OBB nesne algılama için Ultralytics YOLO11 nasıl kullanılır?

Ultralytics’in yıllık hibrit etkinliği YOLO Vision 2024 (YV24), yapay zekâ ve bilgisayarlı görü alanlarındaki en son gelişmeleri ele almaya odaklandı. Bu etkinlik, 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 hâle getiriyor.

Farklı açılardan nesneleri algılamak için yönlendirilmiş sınırlayıcı kutularla (OBB) nesne algılama amacıyla YOLOv8 kullandığını varsayalım. Artık kodunda birkaç küçük değişiklik yaparak YOLO11'e geçebilir ve artan doğruluk ile verimlilikten daha yüksek işlem hızına kadar YOLO11'in iyileştirmelerinden yararlanabilirsin. Henüz YOLO11 gibi modelleri kullanmadıysan OBB algılama, YOLO11'in nasıl uygulanabileceğine dair harika bir örnektir; çeşitli sektörlerde gerçek etki oluşturan pratik çözümler sunar.

Bu makalede OBB nesne algılamanın ne olduğuna, nerelerde uygulanabileceğine ve OBB algılamak için Ultralytics YOLO11'in nasıl kullanılacağına bakacağız. Ayrıca YOLO11'in yeni özelliklerinin bu süreçleri nasıl iyileştirebileceğini, OBB algılama yeteneklerinden en iyi şekilde yararlanmak için çıkarımların nasıl çalıştırılacağını ve özel modellerin nasıl eğitileceğini adım adım inceleyeceğiz.

Yeni nesil Ultralytics YOLO11 özellikleri arasında OBB nesne algılama gibi görevler bulunur#

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

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

YOLO11, OBB algılamayı destekler ve farklı perspektiflerden uçaklar, gemiler ve depolama tankları gibi nesneleri algılamak için DOTA v1.0 veri kümesi üzerinde eğitilmiştir. YOLO11, farklı ihtiyaçlara uygun çeşitli model seçenekleriyle sunulur; bunlar arasında YOLO11n-obb (Nano), YOLO11s-obb (Küçük), YOLO11m-obb (Orta), YOLO11l-obb (Büyük) ve YOLO11x-obb (Ekstra Büyük) bulunur. Her model, hız, doğruluk ve hesaplama gücü açısından farklı düzeyler sunan farklı bir boyuta sahiptir. Uygulaman için doğru hız ve doğruluk dengesini sunan modeli seçebilirsin.

Algılamaya yeni bir açı kazandıran Ultralytics YOLO11 kullanım alanları#

Ultralytics YOLO11'in nesne algılama yetenekleri, özellikle yönlendirilmiş sınırlayıcı kutu desteği, çeşitli sektörlerde daha yüksek hassasiyet sağlar. Şimdi YOLO11 ve OBB algılamanın farklı alanlarda süreçleri nasıl daha verimli, doğru ve kolay yönetilebilir hâle getirdiğine dair gerçek hayattan birkaç örneğe bakacağız.

Ultralytics YOLO11 ile şehir planlama ve altyapı izleme#

Daha önce bir şehrin tasarımına ve düzenine hayran kaldıysan bunun arkasında şehir planlaması ve altyapı izlemenin ayrıntılı çalışmaları vardır. Altyapı izlemenin birçok unsurundan biri, depolama tankları, boru hatları ve endüstriyel sahalar gibi önemli yapıların belirlenmesi ve yönetilmesidir. Ultralytics YOLO11, şehir planlamacılarının bu kritik bileşenleri hava görüntülerini analiz ederek hızlı ve doğru şekilde algılamasına yardımcı olabilir.

Yönlendirilmiş sınırlayıcı kutularla nesne algılama, nesnelerin çeşitli açılardan görüntülendiği durumlarda, özellikle hava görüntülerinde, oldukça faydalıdır. Endüstriyel bölgeleri takip etmek, çevresel etkileri yönetmek ve altyapının uygun şekilde korunmasını sağlamak için hassasiyet hayati önem taşır. OBB, algılama sürecini daha güvenilir hâle getirerek planlamacıların şehrin büyümesi, güvenliği ve sürdürülebilirliği hakkında bilinçli kararlar almasına yardımcı olur. Ultralytics YOLO11 kullanmak, planlamacıların şehirlerin sorunsuz işlemesini sağlayan altyapıyı izlemesine ve yönetmesine yardımcı olabilir.

