OBB nesne algılama için Ultralytics YOLO11 nasıl kullanılır
Ultralytics YOLO11'in, yönlendirilmiş sınırlayıcı kutuları (OBB) kullanarak nesne algılamayı nasıl geliştirebileceğini ve bu bilgisayarlı görü görevinin hangi uygulamalar için ideal olduğunu öğren.
Ultralytics’in yıllık hibrit etkinliği, YOLO Vision 2024 (YV24), yapay zeka ve bilgisayarlı görü alanındaki en son atılımları tartışmaya odaklandı. Bu, en yeni modelimiz Ultralytics YOLO11'i tanıtmak için mükemmel bir fırsattı. Model, Ultralytics YOLOv8 ile aynı bilgisayarlı görü görevlerini destekleyerek kullanıcıların yeni modele geçişini zahmetsiz hale getiriyor.
Nesneleri farklı açılardan tespit etmek için yönlendirilmiş sınırlayıcı kutularla (OBB) nesne tespiti amacıyla YOLOv8 kullandığını varsayalım. Kodunda birkaç küçük değişiklik yaparak artık YOLO11'e geçebilir ve artan doğruluk ve verimlilikten işleme hızına kadar YOLO11'in geliştirmelerinden yararlanabilirsin. Henüz YOLO11 benzeri modelleri kullanmadıysan, OBB tespiti, YOLO11'in nasıl uygulanabileceğini gösteren, gerçek etki yaratan pratik çözümler sunan harika bir örnektir.
Bu makalede, OBB nesne algılamanın ne olduğuna, nerede uygulanabileceğine ve OBB tespiti için Ultralytics YOLO11'in nasıl kullanılacağına bakacağız. Ayrıca YOLO11'in yeni özelliklerinin bu süreçleri nasıl iyileştirebileceğini ve OBB algılama yeteneklerinden en iyi şekilde yararlanmak için çıkarımların nasıl çalıştırılacağını ve özel modellerin nasıl eğitileceğini adım adım inceleyeceğiz.
Yeni nesil Ultralytics YOLO11 özellikleri, OBB nesne tespiti gibi görevleri içerir#
OBB nesne tespiti, nesneleri farklı açılardan tespit ederek geleneksel nesne tespitini bir adım öteye taşır. Görüntünün eksenleriyle hizalı kalan normal sınırlayıcı kutuların aksine, OBB'ler nesnenin yönelimine uyacak şekilde döner. OBB nesne tespiti, nesnelerin her zaman düz olmadığı hava veya uydu görüntülerini analiz etmek için kullanılabilir. Şehircilik, enerji ve ulaşım gibi sektörlerde, binalar, araçlar veya altyapı gibi açılı nesneleri doğru bir şekilde tespit etme yeteneği, somut faydalar sağlayan bilgisayarlı görü uygulamalarının temelini oluşturabilir.
Şekil 1. Normal sınırlayıcı kutular ile yönlendirilmiş sınırlayıcı kutuların karşılaştırılması.
YOLO11, OBB tespitini destekler ve farklı perspektiflerden uçaklar, gemiler ve depolama tankları gibi nesneleri tespit etmek üzere DOTA v1.0 veri kümesinde eğitilmiştir. YOLO11, farklı ihtiyaçlara uyum sağlamak için YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) ve YOLO11x-obb (Extra Large) dahil olmak üzere çeşitli model varyantlarında gelir. Her model, farklı hız, doğruluk ve hesaplama gücü seviyeleriyle farklı bir boyut sunar. Kullanıcılar, uygulamaları için hız ve doğruluk arasında doğru dengeyi sunan modeli seçebilir.
Tespete yeni bir açı kazandıran Ultralytics YOLO11 kullanım alanları#
Ultralytics YOLO11'in nesne algılama yetenekleri, özellikle yönlendirilmiş sınırlayıcı kutu desteği, çeşitli endüstrilere daha yüksek hassasiyet getirir. Ardından, süreçleri farklı alanlarda daha verimli, doğru ve yönetimi daha kolay hale getirmek için YOLO11 ve OBB tespitinin gerçek dünya senaryolarında nasıl kullanılabileceğine dair birkaç örneğe göz atacağız.
Ultralytics YOLO11 ile şehir planlaması ve altyapı izleme#
şehir tasarımına ve yerleşimine hayran kaldıysan, bu şehir planlaması ve altyapı izleme çalışmalarının ayrıntılı yapılması sayesindedir. Altyapı izlemenin birçok yönünden biri, depolama tankları, boru hatları ve endüstriyel tesisler gibi önemli yapıları tanımlamak ve yönetmektir. Ultralytics YOLO11, şehir plancılarının bu kritik bileşenleri hızlı ve doğru bir şekilde tespit etmek için havadan çekilen görüntüleri analiz etmesine yardımcı olabilir.
