OBB nesne algılama için Ultralytics YOLO11 nasıl kullanılır

Ultralytics'in yıllık hibrit etkinliği YOLO Vision 2024 (YV24), yapay zeka ve bilgisayarla görme alanındaki en son atılımları tartışmaya odaklandı. Bu, en yeni modelimiz Ultralytics YOLO11'i tanıtmak için mükemmel bir fırsattı. Model, Ultralytics YOLOv8 ile aynı bilgisayarla görme görevlerini destekleyerek kullanıcılar için yeni modele geçişi zahmetsiz hale getiriyor.

Nesneleri çeşitli açılardan tespit etmek amacıyla yönlendirilmiş sınırlayıcı kutular (OBB) nesne tespiti için YOLOv8 kullandığınızı varsayalım. Artık kodunuzda yapacağınız birkaç küçük değişiklikle YOLO11'e geçebilir ve YOLO11'in artan doğruluk ve verimlilikten işlem hızına kadar uzanan iyileştirmelerinden yararlanabilirsiniz. YOLO11 gibi modelleri henüz kullanmadıysanız, OBB algılama, YOLO11 'in çeşitli sektörlerde nasıl uygulanabileceğine dair harika bir örnektir ve gerçek bir etki yaratan pratik çözümler sunar.

Bu makalede, OBB nesne tespitinin ne olduğuna, nerelerde uygulanabileceğine ve OBB'yi tespit etmek için 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 de inceleyeceğiz.

Yeni nesil YOLO11 özellikleri OBB nesne algılama gibi görevleri içerir

OBB nesne tespiti, nesneleri farklı açılardan tespit ederek geleneksel nesne tespitini bir adım öteye taşır. Görüntünün eksenleriyle aynı hizada kalan normal sınırlayıcı kutuların aksine, OBB'ler nesnenin yönüne uyacak şekilde döner. OBB nesne tespiti, nesnelerin her zaman düz olmadığı hava veya uydu görüntülerini analiz etmek için kullanılabilir. Şehir planlama, enerji ve ulaşım gibi sektörlerde, binalar, araçlar veya altyapı gibi açılı nesneleri doğru bir şekilde tespit etme yeteneği, somut faydalar sağlayan bilgisayarla görme uygulamalarının temelini oluşturabilir. 

‍

YOLO11 OBB tespitini destekler ve uçaklar, gemiler ve depolama tankları gibi nesneleri farklı perspektiflerden tespit etmek için DOTA v1.0 veri seti üzerinde eğitilmiştir. YOLO11, YOLO11n-obb (Nano), YOLO11s-obb (Küçük), YOLO11m-obb (Orta), YOLO11l-obb (Büyük) ve YOLO11x-obb (Ekstra Büyük) dahil olmak üzere farklı ihtiyaçlara uygun çeşitli model varyasyonlarında gelir. Her model, farklı hız, doğruluk ve hesaplama gücü seviyelerine sahip farklı bir boyut sunar. Kullanıcılar, uygulamaları için doğru hız ve doğruluk dengesini sunan modeli seçebilirler. 

Algılamaya yeni bir bakış açısı getiren YOLO11 kullanım örnekleri

YOLO11'in nesne algılama yetenekleri, özellikle de yönlendirilmiş sınırlayıcı kutulara yönelik desteği, çeşitli sektörlere daha fazla hassasiyet getiriyor. Daha sonra, YOLO11 ve OBB algılamanın farklı alanlarda süreçleri daha verimli, doğru ve yönetimi daha kolay hale getirmek için gerçek dünya koşullarında nasıl kullanılabileceğine dair birkaç örneğe göz atacağız.

YOLO11 ile kentsel planlama ve altyapı izleme

Eğer bir şehrin tasarımına ve düzenine hayran kaldıysanız, bunu kentsel planlama ve altyapı izlemenin detaylı çalışmalarına borçlusunuz demektir. Altyapı izlemenin birçok yönünden biri de depolama tankları, boru hatları ve sanayi siteleri gibi önemli yapıların belirlenmesi ve yönetilmesidir. YOLO11, şehir planlamacılarının bu kritik bileşenleri hızlı ve doğru bir şekilde tespit etmek için hava görüntülerini analiz etmelerine yardımcı olabilir. 

