Ultralytics YOLO11 ile nesne algılama nasıl yapılır

Computer vision, makinelerin görsel bilgileri yorumlayıp anlamasına yardımcı olarak object detection gibi temel görevleri etkinleştiren bir yapay zeka (AI) alanıdır. Image classification seçeneğinin aksine object detection, yalnızca bir görüntüde hangi nesnelerin olduğunu belirlemekle kalmaz, aynı zamanda tam konumlarını da saptar. Bu da onu vision AI applications like self-driving cars, gerçek zamanlı security systems ve depo otomasyonu için kritik bir araç haline getirir.

Zaman içinde object detection teknolojisi daha gelişmiş ve kullanımı daha kolay hale geldi. Büyük bir adım, Ultralytics'in yıllık hibrit etkinliği YOLO Vision 2024 (YV24) kapsamında Ultralytics YOLO11 model lansmanıyla duyuruldu. YOLO11, YOLOv8 ile aynı görevleri desteklerken doğruluk ve performansını artırır, böylece önceki modellerin kullanıcılarının sorunsuz bir şekilde geçiş yapmasını kolaylaştırır.

Şekil 1. Nesne algılama için Ultralytics YOLO11 modelini kullanmaya bir örnek.

Bu makalede object detection ne olduğunu, diğer computer vision görevlerinden nasıl farklı olduğunu inceleyeceğiz ve gerçek dünyadaki uygulamalarını keşfedeceğiz. Ayrıca YOLO11 modelini Ultralytics Python package ve Ultralytics HUB platform ile nasıl kullanacağınızı anlatacağız. Haydi başlayalım!

Nesne algılama nedir?#

Object detection, computer vision alanında bir görüntüdeki nesneleri belirlemekten çok daha fazlasını yapan çekirdek bir görevdir. Yalnızca belirli bir nesnenin mevcut olup olmadığını belirleyen image classification özelliğinin aksine, object detection birden fazla nesneyi tanır ve sınırlayıcı kutular kullanarak tam konumlarını saptar.

Örneğin, identify and locate faces in a group photo, kalabalık bir caddedeki arabaları veya bir mağaza raflarındaki ürünleri bulabilir. Nesne tanıma ve konumlandırmanın birleştirilmesi, onu özellikle surveillance, kalabalık izleme ve otomatik envanter yönetimi gibi uygulamalar için yararlı kılar.

Şekil 2. Ultralytics YOLO11 kullanarak yüzleri tespit etme.

Object detection özelliğini anlamsal veya instance segmentation gibi diğer görevlerden ayıran şey odak noktası ve verimliliğidir.

Anlamsal segmentasyon, bir görüntüdeki her pikseli etiketler ancak aynı türdeki bireysel nesneler arasında ayrım yapmaz (örneğin, bir fotoğraftaki tüm yüzler "yüz" olarak gruplandırılır). Instance segmentation, aynı sınıftaki nesneler için bile her nesneyi ayırarak ve tam şeklini özetleyerek bunu bir adım öteye taşır.

Ancak object detection, konumlarını işaretlerken nesneleri tanımlayıp sınıflandırarak daha akıcı bir yaklaşım sunar. Bu da onu güvenlik görüntülerindeki yüzleri tespit etmek veya autonomous vehicles için engelleri belirlemek gibi gerçek zamanlı görevler için ideal kılar.

Ultralytics YOLO11 ve nesne tespiti uygulamaları#

Ultralytics YOLO11'in gelişmiş nesne tespiti özellikleri, onu birçok sektörde faydalı kılar. Bazı örneklere göz atalım.

Perakende analitiği için Ultralytics YOLO11 kullanımı#

Ultralytics YOLO11 ve nesne tespiti, envanter yönetimi ile raf izlemeyi daha verimli ve doğru hale getirerek perakende analitiğini yeniden tanımlıyor. Modelin nesneleri hızlı ve güvenilir bir şekilde tespit etme yeteneği, perakendecilerin stok seviyelerini takip etmesine, rafları düzenlemesine ve envanter sayımlarındaki hataları azaltmasına yardımcı olur.

Örneğin, YOLO11 bir mağaza rafındaki güneş gözlüğü gibi belirli öğeleri tespit edebilir. Peki bir perakendeci neden bir rafı izlemek istesin? Rafların stokta tutulması ve düzenli olması, müşterilerin ihtiyaç duyduklarını bulabilmelerini sağlamak açısından hayati önem taşır ve bu da doğrudan satışları etkiler. Perakendeciler rafları gerçek zamanlı olarak izleyerek ürünlerin azaldığını, yanlış yere konulduğunu veya aşırı kalabalıklaştığını hızlı bir şekilde fark edebilir ve bu da alışveriş deneyimini iyileştiren düzenli ve çekici bir teşhir sürdürmelerine yardımcı olur.

