Ultralytics YOLO11 ile nesne algılama nasıl yapılır

Bilgisayarlı görü, makinelerin nesne algılama gibi temel görevleri yerine getirebilmesi için görsel bilgileri yorumlamasına ve anlamasına yardımcı olan bir yapay zeka (AI) alanıdır. Görüntü sınıflandırmasından farklı olarak nesne algılama, yalnızca görüntüdeki nesnelerin ne olduğunu tanımlamakla kalmaz, aynı zamanda tam konumlarını da belirler. Bu, onu kendi kendine giden arabalar gibi görsel yapay zeka uygulamaları, gerçek zamanlı güvenlik sistemleri ve depo otomasyonu için kritik bir araç haline getirir.

Zamanla nesne algılama teknolojisi daha gelişmiş ve kullanımı daha kolay hale geldi. Önemli bir ileri adım, Ultralytics'in yıllık hibrit etkinliği olan YOLO Vision 2024 (YV24) kapsamında Ultralytics YOLO11 modelinin lansmanıyla duyuruldu. YOLO11, YOLOv8 ile aynı görevleri desteklerken doğruluk ve performansı artırarak önceki model kullanıcılarının sorunsuz bir şekilde geçiş yapmasını kolaylaştırır.

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

Bu makalede, nesne algılamanın ne olduğunu, diğer bilgisayarlı görü görevlerinden nasıl farklılaştığını inceleyecek ve gerçek dünyadaki uygulamalarını keşfedeceğiz. Ayrıca, Ultralytics Python paketi ve Ultralytics HUB platformu ile YOLO11 modelini nasıl kullanacağını adım adım anlatacağız. Hadi başlayalım!

Link to this sectionNesne algılama nedir?#

Nesne algılama, bilgisayarlı görüde bir görüntüdeki nesneleri tanımlamaktan daha fazlasını yapan temel bir görevdir. Yalnızca belirli bir nesnenin mevcut olup olmadığını belirleyen görüntü sınıflandırmasının aksine, nesne algılama birden fazla nesneyi tanır ve sınırlayıcı kutular kullanarak tam konumlarını belirler.

Örneğin, bir grup fotoğrafındaki yüzleri, yoğun bir caddedeki arabaları veya bir mağaza rafındaki ürünleri tanımlayabilir ve yerlerini bulabilir. Nesne tanıma ve konumlandırmayı birleştirmek, onu gözetim, kalabalık izleme ve otomatik envanter yönetimi gibi uygulamalar için özellikle yararlı kılar.

Şekil 2. Yüzleri algılamak için YOLO11 kullanma.

Nesne algılamayı anlamsal veya örnek segmentasyon gibi diğer görevlerden ayıran şey, odak noktası ve verimliliğidir.

Anlamsal segmentasyon, bir görüntüdeki her bir pikseli etiketler ancak aynı türdeki bireysel nesneleri ayırt etmez (örneğin, bir fotoğraftaki tüm yüzler "yüz" olarak gruplandırılır). Örnek segmentasyon ise her bir nesneyi birbirinden ayırarak ve aynı sınıftaki nesneler için bile tam şeklini ana hatlarıyla belirleyerek bir adım öteye gider.

Nesne algılama ise nesneleri tanımlayıp sınıflandırırken aynı zamanda konumlarını işaretleyerek daha düzenli bir yaklaşım sağlar. Bu, güvenlik görüntülerindeki yüzleri algılama veya otonom araçlar için engelleri tanımlama gibi gerçek zamanlı görevler için idealdir.

Link to this sectionYOLO11 ve nesne algılamanın uygulamaları#

YOLO11'in gelişmiş nesne algılama özellikleri, onu birçok sektörde kullanışlı hale getirir. Şimdi bazı örneklere göz atalım.

Link to this sectionPerakende analizleri için YOLO11 kullanma#

YOLO11 ve nesne algılama, envanter yönetimi ve raf izlemeyi daha verimli ve doğru hale getirerek perakende analizlerini yeniden tanımlıyor. Modelin nesneleri hızlı ve güvenilir bir şekilde algılama yeteneği, perakendecilerin stok seviyelerini takip etmelerine, rafları düzenlemelerine ve envanter sayımlarındaki hataları azaltmalarına yardımcı olur.

Örneğin, YOLO11 bir mağaza rafındaki güneş gözlüğü gibi belirli ürünleri algılayabilir. Peki bir perakendeci neden bir rafı izlemek istesin? Rafları dolu ve düzenli tutmak, müşterilerin ihtiyaç duyduklarını bulabilmelerini sağlamak için hayati önem taşır ve bu da doğrudan satışları etkiler. Perakendeciler, rafları gerçek zamanlı olarak izleyerek ürünlerin azaldığını, yanlış yerleştirildiğini veya aşırı kalabalıklaştığını hızlı bir şekilde tespit edebilir, böylece alışveriş deneyimini iyileştiren düzenli ve çekici bir görünüm koruyabilirler.

Şekil 3. Raflardaki ürünleri algılamak için YOLO11 kullanmaya bir örnek.

Link to this sectionAkıllı şehir uygulamalarında YOLO11#

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

İlginç bir vaka, hareket halindeki araçlardaki plakaları tanımlamak için nesne algılamayı kullanmayı içerir. Bunu yaparak YOLO11, daha hızlı geçiş ücreti toplama, daha iyi trafik yönetimi ve daha hızlı düzenleme uygulamalarını destekleyebilir.

