmiş örnek segmentasyonu yetenekleri, çeşitli sektörlerde geniş bir uygulama yelpazesinin önünü açar. Şimdi bu uygulamalardan bazılarına daha yakından bakalım.
Petrol ve gaz sektöründe YOLO11 segmentasyonunu kullanma#
Petrol ve gaz çıkarma işlemi, son derece yüksek basınç dalgalanmalarının yönetilmesini gerektirir. Gaz yakma gibi teknikler, petrol çıkarma sırasında üretilen doğal gazı yakarak bertaraf etmeye yardımcı olur. Bu, güvenlik nedenleriyle gereklidir. Örneğin ham petrol çıkarma sırasında ani veya önemli bir basınç artışı patlamaya yol açabilir. Nadir görülse de petrol ve gaz üretim sektöründeki endüstriyel kazalar, kontrol altına alınması ve yönetilmesi zor şiddetli yangınlara neden olabilir. Gaz yakma, fazla gazı yakarak operatörlerin ekipman basıncını güvenli şekilde düşürmesine ve öngörülemeyen büyük basınç dalgalanmalarını yönetmesine yardımcı olur.
AI sistemleri bu izleme sürecini iyileştirebilir ve örnek segmentasyonu tabanlı bir alev izleme sistemi kullanılarak kaza riski azaltılabilir. Aşırı gaz yakma çevreyi olumsuz etkileyebileceğinden, gaz yakmanın izlenmesi çevresel nedenlerle de önemlidir.
Ultralytics YOLO11 örnek segmentasyonu modelleri, yakmadan kaynaklanan yangın ve duman miktarını izlemek için kullanılabilir. Algılanan ve segmente edilen alevin ve dumanın piksel alanı hesaplanabilir. Operatörler bu bilgileri kullanarak yakmanın neden olduğu alev ve duman hakkında gerçek zamanlı içgörüler elde edebilir; böylece kazaları ve olumsuz çevresel etkileri önlemeye yardımcı olabilirler.
Şekil 3. Petrol ve gaz üretiminde YOLO11 kullanılarak alev izlemeye bir örnek.
Plastik atık yönetimi için YOLO11 ile örnek segmentasyonu#
Atık yönetimi ve geri dönüşüm tesislerindeki çalışanlar, plastik atık malzemelerini belirlemek için YOLO11 örnek segmentasyonu tabanlı sistemleri kullanabilir. YOLO11, karton ve plastik gibi farklı atık malzemelerini doğru şekilde belirlemek (ayrı işlenmeleri için) üzere robotik ayırma sistemleriyle entegre edilebilir. Küresel olarak üretilen 7 milyar ton plastik atığın yalnızca yaklaşık %10'unun geri dönüştürüldüğü düşünüldüğünde bu özellikle önemlidir.
Plastik atıkların belirlenmesini ve ayıklanmasını otomatikleştirmek, çalışanların ürünleri elle ayırdığı geleneksel yöntemlere kıyasla gereken süreyi önemli ölçüde azaltır. Bilgisayarlı görü modelleri, genellikle birbirine dolandıkları için özellikle zorlayıcı olan ambalaj ve poşet gibi yumuşak plastikleri bile segmente edebilir. YOLO11 modelleri, farklı plastik türlerini segmente etmek üzere özel olarak eğitilebilir. Aşağıdaki bölümlerde bir YOLO11 modelini nasıl özel olarak eğitebileceğini daha ayrıntılı öğreneceğiz.
Şekil 4. Ultralytics YOLO11 kullanılarak plastik atıkların belirlenmesi.
Otonom araçlarda YOLO11 segmentasyonu#
Örnek segmentasyonunun bir diğer ilginç kullanım alanı otonom araçlardır. YOLO11, otonom araçların nesneleri piksel düzeyinde doğru şekilde tanıyarak yolcuların ve yoldaki diğer kişilerin güvenliğini artırmasını sağlar. Aracın yerleşik kamera sistemi, çevrenin görüntülerini yakalayabilir ve bunları YOLO11 ile örnek segmentasyonunu kullanarak analiz edebilir. Görüntüdeki her nesne (yayalar, trafik ışıkları, diğer araçlar vb.) segmente edilir ve kendisine bir etiket atanır. Bu düzeydeki hassasiyet, otonom araçların çevrelerindeki her bir nesneyi belirlemesini sağlar.