Şekil 3. Raflardaki ürünleri tespit etmek için Ultralytics YOLO11 kullanımına bir örnek.

Akıllı şehir uygulamalarında Ultralytics YOLO11#

Hareketli bir şehir, verimli bir şekilde çalışabilmek için akıcı bir trafik akışına ve güvenli sokaklara güvenir ve Ultralytics YOLO11 bunu mümkün kılmaya yardımcı olabilir. Aslında, birçok akıllı şehir uygulaması YOLO11 ile entegre edilebilir.

İlginç durumlardan biri, hareketli araçlardaki plakaları tanımlamak için nesne tespitinin kullanılmasını içerir. Bunu yaparak Ultralytics YOLO11; daha hızlı geçiş ücreti toplamayı, daha iyi trafik yönetimi yapmayı ve mevzuat denetimlerini hızlandırmayı destekleyebilir.

Şekil 4. Plakaları tespit etmek için nesne tespiti ve Ultralytics YOLO11 kullanımı.

Yolları izleyen vision AI sistemlerinden elde edilen içgörüler, trafik ihlallerini veya sıkışıklıkları daha büyük sorunlara dönüşmeden yetkililere bildirebilir. YOLO11 ayrıca yayaları ve bisikletlileri tespit ederek sokakları herkes için daha güvenli ve daha verimli hale getirebilir.

Aslına bakılırsa, Ultralytics YOLO11'in görsel verileri işleme yeteneği, onu şehir altyapısını iyileştirmek için güçlü bir araç haline getirir. Örneğin, araç ve yaya hareketlerini analiz ederek trafik ışığı sürelerini optimize etmeye yardımcı olabilir. Ayrıca çocukları tespit edip sürücüleri yavaşlamaları konusunda uyararak okul bölgelerinde güvenliği artırabilir. YOLO11 ile şehirler, zorlukların üstesinden gelmek ve herkes için daha verimli bir ortam yaratmak adına proaktif önlemler alabilir.

Ultralytics YOLO11 ile gerçek zamanlı video tespiti: Erişilebilirliği artırma#

Gerçek zamanlı nesne tespiti, bir sistemin canlı video akışındaki nesneleri göründükleri anda tanımlama ve sınıflandırma yeteneğini ifade eder. Ultralytics YOLO11, üstün gerçek zamanlı performans için tasarlanmıştır ve bu yeteneği desteklemede öne çıkar. Uygulamaları sadece süreçleri kolaylaştırmakla kalmaz; aynı zamanda daha kapsayıcı ve erişilebilir bir dünya yaratmaya da yardımcı olabilir.

Örneğin, YOLO11 nesneleri gerçek zamanlı olarak tanımlayarak görme engelli bireylere yardımcı olabilir. Algılamalara dayanarak sesli açıklamalar sağlanabilir, bu da kullanıcıların çevrelerinde daha büyük bir bağımsızlıkla gezinmesine yardımcı olur.

Market alışverişi yapan görme engelli bir kişiyi düşün. Doğru ürünleri seçmek zor olabilir, ancak Ultralytics YOLO11 yardımcı olabilir. Ürünleri sepetine koyarken, YOLO11 ile entegre edilmiş bir sistem - muz, avokado veya bir kutu süt gibi - her bir ürünü tanımlamak ve gerçek zamanlı sesli açıklamalar sağlamak için kullanılabilir. Bu, seçimlerini onaylamasına ve ihtiyacı olan her şeyi aldığından emin olmasına olanak tanır. Günlük nesneleri tanıyarak YOLO11, alışverişi daha basit hale getirebilir.

Şekil 5. Nesne algılama, dünyayı görme engelliler için daha erişilebilir hale getirmeye yardımcı olabilir.

Ultralytics YOLO11 ile nesne tespiti için adım adım kılavuz#

Artık nesne algılamanın temellerini ve çeşitli uygulamalarını ele aldığımıza göre, nesne algılama gibi görevler için Ultralytics YOLO11 modeline nasıl başlayabileceğinize bakalım.

YOLO11'i kullanmanın iki kolay yolu vardır: Ultralytics Python paketi veya Ultralytics HUB aracılığıyla. Python paketiyle başlayarak her iki yöntemi de inceleyelim.

