Nesne tespiti için Ultralytics YOLO11 nasıl kullanılır?

Bilgisayarlı görü, makinelerin nesne algılama gibi temel görevleri gerçekleştirmek için görsel bilgileri yorumlamasına ve anlamasına yardımcı olan bir yapay zekâ (AI) alanıdır. Görüntü sınıflandırmanın aksine nesne algılama, bir görüntüde hangi nesnelerin bulunduğunu belirlemekle kalmaz, aynı zamanda bunların kesin konumlarını da tespit eder. Bu özellik, otonom araçlar gibi görü yapay zekâ uygulamaları, gerçek zamanlı güvenlik sistemleri ve depo otomasyonu için onu kritik bir araç hâline getirir.

Zaman içinde nesne algılama teknolojisi daha gelişmiş ve kullanımı daha kolay hâle geldi. Önemli bir ilerleme, Ultralytics’in yıllık hibrit etkinliği YOLO Vision 2024 (YV24) sırasında Ultralytics YOLO11 modelinin kullanıma sunulmasıyla duyuruldu. YOLO11, YOLOv8 ile aynı görevleri desteklerken doğruluğu ve performansı artırır; bu da önceki modellerin kullanıcılarının sorunsuz bir şekilde geçiş yapmasını kolaylaştırır.

Şekil 1. Nesne algılama için Ultralytics YOLO11 modelinin kullanılmasına bir örnek.

Bu makalede nesne algılamanın ne olduğunu, diğer bilgisayarlı görü görevlerinden farkını ve gerçek dünyadaki uygulamalarını ele alacağız. Ayrıca YOLO11 modelini Ultralytics Python paketi ve Ultralytics HUB platformu ile nasıl kullanacağını göstereceğiz. Hadi başlayalım!

Nesne algılama nedir?#

Nesne algılama, bir görüntüdeki nesneleri tanımlamanın ötesine geçen temel bir bilgisayarlı görü görevidir. Yalnızca belirli bir nesnenin mevcut olup olmadığını belirleyen görüntü sınıflandırmanın aksine nesne algılama, birden fazla nesneyi tanır ve sınırlayıcı kutuları kullanarak bunların kesin konumlarını belirler.

Örneğin bir grup fotoğrafındaki yüzleri tanımlayıp konumlandırabilir, yoğun bir caddedeki arabaları veya bir mağaza rafındaki ürünleri algılayabilir. Nesne tanıma ile konumlandırmayı bir araya getirmesi, onu gözetim, kalabalık izleme ve otomatik envanter yönetimi gibi uygulamalar için özellikle kullanışlı kılar.

Şekil 2. Yüzleri algılamak için Ultralytics YOLO11 kullanılması.

Nesne algılamayı anlamsal veya örnek bölütleme gibi diğer görevlerden ayıran özellik, odağı ve verimliliğidir.

Anlamsal bölütleme, bir görüntüdeki her pikseli etiketler ancak aynı türdeki tek tek nesneleri birbirinden ayırt etmez (örneğin, bir fotoğraftaki tüm yüzler "yüz" olarak gruplanır). Örnek bölütleme ise her nesneyi ayırarak ve aynı sınıftaki nesneler için bile kesin şeklini ana hatlarıyla belirleyerek bunu bir adım ileri taşır.

Bununla birlikte nesne algılama, nesneleri tanımlayıp sınıflandırırken konumlarını işaretleyerek daha yalın bir yaklaşım sunar. Bu da onu güvenlik görüntülerinde yüzleri algılama veya otonom araçlar için engelleri belirleme gibi gerçek zamanlı görevler için ideal hâle getirir.

Ultralytics YOLO11 ve nesne algılama uygulamaları#

Ultralytics YOLO11’in gelişmiş nesne algılama özellikleri, onu birçok sektörde kullanışlı kılar. Bazı örneklere göz atalım.

Perakende analitiği için Ultralytics YOLO11 kullanılması#

Ultralytics YOLO11 ve nesne algılama, envanter yönetimini ve raf izlemeyi daha verimli ve doğru hâle getirerek perakende analitiğini yeniden şekillendiriyor. Modelin nesneleri hızlı ve güvenilir bir şekilde algılama yeteneği, perakendecilerin stok seviyelerini takip etmesine, rafları düzenlemesine ve envanter sayımlarındaki hataları azaltmasına yardımcı olur.