Yönlendirilmiş sınırlayıcı kutu nesne tespiti burada özellikle yararlıdır çünkü çeşitli açılardan görüntülenen nesnelerin tespit edilmesini sağlar (genellikle hava görüntülerinde durum böyledir). Sanayi bölgelerini takip etmek, çevresel etkileri yönetmek ve altyapının düzgün bir şekilde korunmasını sağlamak için hassasiyet burada hayati önem taşır. OBB, tespit sürecini daha güvenilir hale getirerek planlamacıların şehrin büyümesi, güvenliği ve sürdürülebilirliği hakkında bilinçli kararlar almasına yardımcı olur. YOLO11'i kullanmak, planlamacıların şehirlerin sorunsuz çalışmasını sağlayan altyapıyı izlemelerine ve yönetmelerine yardımcı olabilir.

‍

Drone'lar, YOLO11 ve edge AI ile güneş panellerinin incelenmesi

Yenilenebilir enerji ve güneş enerjisi çiftlikleri gibi yenilikler daha popüler hale geldikçe, düzenli denetimler daha önemli hale geliyor. Güneş panellerinin verimli çalıştıklarından emin olmak için kontrol edilmeleri gerekir. Zamanla çatlaklar, kir birikmesi veya yanlış hizalama gibi şeyler performanslarını düşürebilir. Rutin denetimler bu sorunların erkenden yakalanmasına yardımcı olur, böylece sorunsuz bir şekilde çalışmaya devam etmeleri için bakım yapılabilir.

Örneğin, edge AI ve YOLO11 ile entegre edilmiş dronlar kullanılarak güneş panelleri hasarlara karşı denetlenebilir. Görüntülerin uçta analiz edilmesi, denetim sürecine daha fazla hassasiyet ve verimlilik getirir. Drone'un hareketi ve perspektifi nedeniyle, gözetim görüntüleri genellikle güneş panellerini çeşitli açılardan yakalayabilir. Bu durumlarda, YOLO11'in OBB tespiti, dronların güneş panellerini doğru bir şekilde tanımlamasına yardımcı olabilir. 

YOLO11 filo yönetimi için içgörüler sağlayabilir

Limanlar ve barınaklar her hafta yüzlerce gemiyi elleçlemektedir ve bu kadar büyük bir filoyu yönetmek zor olabilir. Havadan çekilen görüntülerdeki gemileri analiz ederken ek bir zorluk unsuru daha ortaya çıkar; gemiler genellikle farklı açılarda görünür. İşte bu noktada YOLO11'in OBB algılama desteği işe yarıyor. 

OBB tespiti, modelin çeşitli açılardaki gemileri standart dikdörtgen kutulardan daha doğru bir şekilde tespit etmesini mümkün kılar. Denizcilik şirketleri YOLO11'i OBB ile birlikte kullanarak filolarının konumunu ve durumunu daha kolay belirleyebilir, filo hareketleri ve tedarik zinciri lojistiği gibi önemli ayrıntıları takip edebilir. Bu tür görüş özellikli çözümler rotaları optimize etmeye, gecikmeleri azaltmaya ve nakliye rotaları boyunca genel filo yönetimini iyileştirmeye yardımcı olur.

‍

Yapay zeka geliştiricileri için YOLO11: Yönlendirilmiş sınırlayıcı kutuları algılama

YOLO11'i OBB tespiti için kullanmak isteyen bir yapay zeka geliştiricisiyseniz, başlamak için iki kolay seçenek vardır. Kodla çalışma konusunda rahatsanız, Ultralytics Python paketi harika bir seçimdir. Bulut eğitim yeteneklerine sahip kullanıcı dostu, kodsuz bir çözümü tercih ediyorsanız, Ultralytics HUB tam da bunun için tasarlanmış bir şirket içi platformdur. Daha fazla ayrıntı için Ultralytics HUB kullanarak Ultralytics YOLO11'i eğitme ve dağıtma kılavuzumuza göz atabilirsiniz.

YOLO11'in OBB desteğinin uygulanabileceği örnekleri gördüğümüze göre, şimdi Ultralytics Python paketini keşfedelim ve bunu kullanarak nasıl çıkarımlar yapabileceğinizi ve özel modelleri nasıl eğitebileceğinizi görelim. 

