8 Ekim 2024
Ultralytics YOLO11'in yönlendirilmiş sınırlayıcı kutular (OBB) kullanarak nesne algılamayı nasıl geliştirebileceğini ve bu bilgisayarlı görü görevinin hangi uygulamalar için ideal olduğunu anlayın.
Ultralytics'in yıllık karma etkinliği olan YOLO Vision 2024 (YV24), yapay zeka ve bilgisayarlı görüdeki en son atılımları tartışmaya odaklandı. Bu, en yeni modelimiz olan Ultralytics YOLO11'i tanıtmak için mükemmel bir fırsattı. Model, Ultralytics YOLOv8 ile aynı bilgisayarlı görü görevlerini destekleyerek kullanıcıların yeni modele geçişini zahmetsiz hale getiriyor.
Çeşitli açılardan nesneleri tespit etmek için yönlendirilmiş sınırlayıcı kutular (OBB) nesne tespiti için YOLOv8 kullandığınızı varsayalım. Artık kodunuzda birkaç küçük değişiklik yaparak YOLO11'e geçebilir ve artan doğruluk ve verimlilikten işlem hızına kadar YOLO11'in iyileştirmelerinden yararlanabilirsiniz. Henüz YOLO11 gibi modelleri kullanmadıysanız, OBB tespiti, YOLO11'in çeşitli sektörlerde nasıl uygulanabileceğinin harika bir örneğidir ve gerçek bir etki yaratan pratik çözümler sunar.
Bu makalede, OBB nesne algılamanın ne olduğuna, nerelerde uygulanabileceğine ve OBB'yi algılamak için YOLO11'in nasıl kullanılacağına bakacağız. Ayrıca YOLO11'in yeni özelliklerinin bu süreçleri nasıl iyileştirebileceğini ve OBB algılama yeteneklerinden en iyi şekilde yararlanmak için çıkarımlar yürütmenin ve özel modelleri eğitmenin nasıl yapılacağını da adım adım göstereceğiz.
OBB nesne tespiti, nesneleri farklı açılarda tespit ederek geleneksel nesne tespitini bir adım öteye taşır. Görüntünün eksenleriyle hizalı kalan normal sınırlandırma kutularının aksine, OBB'ler nesnenin yönüne uyacak şekilde döner. OBB nesne tespiti, nesnelerin her zaman düz olmadığı hava veya uydu görüntülerini analiz etmek için kullanılabilir. Kentsel planlama, 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.
YOLO11, OBB algılamayı destekler ve DOTA v1.0 veri kümesi üzerinde uçaklar, gemiler ve depolama tankları gibi nesneleri farklı açılardan algılamak için eğitilmiştir. YOLO11, farklı ihtiyaçlara uygun çeşitli model varyasyonlarında gelir, bunlar arasında YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) ve YOLO11x-obb (Extra Large) bulunur. Her model, farklı hız, doğruluk ve işlem gücü seviyeleriyle farklı bir boyut sunar. Kullanıcılar, uygulamaları için doğru hız ve doğruluk dengesini sunan modeli seçebilir.
YOLO11'in nesne algılama yetenekleri, özellikle yönlendirilmiş sınırlayıcı kutulara (oriented bounding boxes) verdiği destek, çeşitli endüstrilere daha fazla hassasiyet getiriyor. Şimdi, YOLO11 ve OBB algılamanın, farklı alanlarda süreçleri daha verimli, doğru ve yönetimi daha kolay hale getirmek için gerçek dünya durumlarında nasıl kullanılabileceğine dair birkaç örneğe göz atacağız.
Bir şehrin tasarımına ve düzenine hayran kaldıysanız, bu şehir planlaması ve altyapı izlemesinin ayrıntılı çalışması sayesindedir. Altyapı izlemesinin birçok yönünden biri, depolama tankları, boru hatları ve endüstriyel tesisler gibi önemli yapıları tanımlamak ve yönetmektir. YOLO11, şehir planlamacılarının bu kritik bileşenleri hızlı ve doğru bir şekilde tespit etmek için hava görüntülerini analiz etmesine yardımcı olabilir.