Örneğin YOLO11, bir mağaza rafındaki güneş gözlükleri gibi belirli ürünleri algılayabilir. Peki bir perakendeci neden rafları izlemek ister? Rafları dolu ve düzenli tutmak, müşterilerin ihtiyaç duydukları ürünleri bulabilmesini sağlamak için hayati önem taşır ve bu durum satışları doğrudan etkiler. Perakendeciler rafları gerçek zamanlı izleyerek ürünlerin azaldığını, yanlış yere konduğunu veya aşırı yığıldığını hızla fark edebilir; böylece alışveriş deneyimini iyileştiren düzenli ve çekici bir teşhir alanını koruyabilir.

Şekil 3. Raflardaki ürünleri algılamak için Ultralytics YOLO11 kullanılmasına bir örnek.

Akıllı şehir uygulamalarında Ultralytics YOLO11#

Hareketli bir şehrin verimli şekilde işlemesi, düzgün trafik akışına ve güvenli caddelere bağlıdır; Ultralytics YOLO11 bunu mümkün kılmaya yardımcı olabilir. Hatta birçok akıllı şehir uygulaması YOLO11 ile entegre edilebilir.

İlginç bir örnek, hareket hâlindeki araçların plakalarını belirlemek için nesne algılamanın kullanılmasıdır. Ultralytics YOLO11 bunu yaparak daha hızlı geçiş ücreti tahsilatını, daha iyi trafik yönetimini ve düzenlemelerin daha hızlı uygulanmasını destekleyebilir.

Şekil 4. Plakaları algılamak için nesne algılama ve Ultralytics YOLO11 kullanılması.

Yolları izleyen görü yapay zekâ sistemlerinden elde edilen içgörüler, trafik ihlalleri veya sıkışıklık daha büyük sorunlara dönüşmeden önce yetkilileri uyarabilir. YOLO11 yayaları ve bisikletlileri de algılayarak caddeleri herkes için daha güvenli ve verimli hâle getirebilir.

Aslında Ultralytics YOLO11’in görsel verileri işleme yeteneği, onu şehir altyapısını iyileştirmek için güçlü bir araç hâline getirir. Örneğin araç ve yaya hareketlerini analiz ederek trafik ışıklarının zamanlamasını optimize etmeye yardımcı olabilir. Ayrıca çocukları algılayıp sürücüleri yavaşlamaları konusunda uyararak okul bölgelerinde güvenliği artırabilir. YOLO11 sayesinde şehirler, zorlukları ele almak ve herkes için daha verimli bir ortam oluşturmak üzere proaktif önlemler alabilir.

Ultralytics YOLO11 ile gerçek zamanlı video algılama: Erişilebilirliği artırma#

Gerçek zamanlı nesne algılama, bir sistemin canlı video akışında görünen nesneleri ortaya çıktıkları anda tanımlayıp sınıflandırabilmesi anlamına gelir. Ultralytics YOLO11, üstün gerçek zamanlı performans için tasarlanmıştır ve bu yeteneği desteklemede başarılıdır. Uygulamaları yalnızca süreçleri kolaylaştırmanın ötesine geçer; aynı zamanda daha kapsayıcı ve erişilebilir bir dünya oluşturmaya yardımcı olabilir.

Örneğin YOLO11, görme engelli kişilere nesneleri gerçek zamanlı olarak tanımlayarak yardımcı olabilir. Algılama sonuçlarına göre sesli açıklamalar sunulabilir; bu da kullanıcıların çevrelerinde daha bağımsız bir şekilde hareket etmelerine yardımcı olur.

Markette alışveriş yapan görme engelli bir kişiyi düşün. Doğru ürünleri seçmek zor olabilir, ancak Ultralytics YOLO11 yardımcı olabilir. Kişi ürünleri sepetine koyarken YOLO11 ile entegre bir sistem; muz, avokado veya süt kutusu gibi her ürünü tanımlamak ve gerçek zamanlı sesli açıklamalar sunmak için kullanılabilir. Bu, kişinin seçimlerini doğrulamasına ve ihtiyaç duyduğu her şeyi aldığından emin olmasına olanak tanır. YOLO11, günlük ürünleri tanıyarak alışverişi kolaylaştırabilir.

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

Ultralytics YOLO11 ile nesne algılama için adım adım kılavuz#

Artık nesne algılamanın temellerini ve çeşitli uygulamalarını ele aldığımıza göre, nesne algılama gibi görevler için Ultralytics YOLO11 modelini kullanmaya nasıl başlayabileceğine geçelim.