YOLO11 kullanarak çıkarımları çalıştırma

İlk olarak, YOLO11'i Python ile kullanmak için Ultralytics paketini yüklemeniz gerekir. Tercihlerinize bağlı olarak, pip, conda veya Docker kullanarak yüklemeyi seçebilirsiniz. Adım adım talimatlar için Ultralytics Kurulum Kılavuzumuza başvurabilirsiniz. Kurulum sırasında herhangi bir zorlukla karşılaşırsanız, Ortak Sorunlar Kılavuz umuz yararlı sorun giderme ipuçları sunar.

Ultralytics paketini yükledikten sonra, YOLO11 ile çalışmak son derece basittir. Bir çıkarım çalıştırmak, yeni görüntüler üzerinde tahminler yapmak için eğitilmiş bir model kullanma sürecini ifade eder - gerçek zamanlı olarak OBB ile nesneleri tespit etmek gibi. Bu, modele yeni nesneleri tanımayı veya belirli görevlerdeki performansını artırmayı öğrettiğiniz model eğitiminden farklıdır. Çıkarsama, modeli görünmeyen verilere uygulamak istediğinizde kullanılır.

Aşağıdaki örnek, bir modelin nasıl yükleneceği ve bir görüntüdeki yönlendirilmiş sınırlayıcı kutuları tahmin etmek için nasıl kullanılacağı konusunda size yol gösterir. Daha ayrıntılı örnekler ve gelişmiş kullanım ipuçları için, en iyi uygulamalar ve daha fazla talimat için resmi Ultralytics belgelerine göz attığınızdan emin olun.

‍

Özel bir YOLO11 modelinin eğitimi

Bir YOLO11 modelini eğitmek, yönlendirilmiş sınırlayıcı kutu nesne algılama gibi belirli veri kümeleri ve görevler üzerindeki performansına ince ayar yapabileceğiniz anlamına gelir. YOLO11 gibi önceden eğitilmiş modeller genel nesne algılama için kullanılabilirken, benzersiz nesneleri algılamak veya belirli bir veri kümesinde performansı optimize etmek için modele ihtiyaç duyduğunuzda özel bir modelin eğit ilmesi çok önemlidir.

Aşağıdaki kod parçasında, OBB tespiti için bir YOLO11 modelini eğitme adımlarını ele alıyoruz. 

İlk olarak, model önceden eğitilmiş YOLO11 OBB'ye özgü ağırlıklar (yolo11n-obb.pt) kullanılarak başlatılır. Ardından, modeli özel bir veri kümesi üzerinde eğitmek için veri kümesi yapılandırma dosyası, eğitim döngüsü sayısı, eğitim görüntüsü boyutu ve eğitimin çalıştırılacağı donanım (ör. CPU veya GPU) gibi parametrelerle bir eğitim işlevi kullanılır. Eğitimden sonra modelin performansı doğruluk ve kayıp gibi metrikleri kontrol etmek için doğrulanır. 

Eğitilmiş modeli kullanarak, OBB'li nesneleri tespit etmek ve görselleştirmek için yeni görüntüler üzerinde çıkarımlar yapabilirsiniz. Ayrıca, eğitilen model, dışa aktarma özelliği kullanılarak dağıtım için ONNX gibi formatlara dönüştürülebilir.

‍

YOLO11 yapay zeka gelişmeleri için ileriye dönük yol

Ultralytics YOLO11, yönlendirilmiş sınırlayıcı kutu desteği ile nesne algılamayı bir üst seviyeye taşıyor. Nesneleri farklı açılardan algılayabilen YOLO11, farklı endüstrilerdeki çeşitli uygulamalar için kullanılabilir. Örneğin, güneş paneli denetimleri veya filo izleme gibi görevler için hassasiyetin çok önemli olduğu şehir planlama, enerji ve nakliye gibi sektörler için mükemmel bir seçimdir. Daha hızlı performans ve gelişmiş doğruluk ile YOLO11, yapay zeka geliştiricilerinin gerçek dünyadaki zorlukları çözmelerine yardımcı olabilir. 

Yapay zeka daha yaygın bir şekilde benimsenip günlük hayatımıza entegre edildikçe, YOLO11 gibi modeller yapay zeka çözümlerinin geleceğini şekillendirecektir.

Vision AI'nın potansiyeli hakkında bilgi edinmek için büyüyen topluluğumuza katılın ve GitHub depomuzu keşfedin. Sağlık hizmetlerinden sürücüsüz arabalara kadar sektörleri yeniden keşfederek yeniliğe yön veriyoruz.