Nesne tespiti için Ultralytics YOLO11 nasıl kullanılır?

Bilgisayarlı görü, makinelerin nesne algılama gibi temel görevleri gerçekleştirebilmesi için görsel bilgileri yorumlayıp anlamasına yardımcı olan bir yapay zekâ (AI) alanıdır. Görüntü sınıflandırmadan farklı olarak nesne algılama, görüntüde hangi nesnelerin bulunduğunu belirlemekle kalmaz, nesnelerin tam konumlarını da saptar. Bu özellik, sürücüsüz araçlar gibi görsel 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. Ultralytics'in yıllık hibrit etkinliği YOLO Vision 2024 (YV24) sırasında Ultralytics YOLO11 modelinin tanıtılması önemli bir ilerlemeydi. YOLO11, YOLOv8 ile aynı görevleri desteklerken doğruluğu ve performansı iyileştiriyor; böylece önceki modellerin kullanıcıları kolayca geçiş yapabiliyor. (YOLO11'in yerini daha sonra Ultralytics YOLO26 aldı.)

Şekil 1. Nesne tespiti için Ultralytics YOLO11 modelinin kullanımına bir örnek.

Bu makalede, nesne algılamanın ne olduğunu ve diğer bilgisayarlı görü görevlerinden nasıl ayrıldığını açıklayacak, gerçek dünya uygulamalarını inceleyeceğiz. Ayrıca YOLO11 modelini Ultralytics Python paketi ve Ultralytics HUB (Ultralytics Platform olarak yeniden adlandırıldı) ile nasıl kullanacağını göstereceğiz. Hadi başlayalım!

Nesne tespiti nedir?#

Nesne tespiti, görüntüdeki nesneleri tanımlamanın ötesine geçen, bilgisayarlı görünün temel bir görevidir. Yalnızca belirli bir nesnenin var olup olmadığını belirleyen görüntü sınıflandırmadan farklı olarak nesne tespiti birden fazla nesneyi tanır ve sınırlayıcı kutular kullanarak tam konumlarını saptar.

Örneğin model, grup fotoğrafındaki yüzleri, kalabalık bir caddedeki arabaları veya mağaza rafındaki ürünleri tanıyıp konumlarını belirleyebilir. Nesne tanıma ve konum belirleme özelliklerinin birleşimi, onu gözetim, kalabalık izleme ve otomatik envanter yönetimi gibi uygulamalarda özellikle kullanışlı kılar.

Şekil 2. Yüzleri tespit etmek için Ultralytics YOLO11 kullanımı.

Nesne tespitini anlamsal bölümleme veya örnek bölümleme gibi diğer görevlerden ayıran, odak noktası ve verimliliğidir.

Anlamsal segmentasyon bir görüntüdeki her pikseli etiketler, ancak aynı türdeki nesneleri birbirinden ayırmaz (örneğin, fotoğraftaki tüm yüzler "yüz" olarak gruplandırılır). Örnek segmentasyonu ise her nesneyi birbirinden ayırıp, aynı sınıftaki nesneler için bile, nesnelerin tam şeklini belirler.

Nesne tespiti ise nesneleri tanımlayıp sınıflandırırken konumlarını işaretleyerek daha yalın bir yaklaşım sunar. Bu özelliğiyle güvenlik görüntülerinde yüzleri tespit etme veya otonom araçlar için engelleri belirleme gibi gerçek zamanlı görevler için idealdir.

Ultralytics YOLO11 ve nesne tespitinin uygulamaları#

Ultralytics YOLO11'in gelişmiş nesne tespit özellikleri onu birçok sektörde kullanışlı kılıyor. Bazı örneklere göz atalım.

