Poz tahmini için Ultralytics YOLO11 nasıl kullanılır?

Yapay zekânın (AI) bir dalı olan bilgisayarlı görü alanındaki araştırmaların izleri 1960'lara kadar sürülebilir. Ancak makinelerin görüntüleri anlama biçiminde büyük atılımlar, derin öğrenmenin yükselişiyle 2010'lara kadar gerçekleşmedi. Bilgisayarlı görü alanındaki dikkat çekici gelişmelerden biri, yerini o zamandan beri Ultralytics YOLO26 model ailesine bırakmış olan Ultralytics YOLO11 model ailesidir. Ultralytics'in yıllık hibrit etkinliği YOLO Vision 2024'te (YV24) ilk kez tanıtılan YOLO11 modelleri, poz tahmini de dahil olmak üzere çeşitli bilgisayarlı görü görevlerini destekler.

Poz tahmini, bir kişinin veya nesnenin konumunu, duruşunu ya da hareketini anlamak için görüntü veya videodaki kilit noktaları algılamak amacıyla kullanılabilir. Makinelerin fiziksel hareketleri gerçek zamanlı yorumlamasına yardımcı olmak için spor analizleri, hayvan davranışlarının izlenmesi ve robotik gibi uygulamalarda yaygın olarak kullanılır. YOLO (Yalnızca Bir Kez Bak) serisinin önceki modellerine kıyasla daha yüksek doğruluğu, verimliliği ve hızı sayesinde YOLO11, gerçek zamanlı poz tahmini görevleri için oldukça uygundur.

Şekil 1. Poz tahmini için Ultralytics YOLO11 kullanımına bir örnek.

Bu makalede poz tahmininin ne olduğunu inceleyecek, bazı uygulamalarını ele alacak ve Ultralytics Python paketiyle poz tahmini için YOLO11'i nasıl kullanabileceğini adım adım anlatacağız. Ayrıca YOLO11'i ve poz tahminini birkaç kolay tıklamayla denemek için Ultralytics HUB'ı (artık Ultralytics Platform) nasıl kullanabileceğine de bakacağız. Haydi başlayalım!

Poz tahmini nedir?#

Poz tahmini için Ultralytics YOLO11'in nasıl kullanılacağına bakmadan önce, poz tahminini daha iyi anlayalım.

Poz tahmini, görüntü veya videodaki bir kişi ya da nesnenin duruşunu analiz etmek için kullanılan bir bilgisayarlı görü tekniğidir. Ultralytics YOLO11 gibi derin öğrenme modelleri, belirli bir nesne veya kişinin kilit noktalarını belirleyebilir, konumlarını saptayabilir ve izleyebilir. Nesneler için bu kilit noktalar köşeler, kenarlar veya belirgin yüzey işaretleri olabilir. İnsanlarda ise dirsek, diz veya omuz gibi temel eklemleri temsil eder.

Poz tahmini, nesne algılama gibi diğer bilgisayarlı görü görevlerinden farklı ve daha karmaşıktır. Nesne algılama, görüntüdeki nesnelerin çevresine bir kutu çizerek konumlarını belirlerken poz tahmini daha ileri giderek nesne üzerindeki kilit noktaların tam konumlarını tahmin eder.

Şekil 2. Bir ofisteki kişilerin pozlarını algılamak ve tahmin etmek için Ultralytics YOLO11 kullanımı.

Poz tahmini iki temel yaklaşımla çalışır: aşağıdan yukarıya ve yukarıdan aşağıya. Aşağıdan yukarıya yaklaşımı, tek tek kilit noktaları algılayıp iskeletler hâlinde gruplandırır. Yukarıdan aşağıya yaklaşımıysa önce nesneleri algılar, ardından nesnelerin içindeki kilit noktaları tahmin eder.

Ultralytics YOLO11, hem yukarıdan aşağıya hem de aşağıdan yukarıya yaklaşımlarının güçlü yönlerini bir araya getirir. Aşağıdan yukarıya yaklaşımı gibi, kilit noktaları elle gruplandırmaya gerek kalmadan işi basit ve hızlı tutar. Aynı zamanda, tek bir adımda kişileri algılayıp pozlarını tahmin ederek yukarıdan aşağıya yaklaşımının doğruluğundan yararlanır.

Ultralytics YOLO11 ile poz tahmininin kullanım alanları#

Ultralytics YOLO11'in poz tahminine yönelik çok yönlü yetenekleri, pek çok sektörde geniş bir uygulama yelpazesinin önünü açıyor. YOLO11'in poz tahmini kullanım alanlarından bazılarına yakından bakalım.

