OBB nesne tespiti için Ultralytics YOLO11 nasıl kullanılır?

Ultralytics'in yıllık karma etkinliği YOLO Vision 2024 (YV24), yapay zekâ ve bilgisayarlı görü alanındaki en son atılımları tartışmaya odaklandı. Etkinlikte, o dönemdeki en yeni modelimiz olan Ultralytics YOLO11 modelini de tanıttık; bu modelin yerini daha sonra Ultralytics YOLO26 aldı. Model, Ultralytics YOLOv8 ile aynı bilgisayarlı görü görevlerini desteklediği için kullanıcıların yeni modele geçişini kolaylaştırıyor.

Farklı açılardaki nesneleri algılamak için YOLOv8'i yönlendirilmiş sınırlayıcı kutu (OBB) nesne algılama amacıyla kullandığını varsayalım. Kodunda birkaç küçük değişiklik yaparak artık YOLO11'e geçebilir ve artan doğruluk ve verimlilikten daha yüksek işlem hızına kadar YOLO11'in iyileştirmelerinden yararlanabilirsin. YOLO11 gibi modelleri henüz kullanmadıysan OBB algılama, YOLO11'in gerçek etki yaratan pratik çözümler sunarak farklı sektörlerde nasıl kullanılabileceğine dair harika bir örnektir.

Bu makalede OBB nesne tespitinin ne olduğuna, nerelerde uygulanabileceğine ve OBB tespiti için Ultralytics YOLO11'in nasıl kullanılacağına bakacağız. Ayrıca YOLO11'in yeni özelliklerinin bu süreçleri nasıl geliştirebileceğini, OBB tespit yeteneklerinden en iyi şekilde yararlanmak için çıkarımın nasıl çalıştırılacağını ve özel modellerin nasıl eğitileceğini adım adım ele alacağız.

Yeni nesil Ultralytics YOLO11 özellikleri arasında OBB nesne tespiti gibi görevler bulunuyor#

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

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

YOLO11, OBB algılamayı destekler ve uçak, gemi ve depolama tankları gibi nesneleri farklı açılardan algılamak için DOTA v1.0 veri kümesi üzerinde eğitilmiştir. YOLO11, farklı gereksinimlere uygun çeşitli model seçenekleriyle sunulur: YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) ve YOLO11x-obb (Extra Large). Her modelin boyutu ve hız, doğruluk ve hesaplama gücü düzeyi farklıdır. Kullanıcılar, uygulamaları için hız ve doğruluk arasında doğru dengeyi sunan modeli seçebilir.

Tespitte yeni bir açı sunan Ultralytics YOLO11 kullanım örnekleri#

Ultralytics YOLO11'in nesne tespit yetenekleri, özellikle yönlendirilmiş sınırlayıcı kutu desteği, çeşitli sektörlerde daha yüksek hassasiyet sağlar. Şimdi, YOLO11 ve OBB tespitinin farklı alanlardaki süreçleri daha verimli, doğru ve yönetilebilir hâle getirmek için gerçek dünyada nasıl kullanılabileceğine dair birkaç örneğe bakalım.

Ultralytics YOLO11 ile şehir planlama ve altyapı izleme#

Bir şehrin tasarımına ve yerleşim düzenine hayran kaldıysan bunu şehir planlamasının ve altyapı izlemenin titiz çalışmalarına borçlusun. Altyapı izlemenin pek çok yönünden biri, depolama tankları, boru hatları ve sanayi bölgeleri gibi önemli yapıların belirlenip yönetilmesidir. Ultralytics YOLO11, şehir plancılarının hava görüntülerini analiz ederek bu kritik bileşenleri hızlı ve doğru biçimde algılamasına yardımcı olabilir.

Yönlendirilmiş sınırlayıcı kutu nesne algılama, özellikle burada faydalıdır; çünkü nesnelerin farklı açılardan görüntülendiği durumlarda (hava görüntülerinde sıkça rastlandığı gibi) algılama yapılmasını sağlar. Sanayi bölgelerini takip etmek, çevresel etkileri yönetmek ve altyapının bakımının gerektiği gibi yapılmasını sağlamak için hassasiyet çok önemlidir. OBB, algılama sürecini daha güvenilir hâle getirerek plancıların şehrin büyümesi, güvenliği ve sürdürülebilirliği konusunda bilinçli kararlar almasına yardımcı olur. Ultralytics YOLO11'i kullanmak, plancıların şehirlerin sorunsuz işlemesini sağlayan altyapıyı izlemesine ve yönetmesine yardımcı olabilir.

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

Drone'lar, Ultralytics YOLO11 ve uç yapay zekâ ile güneş panellerini denetleme#

Yenilenebilir enerji ve güneş enerjisi çiftlikleri gibi yenilikler yaygınlaştıkça düzenli incelemeler daha önemli hâle geliyor. Güneş panellerinin verimli çalıştığından emin olmak için kontrol edilmesi gerekir. Zaman içinde çatlaklar, kir birikmesi veya hizasızlık gibi sorunlar performanslarını düşürebilir. Düzenli incelemeler, bu sorunları erkenden tespit etmeye yardımcı olur; böylece panellerin sorunsuz çalışmasını sağlayacak bakım yapılabilir.

Örneğin, güneş panelleri, uçta yapay zekâyla entegre edilmiş dronlar ve Ultralytics YOLO11 kullanılarak hasar açısından incelenebilir. Görüntüleri uçta analiz etmek, inceleme sürecini daha hassas ve verimli hâle getirir. Dronun hareketi ve bakış açısı nedeniyle çekimlerde güneş panelleri çoğu zaman farklı açılardan görüntülenir. Bu gibi durumlarda YOLO11'in OBB algılama özelliği, dronların güneş panellerini doğru biçimde tanımasına yardımcı olabilir.

