29 Kasım 2024
Yeni Ultralytics YOLO11 modelinin, çeşitli endüstrilerdeki çeşitli uygulamalarda daha yüksek hassasiyet elde etmek için nesne tespiti için nasıl kullanılabileceğini keşfedin.
Görüntü işleme, makinelerin nesne algılama gibi temel görevleri gerçekleştirmesini sağlamak için görsel bilgileri yorumlamasına ve anlamasına yardımcı olan bir yapay zeka (AI) alanıdır. Görüntü sınıflandırmasından farklı olarak, nesne algılama yalnızca bir görüntüdeki nesnelerin ne olduğunu belirlemekle kalmaz, aynı zamanda tam konumlarını da tespit eder. Bu, onu otonom araçlar, gerçek zamanlı güvenlik sistemleri ve depo otomasyonu gibi görüntü yapay zeka uygulamaları için kritik bir araç haline getirir.
Zamanla, nesne algılama teknolojisi daha gelişmiş ve kullanımı daha kolay hale geldi. Ultralytics'in yıllık hibrit etkinliği olan YOLO Vision 2024'te (YV24), Ultralytics YOLO11 modelinin piyasaya sürülmesiyle önemli bir adım atıldı. YOLO11, doğruluğu ve performansı artırırken YOLOv8 ile aynı görevleri destekleyerek önceki modellerin kullanıcılarının sorunsuz bir şekilde geçiş yapmasını kolaylaştırır.
Bu makalede, nesne tespitinin ne olduğunu, diğer bilgisayar görüşü görevlerinden nasıl farklı olduğunu ve gerçek dünya uygulamalarını inceleyeceğiz. Ayrıca, Ultralytics Python paketi ve Ultralytics HUB platformu ile YOLO11 modelini nasıl kullanacağınızı da adım adım göstereceğiz. Haydi başlayalım!
Nesne tespiti, bir görüntüdeki nesneleri tanımlamaktan daha fazlasını yapan, bilgisayarlı görüde temel bir görevdir. Yalnızca belirli bir nesnenin mevcut olup olmadığını belirleyen görüntü sınıflandırmasından farklı olarak, nesne tespiti birden çok nesneyi tanır ve sınırlayıcı kutular kullanarak tam konumlarını belirler.
Örneğin, bir grup fotoğrafında yüzleri tanımlayabilir ve konumlandırabilir, işlek bir caddede arabaları veya bir mağaza rafında ürünleri bulabilir. Nesne tanıma ve konumlandırmayı birleştirmek, onu özellikle gözetim, kalabalık izleme ve otomatik envanter yönetimi gibi uygulamalar için kullanışlı hale getirir.
Nesne tespitini, semantik veya örnek segmentasyonu gibi diğer görevlerden ayıran şey, odak noktası ve verimliliğidir.
Semantik segmentasyon, bir görüntüdeki her pikseli etiketler, ancak aynı türdeki bireysel nesneler arasında ayrım yapmaz (örneğin, bir fotoğraftaki tüm yüzler "yüz" olarak gruplandırılır). Örnek segmentasyonu, her nesneyi ayırarak ve aynı sınıftaki nesneler için bile kesin şeklini çizerek bunu daha da ileri götürür.
Ancak nesne tespiti, nesneleri tanımlayıp sınıflandırırken konumlarını işaretleyerek daha akıcı bir yaklaşım sunar. Bu, onu güvenlik görüntülerinde yüzleri tespit etmek veya otonom araçlar için engelleri belirlemek gibi gerçek zamanlı görevler için ideal hale getirir.
YOLO11'in gelişmiş nesne algılama özellikleri, onu birçok sektörde faydalı kılmaktadır. Şimdi bazı örneklere göz atalım.
YOLO11 ve nesne algılama, envanter yönetimini ve raf takibini daha verimli ve doğru hale getirerek perakende analizlerini yeniden tanımlıyor. Modelin nesneleri hızlı ve güvenilir bir şekilde algılama yeteneği, perakendecilerin stok seviyelerini izlemesine, rafları düzenlemesine ve envanter sayımlarındaki hataları azaltmasına yardımcı olur.