Ultralytics YOLO11 ile gerçek zamanlı poz tahmini: İşçi güvenliğini artırma#

Güvenlik, her inşaat projesinin önemli bir unsurudur. İnşaat sahalarında işle ilgili yaralanmaların daha sık görülmesi, bu konuyu özellikle önemli kılar. 2021'de işle ilgili tüm ölümcül yaralanmaların yaklaşık %20'si inşaat sahalarında veya yakınında meydana geldi. Ağır ekipmanlar ve elektrik sistemleri gibi günlük riskler nedeniyle çalışanları güvende tutmak için güçlü güvenlik önlemleri şarttır. Tabela ve barikat kullanımı ile yöneticilerin elle izleme yapması gibi geleneksel yöntemler her zaman etkili olmaz ve yöneticileri çoğu zaman daha kritik işlerden alıkoyar.

Yapay zekâ güvenliği artırmaya yardımcı olabilir; poz tahminine dayalı bir çalışan izleme sistemiyle kaza riski azaltılabilir. Ultralytics YOLO11 modelleri çalışanların hareketlerini ve duruşlarını izlemek için kullanılabilir. Çalışanların tehlikeli ekipmanlara fazla yaklaşması veya işleri yanlış yapması gibi olası tehlikeler hızla fark edilebilir. Bir risk algılanırsa amirlere bildirim gönderilebilir veya bir alarm çalışanı uyarabilir. Sürekli izleme sistemi tehlikelere karşı daima tetikte olarak inşaat sahalarını daha güvenli hâle getirebilir ve çalışanları koruyabilir.

Şekil 3. Ultralytics YOLO11 kullanılarak bir inşaat sahasında poz tahmini örneği.

Çiftlik hayvanlarını izlemek için Ultralytics YOLO11 ile poz tahmini#

Çiftçiler ve araştırmacılar, topallık gibi hastalıkların erken belirtilerini saptamak için Ultralytics YOLO11'i sığırlar gibi çiftlik hayvanlarının hareketlerini ve davranışlarını incelemek amacıyla kullanabilir. Topallık, hayvanın bacaklarındaki veya ayaklarındaki ağrı nedeniyle düzgün hareket etmekte zorlandığı bir durumdur. Sığırlarda topallık gibi rahatsızlıklar yalnızca sağlık ve refahı etkilemekle kalmaz, süt çiftliklerinde üretim sorunlarına da yol açar. Araştırmalar, küresel süt endüstrisinde topallığın mera temelli sistemlerdeki sığırların yaklaşık %8'ini, kapalı sistemlerdeki sığırların ise %15 ila %30'unu etkilediğini gösteriyor. Topallığı erken tespit edip ele almak, hayvan refahını iyileştirmeye ve bu durumla ilişkili üretim kayıplarını azaltmaya yardımcı olabilir.

Ultralytics YOLO11'in poz tahmini özellikleri, çiftçilerin hayvanların yürüyüş biçimlerini izlemesine ve eklem sorunları ya da enfeksiyonlar gibi sağlık sorunlarına işaret edebilecek anormallikleri hızla belirlemesine yardımcı olabilir. Bu sorunları erkenden fark etmek, daha hızlı tedavi olanağı sunarak hayvanların rahatsızlığını azaltır ve çiftçilerin ekonomik kayıpları önlemesine yardımcı olur.

Görsel yapay zekâ destekli izleme sistemleri dinlenme davranışlarını, sosyal etkileşimleri ve beslenme düzenlerini analiz etmeye de yardımcı olabilir. Çiftçiler, stres veya saldırganlık belirtilerini gözlemlemek için poz tahmininden yararlanabilir. Bu bilgiler hayvanlar için daha iyi yaşam koşulları oluşturmaya ve refahlarını artırmaya yardımcı olabilir.

Şekil 4. İnek poz tahmininin görselleştirilmesi.

Ultralytics YOLO11'in fitness sektöründeki kullanım alanları#

Poz tahmini, egzersiz yaparken insanların duruşlarını gerçek zamanlı olarak iyileştirmesine de yardımcı olabilir. Ultralytics YOLO11 sayesinde spor salonu ve yoga eğitmenleri, duruşlarını değerlendirmek için eklemler ve uzuvlar gibi kilit noktalara odaklanarak egzersiz yapan kişilerin vücut hareketlerini izleyebilir. Toplanan veriler ideal duruşlarla ve egzersiz teknikleriyle karşılaştırılabilir. Bir hareket yanlış yapıldığında eğitmenlere uyarı gönderilerek yaralanmaların önlenmesine yardımcı olunabilir.

Şekil 5. Bir egzersizi analiz etmek için poz tahmininin kullanılması.

Örneğin, bir yoga dersi sırasında poz tahmini, tüm öğrencilerin uygun denge ve hizalamayı koruyup korumadığını izlemeye yardımcı olabilir. Bilgisayarlı görü ve poz tahminiyle entegre mobil uygulamalar, evde egzersiz yapan veya kişisel antrenörlere erişimi olmayan kişiler için fitness'ı daha erişilebilir hâle getirebilir. Bu sürekli, gerçek zamanlı geri bildirim, kullanıcıların sakatlanma riskini azaltırken tekniklerini geliştirmesine ve fitness hedeflerine ulaşmasına yardımcı olur.