YOLO11’i kullanmanın iki basit yolu vardır: Ultralytics Python paketi veya Ultralytics HUB üzerinden. Her iki yöntemi de, Python paketiyle başlayarak inceleyelim.

Ultralytics YOLO11 kullanarak çıkarım çalıştırma#

Çıkarım, bir yapay zekâ modelinin tahminler yapmak, bilgileri sınıflandırmak veya eğitim sırasında öğrendiklerine dayalı içgörüler sunmak için yeni ve daha önce görülmemiş verileri analiz etmesidir. Nesne algılama açısından bu, bir görüntü veya videodaki belirli nesneleri tanımlayıp konumlandırmak, etraflarına sınırlayıcı kutular çizmek ve modelin eğitimine göre etiketlemek anlamına gelir.

YOLO11 nesne algılama modeliyle çıkarım yapmak için öncelikle Ultralytics Python paketini pip, conda veya Docker aracılığıyla yüklemen gerekir. Herhangi bir yükleme sorunuyla karşılaşırsan, bunları çözmene yardımcı olacak ipuçları ve püf noktaları için sorun giderme kılavuzuna göz at. Yükleme tamamlandıktan sonra YOLO11 nesne algılama modelini yüklemek ve bir görüntü üzerinde tahminler yapmak için aşağıdaki kodu kullanabilirsin.

Şekil 6. YOLO11n kullanarak bir görüntü üzerinde çıkarım çalıştırma.

Özel bir Ultralytics YOLO11 modelini eğitme#

Ultralytics YOLO11, belirli kullanım alanlarına daha iyi uyum sağlamak için özel eğitimi de destekler. Modeli ince ayarlayarak projenle ilgili nesneleri algılayacak şekilde özelleştirebilirsin. Örneğin sağlık hizmetlerinde bilgisayarlı görü kullanırken, özel olarak eğitilmiş bir YOLO11 modeli MRI taramalarındaki tümörler veya X ışınlarındaki kırıklar gibi tıbbi görüntülerdeki belirli anormallikleri algılamak için kullanılabilir ve doktorların daha hızlı ve doğru teşhis koymasına yardımcı olabilir.

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

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 modeli eğittikten sonra, farklı ortamlarda dağıtmak üzere eğitilmiş modeli çeşitli biçimlerde dışa aktarabilirsin.

Ultralytics HUB üzerinde YOLO11 nesne algılama#

Kodsuz bir alternatif arayanlar için Ultralytics HUB, YOLO11 de dâhil olmak üzere YOLO modellerini eğitip dağıtmaya yönelik kullanımı kolay bir görü yapay zekâ platformu sunar.

Görüntüler üzerinde nesne algılama çalıştırmak için bir hesap oluşturman, ‘Models’ bölümüne gitmen ve Ultralytics YOLO11 nesne algılama modeli varyantını seçmen yeterlidir. Görüntünü yüklediğinde platform, algılanan nesneleri bir önizleme bölümünde gösterir.

Şekil 7. Ultralytics HUB üzerinde çıkarımlar çalıştırma.

Ultralytics YOLO11, Python paketinin esnekliğini HUB’ın kullanım kolaylığıyla birleştirerek geliştiricilerin ve işletmelerin gelişmiş nesne algılama teknolojisinin gücünden yararlanmasını kolaylaştırır.

Önemli çıkarımlar#

Ultralytics YOLO11, yüksek doğruluğu çok yönlülükle birleştirerek çeşitli sektörlerin ihtiyaçlarını karşılayan nesne algılamada yeni bir standart belirler. Perakende analitiğini geliştirmekten akıllı şehir altyapısını yönetmeye kadar YOLO11, sayısız uygulamada gerçek zamanlı ve güvenilir performans sunmak üzere tasarlanmıştır.

Özel eğitim seçenekleri ve Ultralytics HUB üzerinden kullanımı kolay bir arayüz sayesinde YOLO11’i iş akışlarına entegre etmek hiç bu kadar kolay olmamıştı. İster bilgisayarlı görü alanını keşfeden bir geliştirici ister yapay zekâ ile yenilik yapmak isteyen bir işletme ol, YOLO11 başarılı olmak için ihtiyaç duyduğun araçları sunar.

Daha fazla bilgi edinmek için GitHub depomuza göz at ve topluluğumuza katıl. Çözüm sayfalarımızda otonom araçlardaki ve tarım için bilgisayarlı görü alanlarındaki yapay zekâ uygulamalarını keşfet. 🚀