Ultralytics YOLO11 kullanarak çıkarım (inference) çalıştırma#

Çıkarım (inferencing), bir AI modelinin predictions yapmak, bilgileri sınıflandırma veya eğitim sırasında öğrendiklerine dayanarak içgörüler sağlamak amacıyla yeni, görülmemiş verileri analiz etmesidir. Object detection söz konusu olduğunda bu, bir görüntü veya video içindeki belirli nesneleri tanımlamak ve konumlandırmak, etraflarına sınırlayıcı kutular çarmak ve modelin eğitimine göre bunları etiketlemek anlamına gelir.

YOLO11 object detection modelini kullanarak çıkarım yapmak için öncelikle pip, conda veya Docker aracılığıyla install the Ultralytics Python package gerekecektir. Herhangi bir kurulum sorunuyla karşılaşırsanız bunları çözmenize yardımcı olacak ipuçları ve püf noktaları için troubleshooting guide göz atın. Kurulumdan sonra, YOLO11 object detection modelini yüklemek ve bir görüntü üzerinde tahminler yapmak için aşağıdaki kodu kullanabilirsiniz.

Şekil 6. YOLO11n kullanarak bir görüntü üzerinde çıkarım çalıştırma.

Özel bir Ultralytics YOLO11 modeli eğitme#

Ultralytics YOLO11 ayrıca belirli kullanım senaryolarına daha iyi uyum sağlamak için custom training desteği sunar. Modeli ince ayar yaparak, projenle ilgili nesneleri tespit edecek şekilde uyarlayabilirsin. Örneğin, using computer vision in healthcare uygularken, özel olarak eğitilmiş bir YOLO11 modeli, MRI taramalarındaki tümörler veya röntgenlerdeki kırıklar gibi tıbbi görüntülerdeki belirli anormallikleri tespit etmek için kullanılabilir ve doktorların daha hızlı ve daha doğru teşhisler koymasına yardımcı olur.

Aşağıdaki kod parçacığı, nesne tespiti için bir Ultralytics YOLO11 modelinin nasıl yükleneceğini ve eğitileceğini göstermektedir. Bir YAML yapılandırma dosyasından veya önceden eğitilmiş bir modelden başlayabilir, ağırlıkları aktarabilir ve daha gelişmiş nesne tespiti yetenekleri için COCO gibi veri setleri üzerinde eğitim alabilirsin.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Bir model eğittikten sonra, eğitilmiş modeli farklı ortamlarda dağıtım için çeşitli formatlarda dışa aktarabilirsin.

Ultralytics HUB üzerinde YOLO11 nesne algılama#

Kodsuz bir alternatif arayanlar için Ultralytics HUB, YOLO11 dahil olmak üzere YOLO modellerini eğitmek ve dağıtmak için kullanımı kolay bir vision AI platformu sunar.

Görseller üzerinde nesne tespiti çalıştırmak için sadece bir hesap oluştur, ‘Modeller’ bölümüne git ve Ultralytics YOLO11 nesne tespiti model varyantını seç. Görselini yükle; platform, tespit edilen nesneleri bir önizleme bölümünde gösterecektir.

Şekil 7. Ultralytics HUB üzerinde çıkarımlar çalıştırma.

Python paketinin esnekliğini HUB'ın kullanım kolaylığıyla birleştiren Ultralytics YOLO11, geliştiricilerin ve işletmelerin gelişmiş nesne tespiti teknolojisinin gücünden yararlanmasını kolaylaştırır.

Öne çıkanlar#

Ultralytics YOLO11, yüksek doğruluğu çok yönlülükle birleştirerek nesne tespitinde yeni bir standart belirler ve çeşitli endüstrilerin ihtiyaçlarını karşılar. Perakende analitiğini geliştirmekten akıllı şehir altyapısını yönetmeye kadar YOLO11, sayısız uygulamada gerçek zamanlı, güvenilir performans için tasarlanmıştır.

Özel eğitim seçenekleri ve Ultralytics HUB aracılığıyla kullanımı kolay arayüzü ile YOLO11'i iş akışlarına entegre etmek hiç bu kadar basit olmamıştı. İster bilgisayarlı görüyü keşfeden bir geliştirici, ister yapay zeka ile yenilik yapmak isteyen bir işletme olun, YOLO11 başarılı olmanız için gereken araçları sunar.

Daha fazla bilgi edinmek için GitHub repository göz atın ve topluluğumuzla etkileşime geçin. Çözüm sayfalarımızda self-driving cars ve computer vision for agriculture alanındaki yapay zeka uygulamalarını keşfedin. 🚀