Örneğin, YOLO11 bir mağaza rafında güneş gözlüğü gibi belirli öğeleri tespit edebilir. Peki bir perakendeci neden bir rafı izlemek istesin ki? 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, öğelerin ne zaman azaldığını, yanlış yerleştirildiğini veya aşırı kalabalık olduğunu hızla tespit edebilir ve alışveriş deneyimini iyileştiren düzenli ve çekici bir teşhir sağlamalarına yardımcı olabilir.
Hareketli bir şehir, verimli çalışması için sorunsuz trafik akışına ve güvenli caddelere ihtiyaç duyar ve YOLO11 bunu mümkün kılmaya yardımcı olabilir. Aslında, birçok akıllı şehir uygulaması YOLO11 ile entegre edilebilir.
İlginç bir örnek, hareket halindeki araçların plakalarını tespit etmek için nesne algılamayı kullanmayı içerir. Bunu yaparak, YOLO11 daha hızlı geçiş ücreti tahsilatını, daha iyi trafik yönetimini ve daha hızlı düzenleme uygulamasını destekleyebilir.
Yolları izleyen Görüntü İşleme (Vision AI) sistemlerinden elde edilen içgörüler, yetkilileri trafik ihlalleri veya tıkanıklıklar daha büyük sorunlara dönüşmeden önce uyarabilir. YOLO11 ayrıca yayaları ve bisikletlileri de tespit ederek sokakları herkes için daha güvenli ve verimli hale getirebilir.
Aslında, YOLO11'in görsel verileri işleme yeteneği, onu şehir altyapısını iyileştirmek için güçlü bir araç haline getiriyor. Örneğin, araç ve yaya hareketini analiz ederek trafik ışığı zamanlamasını optimize etmeye yardımcı olabilir. Ayrıca, çocukları tespit ederek ve sürücüleri yavaşlamaları konusunda uyararak okul bölgelerindeki güvenliği artırabilir. YOLO11 ile şehirler, zorlukların üstesinden gelmek ve herkes için daha verimli bir ortam yaratmak için proaktif önlemler alabilir.
Gerçek zamanlı nesne tespiti, bir sistemin canlı bir video akışında görünen nesneleri tanımlama ve sınıflandırma yeteneğini ifade eder. YOLO11, üstün gerçek zamanlı performans için tasarlanmıştır ve bu özelliği desteklemede mükemmeldir. Uygulamaları sadece süreçleri kolaylaştırmanın ötesine geçer - daha kapsayıcı ve erişilebilir bir dünya yaratmaya da yardımcı olabilir.
Örneğin, YOLO11, nesneleri gerçek zamanlı olarak tanımlayarak görme engelli bireylere yardımcı olabilir. Algılamalara dayanarak, kullanıcılara çevrelerinde daha bağımsız bir şekilde gezinmelerine yardımcı olan sesli açıklamalar sağlanabilir.
Alışveriş yapan görme engelli birini düşünün. Doğru ürünleri seçmek zor olabilir, ancak YOLO11 yardımcı olabilir. Sepetlerine ürün yerleştirdiklerinde, YOLO11 ile entegre bir sistem her bir öğeyi (muz, avokado veya bir karton süt gibi) tanımlamak ve gerçek zamanlı sesli açıklamalar sağlamak için kullanılabilir. Bu, seçimlerini doğrulamalarını ve ihtiyaç duydukları her şeye sahip olduklarından emin olmalarını sağlar. YOLO11, günlük eşyaları tanıyarak alışverişi kolaylaştırabilir.
Artık nesne algılama ve çeşitli uygulamalarının temellerini ele aldığımıza göre, nesne algılama gibi görevler için Ultralytics YOLO11 modelini kullanmaya nasıl başlayabileceğinize dalalım.
YOLO11'i kullanmanın iki basit yolu vardır: Ultralytics Python paketi veya Ultralytics HUB aracılığıyla. Python paketiyle başlayarak her iki yöntemi de inceleyelim.