Ultralytics YOLO11 filo yönetimi için analizler sunabilir#

Limanlar ve barınaklar her hafta yüzlerce gemiye hizmet verir; böylesine büyük bir filoyu yönetmek zor olabilir. Hava görüntülerindeki gemileri analiz etmek ayrıca zorluk yaratır; gemiler çoğu zaman farklı açılarda görünür. Ultralytics YOLO11'in OBB algılama desteği bu noktada işe yarar.

OBB algılama, modelin gemileri çeşitli açılarda standart dikdörtgen kutulardan daha doğru biçimde algılamasını sağlar. Ultralytics YOLO11'i OBB ile kullanan deniz taşımacılığı şirketleri, filo hareketleri ve tedarik zinciri lojistiği gibi önemli ayrıntıları takip ederek filolarının konumunu ve durumunu daha kolay belirleyebilir. Görüntü yapay zekâsı destekli bu tür çözümler, rotaları iyileştirmeye, gecikmeleri azaltmaya ve deniz taşımacılığı rotalarında genel filo yönetimini geliştirmeye yardımcı olur.

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

Yapay zekâ geliştiricileri için Ultralytics YOLO11: Yönlendirilmiş sınırlayıcı kutuları tespit etme#

OBB algılama için YOLO11 kullanmak isteyen bir yapay zekâ geliştiricisiysen başlangıç 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 (şimdiki adıyla Ultralytics Platform) tam da bunun için tasarlanmış bir platformdur. Daha fazla bilgi için Ultralytics HUB kullanarak Ultralytics YOLO11'i eğitme ve dağıtma kılavuzumuza göz at.

YOLO11'in OBB desteğinin nerelerde uygulanabileceğine dair örnekleri gördüğümüze göre şimdi Ultralytics Python paketini inceleyelim ve bu paketi kullanarak nasıl çıkarım çalıştırabileceğini ve özel modeller eğitebileceğini görelim.

Ultralytics YOLO11 ile çıkarım çalıştırma#

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

Ultralytics paketini yükledikten sonra YOLO11 ile çalışmak kolaydır. Çıkarım çalıştırmak, OBB ile nesneleri gerçek zamanlı algılamak gibi yeni görüntüler üzerinde tahmin yapmak için eğitilmiş bir model kullanma sürecidir. Bu işlem, modele yeni nesneleri tanımayı öğretmek veya belirli görevlerdeki performansını iyileştirmek anlamına gelen model eğitiminden farklıdır. Çıkarım, modeli daha önce görmediği verilere uygulamak istediğinde kullanılır.

Aşağıdaki örnek, bir modeli yükleyip görüntü üzerinde yönlendirilmiş sınırlayıcı kutularla tahmin yapmak için modeli kullanma adımlarında sana yol gösterir. Daha ayrıntılı örnekler ve ileri düzey kullanım ipuçları için en iyi uygulamalar ve ek yönergeler içeren resmî Ultralytics belgelerine göz atmayı unutma.

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

Özel bir Ultralytics YOLO11 modelini eğitme#

Bir Ultralytics YOLO11 modelini eğitmek, performansını yönlendirilmiş sınırlayıcı kutu nesne algılama gibi belirli veri kümeleri ve görevlere göre ince ayarlayabileceğin anlamına gelir. YOLO11 gibi önceden eğitilmiş modeller genel nesne algılama için kullanılabilse de modelin benzersiz nesneleri algılaması veya belirli bir veri kümesinde performansını optimize etmesi gerektiğinde özel bir model eğitmek şarttır.

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

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

Eğitilmiş modeli kullanarak yeni görüntülerde OBB ile nesneleri algılayabilir ve görselleştirmek için çıkarım çalıştırabilirsin. Ayrıca eğitilmiş model, dışa aktarma özelliği kullanılarak dağıtım için ONNX gibi biçimlere dönüştürülebilir.

Şekil 5. OBB nesne tespiti için Ultralytics YOLO11 modelini eğitme örneği.

Ultralytics YOLO11 yapay zekâ gelişmelerinde geleceğe giden yol#

Ultralytics YOLO11, yönlendirilmiş sınırlayıcı kutu desteğiyle nesne algılamayı geliştirir. YOLO11, nesneleri farklı açılarda algılayabildiğinden çeşitli sektörlerdeki farklı uygulamalarda kullanılabilir. Örneğin, güneş paneli incelemeleri veya filo izleme gibi görevlerde hassasiyetin kritik olduğu şehir planlama, enerji ve deniz taşımacılığı sektörleri için oldukça uygundur. Daha yüksek hızı ve gelişmiş doğruluğuyla YOLO11, yapay zekâ geliştiricilerinin gerçek dünyadaki zorlukları çözmesine yardımcı olabilir.

Yapay zekâ daha yaygın biçimde benimsenip günlük yaşamımıza tümleştikçe Ultralytics YOLO11 gibi modeller, yapay zekâ çözümlerinin geleceğini şekillendirecek.

Görüntü yapay zekâsının potansiyelini öğrenmek için büyüyen topluluğumuza katıl ve GitHub depomuzu keşfet. Görüntü yapay zekâsının sağlık hizmetlerinden otonom araçlara kadar farklı sektörlerde nasıl uygulandığını gör.