Örnek segmentasyonu için Ultralytics YOLO11 nasıl kullanılır?

Makinelerin görsel bilgileri yorumlayıp anlamasına yardımcı olan, yapay zekâ (AI) alanındaki bilgisayarlı görü, örnek segmentasyonu gibi görevleri mümkün kılar. Örnek segmentasyonu, aynı türden birden fazla nesne bulunsa bile görüntü veya video karesini analiz ederek görüntüdeki her bir nesnenin tam sınırlarını işaretlemek için kullanılabilir. Yüksek hassasiyeti sayesinde örnek segmentasyonu, otonom araçların yoldaki engelleri algılamasına yardımcı olmaktan tıbbi taramalardaki tümörleri belirlemeye kadar geniş bir uygulama yelpazesine sahiptir.

Örnek segmentasyonu yıllar içinde önemli ölçüde gelişti. Son gelişmelerden biri, Ultralytics'in yıllık hibrit etkinliği YOLO Vision 2024 (YV24) sırasında artık yerini Ultralytics YOLO26'ya bırakmış olan Ultralytics YOLO11 modelinin tanıtılmasıyla geldi. Yeni model, Ultralytics YOLOv8 ile aynı bilgisayarlı görü görevlerini (örnek segmentasyonu dâhil) desteklediğinden, önceki sürümlere aşina kullanıcılar yeni modeli kolayca benimseyebilir.

Şekil 1. Örnek segmentasyonu için Ultralytics YOLO11 modelinin kullanımına bir örnek.

Bu makalede örnek segmentasyonunu ve anlamsal segmentasyon gibi diğer bilgisayarlı görü görevlerinden farklarını inceleyecek, ayrıca bazı uygulamalarını ele alacağız. YOLO11 örnek segmentasyonu modelini Ultralytics Python paketi ve Ultralytics HUB (artık Ultralytics Platform) ile nasıl kullanabileceğini de adım adım anlatacağız. Haydi başlayalım!

Örnek segmentasyonu nedir?#

Örnek segmentasyonu, görüntüdeki nesneleri belirlemek ve piksel düzeyinde dış hatlarını çizmek için kullanılabilir. Bu süreçte genellikle önce nesneler algılanır ve nesnelerin çevresine sınırlayıcı kutular çizilir. Ardından bir segmentasyon algoritması, her nesne için hassas bir maske oluşturmak üzere sınırlayıcı kutunun içindeki her pikseli sınıflandırır.

Örnek segmentasyonu; anlamsal segmentasyon ve panoptik segmentasyon gibi görevlerden de farklıdır. Anlamsal segmentasyon, tek tek örnekleri ayırt etmeden her pikseli nesnenin genel kategorisine göre etiketler. Öte yandan panoptik segmentasyon, her pikseli hem sınıf hem de örnek kimliğiyle etiketleyerek örnek ve anlamsal segmentasyonu birleştirir; böylece her kategorideki nesneleri ayrı ayrı tanımlar.

Şekil 2. YOLO11 ile bir kişi ve köpeğin algılanması ve segmentlere ayrılması.

Örnek segmentasyonunun yetenekleri, farklı modeller gerektirebilecek çeşitli senaryolarda kullanılabilir. Örneğin, mobil uygulamalarda gerçek zamanlı işlem için hafif bir model ideal olabilirken üretimde kalite kontrolü gibi yüksek hassasiyet gerektiren görevlerde daha karmaşık bir model kullanılabilir.

Önceki modellerde olduğu gibi YOLO11 örnek segmentasyonu modeli de ihtiyaçlarına göre farklı seçenekler sunar. Bu seçenekler YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) ve YOLO11x-seg (Extra Large) modelleridir. Bu modeller boyut, işlem hızı, doğruluk ve gerektirdikleri hesaplama gücü bakımından farklılık gösterir. Belirli gereksinimlerine göre uygulamana en uygun modeli seçebilirsin.