Şekil 5. Yoldaki araçları ve yayaları belirlemek için YOLO11 ve örnek segmentasyonunun kullanımı.
YOLO11 modeliyle örnek segmentasyonunu deneme#
Örnek segmentasyonunu incelediğimize ve bazı uygulamalarını ele aldığımıza göre, şimdi bunu Ultralytics YOLO11 modelini kullanarak nasıl deneyebileceğine bakalım.
Bunu yapmanın iki yolu var: Ultralytics Python paketini veya Ultralytics HUB'ı kullanabilirsin. Her ikisini de inceleyeceğiz; önce Python paketiyle başlayalım.
YOLO11 kullanarak çıkarım çalıştırma#
Bir çıkarım çalıştırmak, yeni ve daha önce görülmemiş verileri analiz etmek için modeli kullanmayı içerir. YOLO11 örnek segmentasyonu modeliyle kod üzerinden çıkarım çalıştırmak için Ultralytics Python paketini pip, conda veya docker kullanarak yüklememiz gerekir. Yükleme sırasında sorun yaşarsan sorun giderme konusunda yardım almak için Yaygın Sorunlar Kılavuzumuza başvurabilirsin. Paket yüklendikten sonra YOLO11 örnek segmentasyonu modelini yüklemek ve bir görüntü üzerinde tahminler çalıştırmak için aşağıda gösterilen kodu kullanabilirsin.
Şekil 6. YOLO11n-seg kullanarak bir görüntü üzerinde çıkarım çalıştırma.
Özel bir YOLO11 modeli eğitme#
Aynı kod yapısıyla özel bir YOLO11 modelini de eğitebilirsin. Bir YOLO11 modelini ince ayarlayarak, belirli proje gereksinimlerini daha iyi karşılayan özel bir model sürümü oluşturabilirsin. Örneğin perakendeciler, bir müşterinin fiziksel özelliklerini doğru şekilde segmente etmek ve uygun kıyafetler önermek için özel bir model kullanabilir. Aşağıdaki kod parçası, 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 eğitim yapabilirsin.
Tamamlandığında, özel modeli belirli uygulamaların için çıkarım çalıştırmak üzere kullanabilirsin. Dışa aktarma seçeneğini kullanarak özel modelini farklı bir biçime de aktarabilirsin.
Ultralytics HUB üzerinde YOLO11 örnek segmentasyonu#
Kod üzerinden YOLO11 örnek segmentasyonu modeliyle çıkarım çalıştırmayı ve özel eğitim yapmayı incelediğimize göre, şimdi kod gerektirmeyen bir alternatife, Ultralytics HUB'a bakalım. Ultralytics HUB, YOLO11 örnek segmentasyonu modelleri de dahil olmak üzere YOLO modellerinin eğitilmesi ve dağıtıma alınması sürecini basitleştiren sezgisel bir görsel AI platformudur.
Görüntüler üzerinde çıkarım çalıştırmak için yapman gerekenler şunlardır: bir hesap oluştur, ‘Models’ bölümüne git ve istediğin YOLO11 örnek segmentasyonu modeli sürümünü seç. Bir görüntü yükleyebilir ve aşağıda gösterildiği gibi önizleme bölümünde tahmin sonuçlarını görüntüleyebilirsin.
Şekil 7. Ultralytics HUB üzerinde çıkarımlar çalıştırma.
Önemli çıkarımlar#
YOLO11, çeşitli sektörlerde pek çok olasılığın önünü 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 üzerinden özel eğitim ve Ultralytics HUB aracılığıyla kod gerektirmeyen kurulum seçenekleri sayesinde kullanıcılar YOLO11’i iş akışlarına sorunsuzca entegre edebilir. Endüstriyel uygulamalar, sağlık hizmetleri, perakende veya çevresel izleme için YOLO11, çeşitli segmentasyon ihtiyaçlarını karşılamak üzere esneklik ve doğruluk sunar.
Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözümler sayfalarımızda otonom araçlarda ve tarımda AI uygulamalarını keşfet. 🚀
