OBB nesne algılama için Ultralytics YOLO11 nasıl kullanılır

Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), focused on discussing the latest breakthroughs in AI and computer vision. This was the perfect occasion to introduce our newest model, Ultralytics YOLO11. The model supports the same computer vision tasks as Ultralytics YOLOv8, making the shift to the new model effortless for users.

Daha önce yönelimli sınırlayıcı kutular (OBB) ile nesne algılama için YOLOv8 kullandığını varsayalım. Artık kodunda birkaç küçük değişiklikle YOLO11'e geçebilir ve artan doğruluk ve verimlilikten işlem hızına kadar YOLO11’in getirdiği iyileştirmelerden faydalanabilirsin. YOLO11 gibi modelleri henüz kullanmadıysan, OBB algılama, YOLO11'in nasıl uygulanabileceğine dair, gerçek bir etki yaratan pratik çözümler sunan harika bir örnektir.

Bu makalede, OBB nesne algılamanın ne olduğuna, nerede uygulanabileceğine ve OBB algılamak için YOLO11'in nasıl kullanılacağına bakacağız. Ayrıca YOLO11'in yeni özelliklerinin bu süreçleri nasıl iyileştirebileceğini, çıkarımları nasıl çalıştıracağını ve OBB algılama yeteneklerinden en iyi şekilde yararlanmak için özel modelleri nasıl eğiteceğini adım adım inceleyeceğiz.

Link to this sectionYeni nesil YOLO11 özellikleri, OBB nesne algılama gibi görevleri içerir#

OBB nesne algılama, nesneleri farklı açılardan algılayarak geleneksel nesne algılamayı bir adım öteye taşır. Görüntünün eksenlerine göre hizalı kalan normal sınırlayıcı kutuların aksine, OBB'ler nesnenin yönüne uyacak şekilde döner. OBB nesne algılama, nesnelerin her zaman düz olmadığı hava veya uydu görüntülerini analiz etmek için kullanılabilir. Şehir planlama, enerji ve ulaşım gibi endüstrilerde; binalar, araçlar veya altyapı gibi açılı nesneleri doğru bir şekilde algılama yeteneği, somut faydalar sağlayan bilgisayarlı görü uygulamalarının temelini oluşturabilir.

Şekil 1. Normal sınırlayıcı kutular ile yönelimli sınırlayıcı kutuların karşılaştırılması.

YOLO11 supports OBB detection and was trained on the DOTA v1.0 dataset to detect objects like planes, ships, and storage tanks from different perspectives. YOLO11 comes in several model variations to suit different needs, including YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large), and YOLO11x-obb (Extra Large). Each model offers a different size, with varying levels of speed, accuracy, and computational power. Users can choose the model that offers the right balance of speed and accuracy for their application.

Link to this sectionAlgılamaya yeni bir açı getiren YOLO11 kullanım durumları#

YOLO11'in nesne algılama yetenekleri, özellikle yönelimli sınırlayıcı kutular desteği, çeşitli sektörlere daha fazla hassasiyet getiriyor. Şimdi, YOLO11 ve OBB algılamanın farklı alanlarda süreçleri nasıl daha verimli, doğru ve yönetimi kolay hale getirmek için gerçek dünya durumlarında kullanılabileceğine dair birkaç örneğe göz atacağız.

Link to this sectionYOLO11 ile şehir planlama ve altyapı izleme#

Eğer bir şehrin tasarımına ve düzenine hayran kaldıysan, bu şehir planlama ve altyapı izleme çalışmalarının detaylı emeği sayesindedir. Altyapı izlemenin birçok yönünden biri, depolama tankları, boru hatları ve endüstriyel tesisler gibi önemli yapıları tanımlamak ve yönetmektir. YOLO11, şehir planlamacıların bu kritik bileşenleri hızlı ve doğru bir şekilde tespit etmek için hava görüntülerini analiz etmesine yardımcı olabilir.

Yönelimli sınırlayıcı kutu nesne algılama burada özellikle yardımcıdır çünkü (hava görüntülerinde sıklıkla olduğu gibi) çeşitli açılardan görülen nesnelerin algılanmasını sağlar. Endüstriyel bölgeleri takip etmek, çevresel etkileri yönetmek ve altyapının düzgün bakımını sağlamak için hassasiyet hayati önem taşır. OBB, algılama sürecini daha güvenilir hale getirerek planlamacıların şehrin büyümesi, güvenliği ve sürdürülebilirliği hakkında bilinçli kararlar almasına yardımcı olur. YOLO11 kullanmak, planlamacıların şehirlerin sorunsuz çalışmasını sağlayan altyapıyı izlemesine ve yönetmesine yardımcı olabilir.

Şekil 2. Hava görüntülerinde depolama tanklarını tespit etmek için YOLO11 kullanımı.

Link to this sectionDronlar, YOLO11 ve uç yapay zeka ile güneş panellerini inceleme#

Yenilenebilir enerji ve güneş tarlaları 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 birikimi veya yanlış hizalama gibi şeyler performanslarını düşürebilir. Rutin denetimler bu sorunları erken yakalamaya yardımcı olur, böylece panellerin sorunsuz çalışmasını sağlamak için bakım yapılabilir.

Örneğin, güneş panelleri, uç yapay zeka entegreli dronlar ve YOLO11 kullanılarak hasar açısından denetlenebilir. Görüntüleri uçta analiz etmek, denetim sürecine daha fazla hassasiyet ve verimlilik getirir. Dronun hareketi ve perspektifi nedeniyle, gözetim görüntüleri genellikle güneş panellerini çeşitli açılardan yakalayabilir. Bu durumlarda, YOLO11'in OBB algılaması, dronların güneş panellerini doğru bir şekilde tanımlamasına yardımcı olabilir.