Perakende analitiğinde Ultralytics YOLO11 kullanımı#

Ultralytics YOLO11 ve nesne tespiti, envanter yönetimini ve raf izlemesini daha verimli ve doğru hâle getirerek perakende analitiğini yeniden şekillendiriyor. Modelin nesneleri hızlı ve güvenilir biçimde tespit etme yeteneği, perakendecilerin stok seviyelerini takip etmesine, rafları düzenlemesine ve envanter sayımlarındaki hataları azaltmasına yardımcı oluyor.

Örneğin YOLO11, mağaza rafındaki güneş gözlüğü gibi belirli ürünleri algılayabilir. Peki bir perakendeci rafları neden izlemek ister? Müşterilerin ihtiyaç duyduklarını bulabilmesini sağlamak için rafları dolu ve düzenli tutmak çok önemlidir; bu da 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 sağlayabilir.

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

Akıllı şehir uygulamalarında Ultralytics YOLO11#

Hareketli bir şehir, verimli işleyiş için sorunsuz trafik akışına ve güvenli caddelere ihtiyaç duyar; Ultralytics YOLO11 bunu sağlamaya yardımcı olabilir. Hatta birçok akıllı şehir uygulaması YOLO11 ile entegre edilebilir.

İlginç kullanım alanlarından biri, hareket hâlindeki araçların plakalarını tanımlamak için nesne algılamadan yararlanmaktır. Ultralytics YOLO11 bu sayede daha hızlı ücret tahsilatını, daha iyi trafik yönetimini ve kuralların daha hızlı uygulanmasını destekleyebilir.

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

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

Ultralytics YOLO11'in görsel verileri işleme yeteneği, onu şehir altyapısını iyileştirmek için güçlü bir araç hâline getiriyor. Örneğin araç ve yaya hareketlerini analiz ederek trafik ışıklarının zamanlamasını iyileştirmeye yardımcı olabilir. Ayrıca çocukları tespit edip sürücüleri yavaşlamaları için uyararak okul bölgelerinde güvenliği artırabilir. YOLO11 sayesinde şehirler sorunları ele almak ve herkes için daha verimli bir ortam oluşturmak üzere proaktif önlemler alabilir.

Ultralytics YOLO11 ile gerçek zamanlı video tespiti: Erişilebilirliği artırma#

Gerçek zamanlı nesne algılama, bir sistemin canlı video akışında görünen nesneleri anında tanımlayıp sınıflandırabilmesini ifade eder. Ultralytics YOLO11 gerçek zamanlı performans için tasarlanmıştır ve bu özelliği başarıyla destekler. Uygulamaları süreçleri kolaylaştırmanın ötesine geçer; daha kapsayıcı ve erişilebilir bir dünya oluşturmaya da yardımcı olabilir.

Örneğin YOLO11, görme engelli kişilere nesneleri gerçek zamanlı tanımlayarak yardımcı olabilir. Tespitlere dayanarak sesli açıklamalar sunulabilir; böylece kullanıcılar çevrelerinde daha bağımsız biçimde hareket edebilir.

Görme engelli bir kişinin market alışverişi yaptığını düşün. Doğru ürünleri seçmek zor olabilir, ancak Ultralytics YOLO11 yardımcı olabilir. Ürünleri sepetine koyarken YOLO11 ile entegre edilmiş bir sistem; muz, avokado veya bir karton süt gibi her ürünü tanımlayıp gerçek zamanlı sesli açıklamalar sunabilir. Böylece kişi seçimlerini doğrulayabilir ve ihtiyacı olan her şeyi aldığından emin olabilir. YOLO11, günlük ürünleri tanıyarak alışverişi kolaylaştırabilir.

Şekil 5. Nesne tespiti, görme engelliler için dünyayı daha erişilebilir kılmaya yardımcı olabilir.

Ultralytics YOLO11 ile nesne tespiti için adım adım rehber#

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

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

Ultralytics YOLO11 ile çıkarım çalıştırma#

Çıkarım, bir yapay zekâ modelinin eğitim sırasında öğrendiklerine dayanarak tahminler yapmak, bilgileri sınıflandırmak veya içgörüler sunmak için yeni ve daha önce görmediği verileri analiz etmesidir. Nesne algılama bağlamında bu, görüntü veya videodaki belirli nesneleri tanımlayıp konumlarını belirlemek, çevrelerine sınırlayıcı kutular çizmek ve modeli eğitmek için kullanılan verilere göre etiketlemek anlamına gelir.