Şekil 2. Hava görüntülerinde depolama tanklarını algılamak için Ultralytics YOLO11 kullanımı.

Ultralytics YOLO11, dronlar ve uçta yapay zekâ ile güneş panellerini inceleme#

Yenilenebilir enerji ve güneş enerjisi çiftlikleri gibi yenilikler daha popüler hâle geldikçe düzenli denetimler de önem kazanıyor. Güneş panellerinin verimli çalıştığından emin olmak için kontrol edilmesi gerekir. Zamanla çatlaklar, kir birikmesi veya hizasızlık gibi sorunlar performanslarını düşürebilir. Rutin denetimler bu sorunların erken tespit edilmesine yardımcı olur; böylece panellerin sorunsuz çalışmasını sağlamak için bakım yapılabilir.

Örneğin güneş panelleri, uç yapay zekâ ile entegre dronlar ve Ultralytics YOLO11 kullanılarak hasar açısından incelenebilir. Görüntülerin uçta analiz edilmesi, denetim sürecine daha yüksek hassasiyet ve verimlilik kazandırır. Dronun hareketi ve perspektifi nedeniyle gözetim görüntüleri güneş panellerini çoğu zaman çeşitli açılardan yakalayabilir. Bu durumlarda YOLO11'in OBB algılama özelliği, dronların güneş panellerini doğru şekilde tanımlamasına yardımcı olabilir.

Ultralytics YOLO11 filo yönetimi için içgörüler sağlayabilir#

Limanlar ve iskeleler her hafta yüzlerce gemiye hizmet verir; bu kadar büyük bir filoyu yönetmek zor olabilir. Hava görüntülerindeki gemileri analiz etmek ek bir zorluk oluşturur; çünkü gemiler çoğu zaman farklı açılarda görünür. İşte Ultralytics YOLO11'in OBB algılama desteği burada işe yarar.

OBB algılama, modelin gemileri standart dikdörtgen kutulara kıyasla çeşitli açılarda daha doğru şekilde algılamasını mümkün kılar. Denizcilik şirketleri, Ultralytics YOLO11'i OBB ile kullanarak filolarının konumunu ve durumunu daha kolay belirleyebilir; filo hareketleri ve tedarik zinciri lojistiği gibi önemli ayrıntıları takip edebilir. Görü destekli bu tür çözümler rotaları optimize etmeye, gecikmeleri azaltmaya ve denizcilik rotalarında genel filo yönetimini iyileştirmeye yardımcı olur.

Şekil 3. Gemileri ve limanları açılı olarak algılamak için Ultralytics YOLO11 kullanımı.

Yapay zekâ geliştiricileri için Ultralytics YOLO11: Yönlendirilmiş sınırlayıcı kutuları algılama#

YOLO11'i OBB algılama için kullanmak isteyen bir yapay zekâ geliştiricisiysen başlamak için iki kolay seçeneğin var. Kodla çalışmaya alışkınsan Ultralytics Python paketi harika bir seçimdir. Bulut eğitimi özelliklerine sahip, kullanıcı dostu ve kod gerektirmeyen bir çözümü tercih ediyorsan Ultralytics HUB tam olarak bunun için tasarlanmış kurum içi bir platformdur. Daha fazla ayrıntı için Ultralytics HUB kullanarak Ultralytics YOLO11'i eğitme ve dağıtma kılavuzumuza göz atabilirsin.

YOLO11'in OBB desteğinin uygulanabileceği alanlara dair örnekleri gördüğümüze göre şimdi Ultralytics Python paketini inceleyelim ve bu paketi kullanarak çıkarımların nasıl çalıştırılacağını ve özel modellerin nasıl eğitileceğini görelim.

Ultralytics YOLO11 kullanarak çıkarım çalıştırma#

Öncelikle YOLO11'i Python ile kullanmak için Ultralytics paketini yüklemen gerekir. Tercihine bağlı olarak paketi pip, conda veya Docker kullanarak yükleyebilirsin. Adım adım talimatlar için Ultralytics Kurulum Kılavuzu'na başvurabilirsin. Kurulum sırasında herhangi bir sorunla karşılaşırsan Yaygın Sorunlar Kılavuzumuz yararlı sorun giderme ipuçları sunar.