YOLO11 için örnek segmentasyonu uygulamaları#

YOLO11'in gelişmiş örnek segmentasyonu yetenekleri, çeşitli sektörlerde pek çok uygulamanın önünü açıyor. Bu uygulamalardan bazılarına daha yakından bakalım.

Petrol ve gaz sektöründe YOLO11 segmentasyonunun kullanımı#

Petrol ve doğal gaz çıkarımı, son derece yüksek basınç dalgalanmalarının yönetilmesini gerektirir. Gaz yakma gibi teknikler, petrol çıkarımı sırasında oluşan doğal gazı yakmaya yardımcı olur. Bu, güvenlik açısından gereklidir. Örneğin ham petrol çıkarımında basıncın aniden veya önemli ölçüde yükselmesi patlamaya yol açabilir. Nadir görülse de petrol ve gaz üretim sektöründeki endüstriyel kazalar, kontrol altına alınması ve yönetilmesi zor büyük yangınlara neden olabilir. Gaz yakma, fazla gazı yakarak işletmecilerin ekipmanlardaki basıncı güvenli biçimde 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, gaz yakma nedeniyle oluşan ateş ve duman miktarını izlemek için kullanılabilir. Algılanıp segmentlere ayrılan alev ve dumanın piksel alanı hesaplanabilir. Bu bilgiler sayesinde işletmeciler, gaz yakmanın neden olduğu alev ve duman hakkında gerçek zamanlı bilgi edinerek kazaları ve olumsuz çevresel etkileri önleyebilir.

Şekil 3. Petrol ve gaz üretiminde YOLO11 kullanılarak alev izlemesine bir örnek.

Plastik atık yönetiminde YOLO11 ile örnek segmentasyonu#

Atık yönetimi ve geri dönüşüm tesislerinde çalışanlar, plastik atıkları belirlemek için YOLO11'in örnek segmentasyonuna dayalı sistemleri kullanabilir. YOLO11, karton ve plastik gibi farklı atık malzemelerini (ayrı ayrı işlenmek üzere) doğru bir şekilde belirlemek için robotik ayıklama sistemleriyle entegre edilebilir. Dünya genelinde üretilen 7 milyar metrik ton plastik atığın yalnızca yaklaşık %10'unun geri dönüştürüldüğü göz önüne alındığında, bu özellikle önemlidir.

Plastik atıkların belirlenmesini ve ayrıştırılmasını otomatikleştirmek, çalışanların ürünleri elle ayırdığı geleneksel yöntemlere kıyasla gereken süreyi önemli ölçüde azaltır. Bilgisayarlı görü modelleri, sıklıkla birbirine dolandıkları için ayrıştırılması özellikle zor olan ambalaj ve poşet gibi yumuşak plastikleri bile segmentlere ayırabilir. YOLO11 modelleri farklı plastik türlerini segmentlere ayırmak üzere özel olarak da eğitilebilir. Sonraki bölümlerde bir YOLO11 modelini nasıl özel olarak eğitebileceğini daha ayrıntılı inceleyeceğiz.

Şekil 4. Ultralytics YOLO11 kullanarak plastik atıkları belirleme.

Otonom araçlarda YOLO11 segmentasyonu#

Örnek segmentasyonunun bir diğer ilginç kullanım alanı otonom araçlardır. YOLO11, nesneleri piksel düzeyinde doğru tanıyarak sürücüsüz araçların yolcuların ve diğer yol kullanıcılarının güvenliğini artırmasını sağlar. Aracın yerleşik kamera sistemi çevresinin görüntülerini çekebilir ve bu görüntüleri YOLO11 ile örnek segmentasyonu kullanarak analiz edebilir. Görüntüdeki her nesne (yayalar, trafik ışıkları, diğer araçlar vb.) segmentlere ayrılır ve etiketlenir. Bu hassasiyet düzeyi, otonom araçların çevrelerindeki her nesneyi belirleyebilmesini sağlar.