Yönlendirilmiş sınırlayıcı kutu nesne tespiti burada özellikle yararlıdır, çünkü çeşitli açılardan görüntülenen nesnelerin tespitini sağlar (genellikle hava görüntülemesinde olduğu gibi). Endüstriyel bölgeleri takip etmek, çevresel etkileri yönetmek ve altyapının düzgün bir şekilde bakımının yapılmasını sağlamak için hassasiyet 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 izlemesine ve yönetmesine yardımcı olabilir.
Yenilenebilir enerji ve güneş enerjisi santralleri gibi yenilikler daha popüler hale geldikçe, düzenli denetimler daha da önem kazanıyor. Güneş panellerinin verimli çalıştığından emin olmak için kontrol edilmesi gerekiyor. Zamanla, çatlaklar, kir birikimi veya yanlış hizalama gibi şeyler performanslarını düşürebilir. Rutin denetimler bu sorunları erken yakalamaya yardımcı olur, böylece sorunsuz çalışmaya devam etmeleri için bakım yapılabilir.
Örneğin, güneş panellerindeki hasarlar, uç AI ile entegre edilmiş dronlar ve YOLO11 kullanılarak incelenebilir. Görüntülerin uçta analiz edilmesi, inceleme sürecine daha fazla hassasiyet ve verimlilik getirir. Dronun hareketi ve perspektifi nedeniyle, gözetim görüntüsü genellikle güneş panellerini çeşitli açılardan yakalayabilir. Bu durumlarda, YOLO11'in OBB algılama özelliği, dronların güneş panellerini doğru bir şekilde tanımlamasına yardımcı olabilir.
Limanlar ve liman tesisleri her hafta yüzlerce gemiyi yönetir ve bu kadar büyük bir filoyu yönetmek zorlu olabilir. Hava görüntülerindeki gemileri analiz ederken ek bir zorluk unsuru da işin içine girer; gemiler genellikle farklı açılarda görünür. İşte bu noktada YOLO11'in OBB algılama desteği devreye giriyor.
OBB tespiti, modelin gemileri çeşitli açılarda standart dikdörtgen kutulardan daha doğru bir şekilde tespit etmesini mümkün kılar. YOLO11'i OBB ile kullanarak, nakliye şirketleri filolarının konumunu ve durumunu daha kolay belirleyebilir, filo hareketleri ve tedarik zinciri lojistiği gibi önemli ayrıntıları takip edebilir. Bu tür vizyon destekli çözümler, rotaları optimize etmeye, gecikmeleri azaltmaya ve nakliye rotaları genelinde filo yönetimini iyileştirmeye yardımcı olur.
OBB tespiti için YOLO11'i kullanmak isteyen bir yapay zeka geliştiricisiyseniz, başlamak için iki kolay seçeneğiniz var. Kodla çalışmaktan memnunsanız, Ultralytics Python paketi harika bir seçimdir. Bulut eğitimi özelliklerine sahip, kullanıcı dostu, kodsuz bir çözüm tercih ediyorsanız, Ultralytics HUB tam da bu amaç için tasarlanmış bir şirket içi platformdur. Daha fazla ayrıntı için Ultralytics HUB'ı kullanarak Ultralytics YOLO11'i eğitme ve dağıtma kılavuzumuza göz atabilirsiniz.
YOLO11'in OBB desteğinin nerelerde uygulanabileceğine dair örnekler gördüğümüze göre, Ultralytics Python paketini keşfedelim ve onu kullanarak nasıl çıkarımlar çalıştırabileceğinizi ve özel modeller eğitebileceğinizi görelim.