Ultralytics paketini yükledikten sonra YOLO11 ile çalışmak son derece kolaydır. Çıkarım çalıştırma, eğitilmiş bir modelin yeni görüntüler üzerinde tahminler yapması sürecini ifade eder; örneğin nesneleri OBB ile gerçek zamanlı olarak algılamak gibi. Bu süreç, modele yeni nesneleri tanımayı öğrettiğin veya belirli görevlerdeki performansını iyileştirdiğin model eğitiminden farklıdır. Çıkarım, modeli daha önce görülmemiş verilere uygulamak istediğinde kullanılır.

Aşağıdaki örnekte bir modelin nasıl yükleneceği ve bir görüntüde yönlendirilmiş sınırlayıcı kutuların tahmin edilmesi için nasıl kullanılacağı adım adım gösteriliyor. Daha ayrıntılı örnekler ve gelişmiş kullanım ipuçları için en iyi uygulamaları ve ek talimatları içeren resmî Ultralytics belgelerine göz atmayı unutma.

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

Özel bir Ultralytics YOLO11 modelini eğitme#

Bir Ultralytics YOLO11 modelini eğitmek, performansını yönlendirilmiş sınırlayıcı kutularla nesne algılama gibi belirli veri kümeleri ve görevler üzerinde ince ayarlayabilmeni sağlar. YOLO11 gibi önceden eğitilmiş modeller genel nesne algılama için kullanılabilse de modelin benzersiz nesneleri algılaması veya belirli bir veri kümesindeki performansı optimize etmesi gerektiğinde özel bir model eğitmek zorunludur.

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

Öncelikle model, OBB'ye özel önceden eğitilmiş YOLO11 ağırlıkları (yolo11n-obb.pt) kullanılarak başlatılır. Ardından model, veri kümesi yapılandırma dosyası, eğitim döngülerinin sayısı, eğitim görüntüsü boyutu ve eğitimin üzerinde çalıştırılacağı donanım (ör. CPU veya GPU) gibi parametrelerle özel bir veri kümesi üzerinde eğitilir. Eğitimden sonra modelin performansı, doğruluk ve kayıp gibi metrikler kontrol edilerek doğrulanır.

Eğitilmiş modeli kullanarak yeni görüntüler üzerinde çıkarımlar çalıştırıp nesneleri OBB ile algılayabilir ve görselleştirebilirsin. Ayrıca eğitilmiş model, dışa aktarma özelliği kullanılarak dağıtım amacıyla ONNX gibi biçimlere dönüştürülebilir.

Şekil 5. Ultralytics YOLO11'i OBB nesne algılama için eğitme örneği.

Ultralytics YOLO11 yapay zekâ gelişmelerinde ileriye giden yol#

Ultralytics YOLO11, yönlendirilmiş sınırlayıcı kutu desteğiyle nesne algılamayı bir sonraki seviyeye taşır. Nesneleri farklı açılarda algılayabilen YOLO11, çeşitli sektörlerdeki birçok uygulamada kullanılabilir. Örneğin güneş paneli denetimleri veya filo izleme gibi görevlerde hassasiyetin kritik olduğu şehir planlama, enerji ve denizcilik sektörleri için mükemmel bir seçimdir. Daha yüksek hız ve geliştirilmiş doğruluk sayesinde YOLO11, yapay zekâ geliştiricilerinin gerçek dünyadaki zorlukları çözmesine yardımcı olabilir.

Yapay zekâ daha yaygın şekilde benimsendikçe ve günlük hayatımıza entegre oldukça Ultralytics YOLO11 gibi modeller yapay zekâ çözümlerinin geleceğini şekillendirecek.

Görü yapay zekâsının potansiyeli hakkında bilgi edinmek için büyüyen topluluğumuza katıl ve GitHub depomuzu incele. Sağlık hizmetlerinden otonom araçlara kadar sektörleri yeniden tasarlayarak inovasyonu ileri taşıyoruz.