YOLO11 nesne algılama modeliyle çıkarım çalıştırmak için önce pip, conda veya Docker aracılığıyla Ultralytics Python paketini yüklemen gerekir. Kurulumla ilgili sorunlarla karşılaşırsan bunları çözmene yardımcı olacak ipuçları için sorun giderme kılavuzuna göz at. Kurulum tamamlandıktan sonra aşağıdaki kodu kullanarak YOLO11n nesne algılama modelini yükleyebilir ve bir görüntü üzerinde tahmin yapabilirsin.

Şekil 6. YOLO11n kullanarak bir görüntü üzerinde çıkarım çalıştırma.

Özel bir Ultralytics YOLO11 modelini eğitme#

Ultralytics YOLO11, kullanım alanlarına daha iyi uyum sağlamak için özel eğitimi de destekler. Modelde ince ayar yaparak onu projenle ilgili nesneleri algılayacak şekilde uyarlayabilirsin. Örneğin, sağlık hizmetlerinde bilgisayarlı görü kullanırken, özel olarak eğitilmiş bir YOLO11 modeli tıbbi görüntülerde MR taramalarındaki tümörler veya röntgenlerdeki kırıklar gibi belirli anormallikleri algılayarak doktorların daha hızlı ve doğru teşhis koymasına yardımcı olabilir.

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

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo11n.yaml")  # YAML'den yeni bir model oluştur
model = YOLO("yolo11n.pt")  # Önceden eğitilmiş bir modeli yükle (eğitim için önerilir)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # YAML'den oluştur ve ağırlıkları aktar

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

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

Ultralytics HUB üzerinde YOLO11 nesne tespiti#

Kod yazmadan kullanabileceğin bir alternatif arıyorsan Ultralytics HUB, YOLO11 dâhil YOLO modellerini eğitip dağıtmak için kullanımı kolay bir görsel yapay zekâ platformu sunar.

Görüntülerde nesne algılama yapmak için bir hesap oluştur, ‘Models’ bölümüne git ve Ultralytics YOLO11 nesne algılama modelinin bir varyantını seç. Görüntünü yüklediğinde platform algılanan nesneleri bir önizleme bölümünde gösterir.

Şekil 7. Ultralytics HUB üzerinde çıkarım çalıştırma.

Python paketinin esnekliğini HUB'ın kullanım kolaylığıyla birleştiren Ultralytics YOLO11, hem geliştiricilerin hem de işletmelerin gelişmiş nesne algılamayı kullanmasını kolaylaştırır.

Önemli çıkarımlar#

Ultralytics YOLO11, çeşitli sektörlerin ihtiyaçlarını karşılamak için yüksek doğruluğu çok yönlülükle birleştirir. Perakende analizlerini geliştirmekten akıllı şehir altyapısını yönetmeye kadar YOLO11, pek çok uygulamada gerçek zamanlı ve güvenilir performans sunmak üzere tasarlanmıştır.

Özel eğitim seçenekleri ve Ultralytics HUB aracılığıyla sunulan kullanımı kolay arayüz sayesinde YOLO11'i iş akışlarına entegre etmek kolaydır. Bilgisayarlı görü alanını keşfeden bir geliştirici veya yapay zekâyla yenilik yapmak isteyen bir işletme ol; YOLO11 başlangıç için ihtiyacın olan araçları sunar.

Daha fazla bilgi edinmek için GitHub depomuza göz at ve topluluğumuza katıl. Çözümler sayfalarımızda sürücüsüz araçlardaki ve tarım için bilgisayarlı görüdeki yapay zekâ uygulamalarını keşfet.