Yönlendirilmiş sınırlayıcı kutu nesne tespiti burada özellikle faydalıdır çünkü farklı açılardan bakılan nesnelerin (havadan çekilen görüntülerde sıklıkla olduğu gibi) tespit edilmesini sağlar. Endüstriyel bölgeleri takip etmek, çevresel etkileri yönetmek ve altyapının düzgün bir şekilde bakımının yapılmasını sağlamak için hassasiyet burada hayati önem taşır. OBB, tespit sürecini daha güvenilir hale getirerek plancıların şehrin büyümesi, güvenliği ve sürdürülebilirliği hakkında bilinçli kararlar almasına yardımcı olur. Ultralytics YOLO11 kullanmak, plancıların şehirlerin sorunsuz çalışmasını sağlayan altyapıyı izlemesine ve yönetmesine yardımcı olabilir.
Şekil 2. Havadan çekilen görüntülerde depolama tanklarını tespit etmek için Ultralytics YOLO11 kullanma.
Dronlar, Ultralytics YOLO11 ve uç yapay zeka ile güneş panellerini inceleme#
Yenilenebilir enerji ve güneş çiftlikleri gibi yenilikler daha popüler hale geldikçe, düzenli denetimler daha önemli hale geliyor. Güneş panellerinin verimli çalıştığından emin olmak için kontrol edilmesi gerekir. Zamanla çatlaklar, kir birikmesi veya yanlış hizalama gibi şeyler performanslarını düşürebilir. Rutin denetimler bu sorunların erken tespit edilmesine yardımcı olur, böylece sorunsuz çalışmaya devam etmeleri için bakım yapılabilir.
uç yapay zeka ile entegre edilmiş dronlar ve Ultralytics YOLO11 kullanılarak güneş panelleri hasarlar açısından incelenebilir. Görüntüleri uçta analiz etmek, denetim sürecine daha fazla hassasiyet ve verimlilik kazandırır. Dronun hareketi ve perspektifi nedeniyle, gözetim görüntüleri güneş panellerini genellikle çeşitli açılardan yakalayabilir. Bu durumlarda, YOLO11'in OBB tespiti dronların güneş panellerini doğru bir şekilde tanımlamasına yardımcı olabilir.
Ultralytics YOLO11, filo yönetimi için içgörüler sağlayabilir#
Limancılık ve limanlar her hafta yüzlerce gemiyi idare eder ve bu kadar büyük bir filoyu yönetmek zorlu olabilir. Gemileri havadan çekilen görüntülerde analiz ederken ekstra bir zorluk unsuru da devreye girer; gemiler genellikle farklı açılarda görünür. İşte tam bu noktada Ultralytics YOLO11'in OBB tespiti desteği devreye girer.
OBB tespiti, modelin standart dikdörtgen kutulara göre gemileri çeşitli açılarda daha doğru bir şekilde tespit etmesini mümkün kılar. OBB'li Ultralytics YOLO11 kullanarak, nakliye şirketleri filolarının konumunu ve durumunu daha kolay belirleyebilir, filo hareketleri ve tedarik zinciri lojistiği gibi önemli ayrıntıları takip edebilir. Bu tür görme yeteneğine sahip çözümler, nakliye rotaları boyunca rotaları optimize etmeye, gecikmeleri azaltmaya ve genel filo yönetimini iyileştirmeye yardımcı olur.
Şekil 3. Gemi ve limanları bir açıyla tespit etmek için Ultralytics YOLO11 kullanma.
Yapay zeka geliştiricileri için Ultralytics YOLO11: Yönlendirilmiş sınırlayıcı kutuları tespit etme#
YOLO11'i OBB tespiti için kullanmak isteyen bir yapay zeka geliştiricisiysen, başlamak için iki kolay seçenek vardır. Kodla çalışmaktan memnunsan, Ultralytics Python paketi harika bir seçimdir. Bulut eğitimi yeteneklerine sahip, kullanıcı dostu, kod gerektirmeyen bir çözümü tercih ediyorsan, Ultralytics HUB tam bunun için tasarlanmış şirket içi bir platformdur. Daha fazla ayrıntı için Ultralytics HUB kullanarak Ultralytics YOLO11 eğitimi ve dağıtımı hakkındaki kılavuzumuza göz atabilirsin.
YOLO11'in OBB desteğinin nerelerde uygulanabileceğine dair örnekleri gördüğümüze göre, şimdi Ultralytics Python paketini inceleyelim ve çıkarımları nasıl çalıştırabileceğini ve bununla özel modelleri nasıl eğitebileceğini görelim.