İlk olarak, YOLO11'i Python ile kullanmak için Ultralytics paketini yüklemeniz gerekecektir. Tercihlerinize bağlı olarak, pip, conda veya Docker kullanarak yüklemeyi seçebilirsiniz. Adım adım talimatlar için Ultralytics Kurulum Kılavuzumuza başvurabilirsiniz. Kurulum sırasında herhangi bir zorlukla karşılaşırsanız, Sık Karşılaşılan Sorunlar Kılavuzumuz faydalı sorun giderme ipuçları sunar.
Ultralytics paketini yükledikten sonra, YOLO11 ile çalışmak inanılmaz derecede basittir. Çıkarım çalıştırmak, yeni görüntüler üzerinde tahminler yapmak için eğitilmiş bir model kullanma sürecini ifade eder - örneğin, gerçek zamanlı olarak OBB ile nesneleri tespit etmek gibi. Bu, modele yeni nesneleri tanımayı öğretmek veya belirli görevlerdeki performansını iyileştirmek olan model eğitiminden farklıdır. Çıkarım, modeli daha önce görülmemiş verilere uygulamak istediğinizde kullanılır.
Aşağıdaki örnek, bir modelin nasıl yükleneceğini ve bir görüntü üzerinde yönlendirilmiş sınırlayıcı kutuları tahmin etmek için nasıl kullanılacağını adım adım anlatmaktadır. Daha ayrıntılı örnekler ve gelişmiş kullanım ipuçları için, en iyi uygulamalar ve daha fazla talimat için resmi Ultralytics belgelerine göz atmayı unutmayın.
Bir YOLO11 modelini eğitmek, performansını belirli veri kümeleri ve yönlendirilmiş sınırlayıcı kutu nesne tespiti gibi görevler üzerinde ince ayar yapabileceğiniz anlamına gelir. YOLO11 gibi önceden eğitilmiş modeller genel nesne tespiti için kullanılabilirken, modelin benzersiz nesneleri algılaması veya belirli bir veri kümesinde performansı optimize etmesi gerektiğinde özel bir model eğitmek önemlidir.
Aşağıdaki kod parçasında, OBB algılama için bir YOLO11 modelini eğitme adımlarını ele alıyoruz.
İlk olarak, model önceden eğitilmiş YOLO11 OBB'ye özgü ağırlıklar (yolo11n-obb.pt) kullanılarak başlatılır. Ardından, veri kümesi yapılandırma dosyası, eğitim döngüsü sayısı, eğitim görüntüsü boyutu ve üzerinde eğitimin çalıştırılacağı donanım (örneğin, CPU veya GPU) gibi parametrelerle özel bir veri kümesi üzerinde modeli eğitmek için bir eğitim fonksiyonu kullanılır. Eğitimden sonra, doğruluk ve kayıp gibi metrikleri kontrol etmek için modelin performansı doğrulanır.
Eğitilmiş modeli kullanarak, yeni görüntüler üzerinde çıkarımlar çalıştırarak OBB ile nesneleri tespit edebilir ve görselleştirebilirsiniz. Ayrıca, eğitilmiş model ONNX gibi formatlara dönüştürülerek dışa aktarma özelliği kullanılarak dağıtım yapılabilir.
Ultralytics YOLO11, yönlendirilmiş sınırlayıcı kutular desteğiyle nesne tespitini bir sonraki seviyeye taşıyor. Nesneleri farklı açılarda tespit edebilme özelliği sayesinde YOLO11, farklı sektörlerde çeşitli uygulamalar için kullanılabilir. Örneğin, güneş paneli denetimleri veya filo takibi gibi görevlerde hassasiyetin çok önemli olduğu kentsel planlama, enerji ve nakliye gibi sektörler için mükemmel bir uyum sağlar. Daha hızlı performans ve gelişmiş doğruluk ile YOLO11, yapay zeka geliştiricilerinin gerçek dünya zorluklarını çözmelerine yardımcı olabilir.
Yapay zeka günlük hayatımıza daha geniş bir şekilde entegre oldukça, 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 kendi kendine giden arabalara kadar sektörleri yeniden keşfederek inovasyonu yönlendiriyoruz.
.webp)