Link to this sectionYOLO11 filo yönetimi için içgörüler sağlayabilir#

Limanlar ve iskeleler her hafta yüzlerce gemiye hizmet verir ve bu kadar büyük bir filoyu yönetmek zor olabilir. Hava görüntülerindeki gemileri analiz ederken ekstra bir zorluk faktörü devreye girer; gemiler genellikle farklı açılarda görünür. İşte tam bu noktada YOLO11'in OBB algılama desteği devreye giriyor.

OBB algılama, modelin gemileri standart dikdörtgen kutulardan daha doğru bir şekilde çeşitli açılardan algılamasını mümkün kılar. YOLO11 ile OBB kullanarak, nakliye şirketleri filolarının konumunu ve durumunu daha kolay tanımlayabilir, filo hareketleri ve tedarik zinciri lojistiği gibi önemli detayları takip edebilir. Bu tür yapay zeka destekli çözümler, rotaları optimize etmeye, gecikmeleri azaltmaya ve nakliye rotalarında genel filo yönetimini iyileştirmeye yardımcı olur.

Şekil 3. Gemi ve limanları açılı bir şekilde tespit etmek için YOLO11 kullanımı.

Link to this sectionYapay zeka geliştiricileri için YOLO11: Yönelimli sınırlayıcı kutuları algılama#

Eğer OBB algılama için YOLO11 kullanmak isteyen bir yapay zeka geliştiricisiysen, başlamak için iki kolay seçeneğin var. Kodla çalışmayı seviyorsan, Ultralytics Python paketi harika bir seçimdir. Bulut eğitimi yeteneklerine sahip, kullanıcı dostu, kod gerektirmeyen bir çözüm tercih ediyorsan, Ultralytics HUB tam bunun için tasarlanmış şirket içi bir platformdur. Daha fazla ayrıntı için Ultralytics HUB kullanarak Ultralytics YOLO11'i eğitme ve dağıtma hakkındaki rehberimize göz atabilirsin.

Artık YOLO11'in OBB desteğinin nerelerde uygulanabileceğine dair örnekler gördüğümüze göre, Ultralytics Python paketini keşfedelim ve onunla nasıl çıkarım çalıştırabileceğini ve özel modeller eğitebileceğini görelim.

Link to this sectionYOLO11 kullanarak çıkarım çalıştırma#

İlk olarak, Python ile YOLO11'i kullanmak için Ultralytics paketini yüklemen gerekecek. Tercihlerine bağlı olarak, pip, conda veya Docker kullanarak yüklemeyi seçebilirsin. Adım adım talimatlar için Ultralytics Kurulum Rehberimize başvurabilirsin. Kurulum sırasında herhangi bir zorlukla karşılaşırsan, Ortak Sorunlar Rehberimiz yardımcı sorun giderme ipuçları sunar.

Ultralytics paketini yükledikten sonra, YOLO11 ile çalışmak son derece basittir. Çıkarım çalıştırmak, eğitilmiş bir modelin yeni görüntüler üzerinde tahminler yapması sürecini ifade eder - tıpkı gerçek zamanlı olarak OBB ile nesne algılamak gibi. Bu, modeli yeni nesneleri tanıması veya belirli görevlerde performansını artırması için eğittiğin model eğitiminden farklıdır. Çıkarım, modeli görülmemiş verilere uygulamak istediğinde kullanılır.

Aşağıdaki örnek, bir modelin nasıl yükleneceğini ve bir görüntü üzerindeki yönelimli 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 dokümantasyonuna göz atmayı unutma.

Şekil 4. YOLO11 kullanarak çıkarım çalıştırmayı gösteren bir kod parçacığı.

Link to this sectionÖzel bir YOLO11 modeli eğitme#

Training a YOLO11 model means you can fine-tune its performance on specific datasets and tasks, such as oriented bounding box object detection. While pre-trained models like YOLO11 can be used for general object detection, training a custom model is essential when you need the model to detect unique objects or optimize performance on a specific dataset.

Aşağıdaki kod parçacığında, OBB algılama için bir YOLO11 modelini eğitme adımlarını ele alıyoruz.

First, the model is initialized using pre-trained YOLO11 OBB-specific weights (yolo11n-obb.pt). Then, a training function is used to train the model on a custom dataset, with parameters such as the dataset configuration file, the number of training cycles, the training image size, and the hardware to run the training on (e.g., CPU or GPU). After training, the model's performance is validated to check metrics such as accuracy and loss.

Using the trained model, you can run inferences on new images to detect objects with OBB and visualize them. Also, the trained model can be converted to formats like ONNX for deployment using the export feature.

Şekil 5. OBB nesne algılama için YOLO11 eğitme örneği.

Link to this sectionYOLO11 yapay zeka gelişmeleri için ileriye dönük 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 yaşamımıza entegre edildikçe, YOLO11 gibi modeller yapay zeka çözümlerinin geleceğini şekillendirecektir.

Görüntü tabanlı yapay zekanın potansiyelini öğrenmek için büyüyen topluluğumuza katıl ve GitHub depomuzu keşfet. Sağlık hizmetlerinden kendi kendine giden arabalara kadar sektörleri yeniden icat ederek inovasyonu yönlendiriyoruz.