Ultralytics YOLO11 kullanarak çıkarım (inference) çalıştırma#
İlk olarak, YOLO11'i Python ile kullanmak için Ultralytics paketini yüklemen gerekecek. Tercihlerine bağlı olarak pip, conda veya Docker kullanarak yüklemeyi seçebilirsin. Adım adım talimatlar için Ultralytics Kurulum Kılavuzumuza başvurabilirsin. Kurulum sırasında herhangi bir zorlukla karşılaşırsan, Yaygın Sorunlar Kılavuzumuz yararlı sorun giderme ipuçları sunar.
Ultralytics paketini yükledikten sonra, YOLO11 ile çalışmak inanılmaz derecede basittir. Çıkarım çalıştırmak, eğitilmiş bir modeli yeni görüntüler üzerinde tahminler yapmak için kullanma sürecini ifade eder - gerçek zamanlı olarak OBB ile nesne tespiti yapmak gibi. Bu, modeli yeni nesneleri tanıması için eğittiğin veya belirli görevlerdeki performansını artırdığın model eğitiminden farklıdır. Çıkarım, modeli daha önce görülmemiş verilere uygulamak istediğinde kullanılır.
Aşağıdaki örnek, bir modelin nasıl yükleneceğini ve bir görüntü üzerinde yönlendirilmiş sınırlayıcı kutuları tahmin etmek için nasıl kullanılacağını adım adım gösterir. Daha ayrıntılı örnekler ve gelişmiş kullanım ipuçları için en iyi uygulamalar ve daha fazla talimat için resmi Ultralytics belgelerine göz atmayı unutma.
Şekil 4. Ultralytics YOLO11 kullanarak çıkarım çalıştırmayı gösteren bir kod parçacığı.
Özel bir Ultralytics YOLO11 modeli eğitme#
Bir Ultralytics YOLO11 modelini eğitmek, performansını belirli veri setlerinde ve yönlendirilmiş sınırlayıcı kutu nesne algılama gibi görevlerde ince ayar yapabileceğin anlamına gelir. YOLO11 gibi önceden eğitilmiş modeller genel nesne tespiti için kullanılabilirken, modelin benzersiz nesneleri tespit etmesi veya belirli bir veri setinde performansı optimize etmesi gerektiğinde özel bir model eğitmek esastır.
Aşağıdaki kod parçacığında, OBB tespiti için bir Ultralytics YOLO11 modelini eğitme adımlarını ele alıyoruz.
İlk olarak, model önceden eğitilmiş YOLO11 OBB'ye özel ağırlıklar (yolo11n-obb.pt) kullanılarak başlatılır. Ardından, veri kümesi yapılandırma dosyası, eğitim döngüsü sayısı, eğitim görüntüsü boyutu ve eğitimin çalıştırılacağı donanım (örn. CPU veya GPU) gibi parametrelerle modelin özel bir veri kümesinde eğitilmesi için bir eğitim fonksiyonu kullanılır. Eğitimden sonra, doğruluk ve kayıp gibi metrikleri kontrol etmek için modelin performansı doğrulanır.
Eğitilmiş modeli kullanarak, OBB ile nesneleri tespit etmek ve bunları görselleştirmek için yeni görüntüler üzerinde çıkarımlar çalıştırabilirsin. Ayrıca, eğitilmiş model dışa aktarma özelliği kullanılarak dağıtım için ONNX gibi formatlara dönüştürülebilir.
Şekil 5. OBB nesne tespiti için Ultralytics YOLO11 eğitme örneği.
Ultralytics YOLO11 yapay zeka geliştirmeleri için izlenecek yol#
Ultralytics YOLO11, yönelimli sınırlayıcı kutular desteği ile nesne algılamayı bir üst seviyeye taşıyor. Nesneleri farklı açılardan algılayabilmesi sayesinde YOLO11, farklı sektörlerde çeşitli uygulamalar için kullanılabilir. Örneğin, güneş paneli denetimleri veya filo izleme gibi görevlerde hassasiyetin çok önemli olduğu şehir planlama, enerji ve nakliye gibi sektörler için mükemmel bir uyum sağlar. Daha hızlı performans ve iyileştirilmiş doğrulukla YOLO11, yapay zeka geliştiricilerinin gerçek dünya zorluklarını çözmelerine yardımcı olabilir.
Yapay zeka daha yaygın olarak benimsendikçe ve günlük hayatımıza entegre edildikçe, Ultralytics YOLO11 gibi modeller yapay zeka çözümlerinin geleceğini şekillendirecektir.
Görüntü yapay zekasının potansiyelini öğrenmek için büyüyen topluluğumuza katıl ve GitHub deponumuzu keşfet. Sağlıktan sürücüsüz arabalara kadar sektörleri yeniden icat ederek inovasyonu yönlendiriyoruz.