Şekil 4. Plakaları algılamak için nesne algılama ve YOLO11 kullanma.

Yolları izleyen görsel yapay zeka sistemlerinden elde edilen içgörüler, yetkilileri trafik ihlalleri veya tıkanıklıklar konusunda daha büyük sorunlara dönüşmeden önce uyarabilir. YOLO11 ayrıca yayaları ve bisikletlileri algılayarak sokakları herkes için daha güvenli ve verimli hale getirebilir.

Aslına bakılırsa, YOLO11'in görsel verileri işleme yeteneği, onu şehir altyapısını iyileştirmek için güçlü bir araç haline getirir. Örneğin, araç ve yaya hareketini analiz ederek trafik ışığı zamanlamasını optimize etmeye yardımcı olabilir. Ayrıca çocukları algılayıp sürücüleri yavaşlamaları konusunda uyararak okul bölgelerinde güvenliği artırabilir. YOLO11 ile şehirler, zorlukları ele almak ve herkes için daha verimli bir ortam yaratmak adına proaktif önlemler alabilir.

Link to this sectionYOLO11 ile gerçek zamanlı video algılama: Erişilebilirliği artırma#

Gerçek zamanlı nesne algılama, bir sistemin canlı bir video akışındaki nesneleri göründükleri anda tanımlama ve sınıflandırma yeteneğini ifade eder. YOLO11, üstün gerçek zamanlı performans için tasarlanmıştır ve bu yeteneği destekleme konusunda mükemmeldir. Uygulamaları sadece süreçleri kolaylaştırmanın ötesine geçer; 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 dayalı olarak, kullanıcıların çevrelerinde daha bağımsız bir şekilde gezinmelerine yardımcı olan sesli betimlemeler sağlanabilir.

Market alışverişi yapan görme engelli bir kişiyi düşünün. Doğru ürünleri seçmek zor olabilir, ancak YOLO11 yardımcı olabilir. Ürünleri sepetlerine koyarken, YOLO11 ile entegre bir sistem her bir ürünü (muz, avokado veya bir kutu süt gibi) tanımlamak ve gerçek zamanlı sesli betimlemeler sağlamak için kullanılabilir. Bu, seçimlerini doğrulamalarına ve ihtiyaç duydukları her şeye sahip olduklarından emin olmalarına 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.

Link to this sectionYOLO11 ile nesne algılama 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.

Link to this sectionYOLO11 kullanarak çıkarım çalıştırma#

Çıkarım (inference), bir yapay zeka modelinin yeni ve daha önce görmediği verileri analiz ederek tahminlerde bulunması, bilgileri sınıflandırması veya eğitim sırasında öğrendiklerine dayanarak içgörüler sağlamasıdır. Nesne algılama bağlamında bu, bir görüntü veya video içindeki belirli nesnelerin tanımlanıp yerlerinin belirlenmesi, çevrelerine BBox çizilmesi ve modelin eğitimi temel alınarak etiketlenmesi anlamına gelir.

YOLO11 nesne algılama modelini kullanarak çıkarım yapmak için önce Ultralytics Python paketini pip, conda veya Docker aracılığıyla kurman gerekir. Herhangi bir kurulum sorunu yaşarsan, çözmene yardımcı olacak ipuçları ve püf noktaları için sorun giderme kılavuzuna göz at. Kurulduktan 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.

Link to this sectionÖzel bir YOLO11 modeli eğitme#

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

Aşağıdaki kod parçası, nesne algılama için bir YOLO11 modelinin nasıl yükleneceğini ve eğitileceğini göstermektedir. Bir YAML yapılandırma dosyasından veya önceden eğitilmiş bir modelden başlayabilir, ağırlıkları aktarabilir ve daha rafine 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 model eğittikten sonra, eğitilmiş modeli farklı ortamlarda dağıtım için çeşitli formatlarda dışa aktarabilirsin.

Link to this sectionUltralytics 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 görsel yapay zeka platformu sağlar.

Görüntüler üzerinde nesne algılama çalıştırmak için sadece bir hesap oluştur, 'Modeller' bölümüne git ve YOLO11 nesne algılama modeli varyantını seç. Görselini yükle, platform algılanan nesneleri bir önizleme bölümünde görüntüleyecektir.

Şekil 7. Ultralytics HUB üzerinde çıkarımlar çalıştırma.

Python paketinin esnekliğini HUB'ın kolaylığıyla birleştiren YOLO11, hem geliştiricilerin hem de işletmelerin gelişmiş nesne algılama teknolojisinin gücünden yararlanmasını basitleştirir.

Link to this sectionÖne çıkanlar#

YOLO11, çeşitli endüstrilerin ihtiyaçlarını karşılamak için yüksek doğruluğu çok yönlülükle birleştirerek nesne algılamada yeni bir standart belirliyor. Perakende analizlerini geliştirmekten akıllı şehir altyapısını yönetmeye kadar, YOLO11 sayısız uygulamada gerçek zamanlı, güvenilir performans için üretilmiştir.

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 depomuza göz at ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda kendi kendine giden arabalar ve tarım için bilgisayarlı görü alanlarındaki yapay zeka uygulamalarını keşfet. 🚀