Şekil 5. Yoldaki araçları ve yayaları belirlemek için YOLO11 ve örnek segmentasyonunun kullanımı.

YOLO11 modeliyle örnek segmentasyonunu deneme#

Örnek segmentasyonunu inceleyip bazı uygulamalarını ele aldığımıza göre, şimdi 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 başlayalım.

YOLO11 ile çıkarım çalıştırma#

Çıkarım çalıştırmak, modeli daha önce görmediği yeni verileri analiz etmek için kullanmayı içerir. Kod üzerinden YOLO11 örnek segmentasyonu modeliyle 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 aşağıdaki kodu çalıştırarak YOLO11n-seg örnek segmentasyonu modelini yükleyebilir ve bir görüntü üzerinde tahminler çalıştırabilirsin.

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

Özel bir YOLO11 modelini eğitme#

Aynı kod düzeniyle özel bir YOLO11 modeli de eğitebilirsin. Bir YOLO11 modelini ince ayarlayarak belirli proje gereksinimlerini daha iyi karşılayan özel bir model oluşturabilirsin. Örneğin perakendeciler, müşterinin fiziksel özelliklerini doğru biçimde segmentlere ayırarak ona uygun kıyafetler 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 YAML yapılandırmasıyla veya önceden eğitilmiş bir modelle başlayabilir, ağırlıkları aktarabilir ve COCO gibi bir veri kümesi üzerinde eğitim yapabilirsin.

İşlem tamamlandığında, kendi özel uygulamalarında özel modelle çıkarım yapabilirsin. Dışa aktarma modunu kullanarak özel modelini başka dağıtım biçimlerine de dönüştürebilirsin.

Ultralytics HUB'da YOLO11 örnek segmentasyonu#

Artık YOLO11 örnek segmentasyonu modelini kod üzerinden kullanarak çıkarım çalıştırmayı ve özel eğitim yapmayı incelediğimize göre, kod gerektirmeyen bir alternatife bakalım: Ultralytics HUB. Ultralytics HUB, YOLO11 örnek segmentasyonu modelleri de dâhil olmak üzere YOLO modellerinin eğitim ve dağıtım sürecini basitleştiren sezgisel bir görsel yapay zekâ platformudur.

Görüntüler üzerinde çıkarım yapmak için yapman gereken tek şey şu: bir hesap oluşturmak, ‘Modeller’ bölümüne gitmek ve YOLO11 örnek segmentasyonu modelinin tercih ettiğin varyantını seçmek. Aşağıda gösterildiği gibi, bir görüntü yükleyebilir ve tahmin sonuçlarını önizleme bölümünde görüntüleyebilirsin.

Şekil 7. Ultralytics HUB üzerinde çıkarım çalıştırma.

Önemli çıkarımlar#

YOLO11'in güvenilir örnek segmentasyonu yetenekleri, çeşitli sektörlerde pek çok olasılığın önünü açıyor. Otonom araçlarda güvenliği artırmaktan petrol ve gaz sektöründe gaz yakmayı izlemeye, geri dönüşüm tesislerinde atık ayrıştırmayı otomatikleştirmeye kadar YOLO11'in piksel düzeyindeki hassasiyeti, onu karmaşık segmentasyon görevleri için ideal kılıyor.

Ultralytics Python paketiyle özel eğitim ve Ultralytics HUB üzerinden kod gerektirmeyen kurulum seçenekleri sayesinde kullanıcılar YOLO11'i iş akışlarına entegre edebilir. Endüstriyel uygulamalarda, sağlık hizmetlerinde, perakendede veya çevresel izlemede YOLO11, farklı segmentasyon ihtiyaçlarını karşılamak üzere esneklik ve doğruluk sunar.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözümler sayfalarımızda otonom araçlar ve tarım alanlarındaki yapay zekâ uygulamalarını keşfet.