Çıkarım (Inferencing), bir yapay zeka modelinin eğitim sırasında öğrendiklerine dayanarak tahminler yapmak, bilgileri sınıflandırmak veya içgörüler sağlamak için yeni, daha önce görülmemiş verileri analiz etmesidir. Nesne tespiti bağlamında bu, bir resim veya video içindeki belirli nesneleri tanımlamak ve konumlandırmak, etraflarına sınırlayıcı kutular çizmek ve modelin eğitimine göre etiketlemek anlamına gelir.
YOLO11 nesne algılama modelini kullanarak çıkarım yapmak için, öncelikle pip, conda veya Docker aracılığıyla Ultralytics Python paketini kurmanız gerekir. Herhangi bir kurulum sorunuyla karşılaşırsanız, bunları çözmenize yardımcı olacak ipuçları ve püf noktaları için sorun giderme kılavuzuna göz atın. Kurulduktan sonra, YOLO11 nesne algılama modelini yüklemek ve bir görüntü üzerinde tahminler yapmak için aşağıdaki kodu kullanabilirsiniz.
YOLO11 ayrıca belirli kullanım durumlarınıza daha iyi uyum sağlamak için özel eğitim'i de destekler. Modeli ince ayar yaparak, onu projenizle ilgili nesneleri algılayacak şekilde uyarlayabilirsiniz. Örneğin, sağlık hizmetlerinde bilgisayarlı görü kullanılırken, özel olarak eğitilmiş bir YOLO11 modeli, doktorların daha hızlı ve daha doğru teşhisler koymasına yardımcı olarak, tıbbi görüntülerdeki, örneğin MRI taramalarındaki tümörler veya X-ışınlarındaki kırıklar gibi belirli anormallikleri tespit etmek için kullanılabilir.
Aşağıdaki kod parçacığı, nesne tespiti için bir YOLO11 modelinin nasıl yükleneceğini ve eğitileceğini göstermektedir. Bir YAML yapılandırma dosyasından veya önceden eğitilmiş bir modelden başlayabilir, ağırlıkları aktarabilir ve daha hassas nesne tespiti yetenekleri için COCO gibi veri kümeleri üzerinde eğitim yapabilirsiniz.
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, eğitilmiş modeli farklı ortamlarda dağıtım için çeşitli formatlarda da dışa aktarabilirsiniz.
Kodsuz bir alternatif arayanlar için Ultralytics HUB, YOLO11 dahil olmak üzere YOLO modellerini eğitmek ve dağıtmak için kullanımı kolay bir Vizyon Yapay Zeka platformu sunar.
Görüntüler üzerinde nesne tespiti yapmak için, bir hesap oluşturun, 'Modeller' bölümüne gidin ve YOLO11 nesne tespiti modeli varyantını seçin. Görüntünüzü yükleyin ve platform algılanan nesneleri bir önizleme bölümünde gösterecektir.
Python paketinin esnekliği ile HUB'ın kolaylığını bir araya getiren YOLO11, hem geliştiricilerin hem de işletmelerin gelişmiş nesne algılama teknolojisinin gücünden yararlanmasını kolaylaştırır.
YOLO11, çeşitli sektörlerin ihtiyaçlarını karşılamak üzere yüksek doğruluk ve çok yönlülüğü bir araya getirerek nesne algılamada yeni bir standart belirliyor. Perakende analitiğini geliştirmekten akıllı şehir altyapısını yönetmeye kadar YOLO11, sayısız uygulamada gerçek zamanlı, güvenilir performans için üretilmiştir.
Özel eğitim seçenekleri ve Ultralytics HUB aracılığıyla kullanımı kolay bir arayüz ile YOLO11'i iş akışlarınıza entegre etmek hiç bu kadar kolay olmamıştı. İster bilgisayarlı görü keşfeden bir geliştirici, ister yapay zeka ile yenilik yapmak isteyen bir işletme olun, YOLO11 başarılı olmak için ihtiyacınız olan araçları sunar.
Daha fazla bilgi edinmek için GitHub depomuza göz atın ve topluluğumuzla etkileşim kurun. Çözüm sayfalarımızda otonom sürüşlü arabalardaki ve tarım için bilgisayarlı görüdeki yapay zeka uygulamalarını keşfedin. 🚀
.webp)