Ultralytics YOLO11 modeliyle gerçek zamanlı poz tahminini deneme#

Poz tahmininin ne olduğunu ve bazı uygulamalarını incelediğimize göre, şimdi YOLO11 ile poz tahminini nasıl deneyebileceğine bakalım. Başlamak için bunu yapmanın iki pratik yolu var: Ultralytics Python paketini kullanmak veya Ultralytics HUB üzerinden çalışmak. Her iki seçeneğe de göz atalım.

Ultralytics YOLO11 ile çıkarım çalıştırma#

Çıkarım çalıştırmak, YOLO11 modelinin eğitim kümelerinin dışındaki yeni verileri işlemesini ve bu veriler hakkında tahminlerde bulunmak için öğrendiği örüntüleri kullanmasını içerir. Ultralytics Python paketiyle kod üzerinden çıkarım çalıştırabilirsin. Başlamak için Ultralytics paketini pip, conda veya Docker kullanarak yüklemen yeterli. Yükleme sırasında sorun yaşarsan Yaygın Sorunlar Kılavuzumuz faydalı sorun giderme önerileri sunar.

Paketi başarıyla yükledikten sonra aşağıdaki kod, bir YOLO11 poz modelinin nasıl yükleneceğini ve görüntüdeki nesnelerin pozlarını tahmin etmek için nasıl kullanılacağını gösterir.

Şekil 6. Ultralytics YOLO11 kullanarak çıkarım çalıştırmayı gösteren kod parçacığı.

Özel bir Ultralytics YOLO11 modelini eğitme#

Bilgisayarlı görü projesi üzerinde çalıştığını ve poz tahmini içeren belirli bir uygulamaya yönelik özel bir veri kümesine sahip olduğunu varsayalım. Bu durumda, uygulamana uygun bir YOLO11 modeli oluşturmak için modeli ince ayarlayabilir ve eğitebilirsin. Örneğin, görüntülerdeki bir kaplanın pozunu analiz edip anlamak için uzuvlarının, başının ve kuyruğunun konumu gibi temel özellikleri belirleyen bir kilit nokta veri kümesi kullanabilirsin.

Ultralytics YOLO11 poz tahmini modelini yüklemek ve eğitmek için aşağıdaki kod parçacığını kullanabilirsin. Modeli bir YAML yapılandırmasından oluşturabilir veya eğitim için önceden eğitilmiş bir model yükleyebilirsin. Bu betik ayrıca ağırlıkları aktarmana ve poz tahmini için COCO veri kümesi gibi belirtilen bir veri kümesini kullanarak modeli eğitmeye başlamana olanak tanır.

Şekil 7. Ultralytics YOLO11'i özel verilerle eğitme.

Yeni eğitilmiş özel modeli kullanarak bilgisayarlı görü çözümünle ilgili daha önce görülmemiş görüntüler üzerinde çıkarım çalıştırabilirsin. Eğitilmiş modeli dışa aktarma modunu kullanarak diğer biçimlere de dönüştürebilirsin.

YOLO11'i Ultralytics HUB'da dene#

Şimdiye kadar, temel kodlama bilgisi gerektiren YOLO11 kullanma yöntemlerini ele aldık. Aradığın bu değilse veya kodlama konusunda deneyimin yoksa başka bir seçenek daha var: Ultralytics HUB. Ultralytics HUB, YOLO modellerinin eğitim ve dağıtım sürecini basitleştirmek için tasarlanmış, kullanımı kolay bir platformdur. HUB, teknik uzmanlığa ihtiyaç duymadan veri kümelerini kolayca yönetmene, modelleri eğitmene ve dağıtmana olanak tanır.

Görüntülerde çıkarım çalıştırmak için bir hesap oluşturup ‘Models’ bölümüne git ve ilgilendiğin Ultralytics YOLO11 poz tahmini modelini seç. Önizleme bölümüne bir görüntü yükleyebilir ve tahmin sonuçlarını aşağıda gösterildiği gibi görüntüleyebilirsin.

Şekil 8. Ultralytics HUB'da YOLO11 ile poz tahmini.

İnsan pozlarını algılamada Ultralytics YOLO11'in gelişmeleri#

Ultralytics YOLO11, geniş bir uygulama yelpazesinde poz tahmini gibi görevler için doğru ve esnek çözümler sunar. İnşaat sahalarındaki işçilerin güvenliğini artırmaktan çiftlik hayvanlarının sağlığını izlemeye ve fitness rutinlerinde duruş düzeltmeye yardımcı olmaya kadar YOLO11, gelişmiş bilgisayarlı görü teknolojisiyle hassasiyet ve gerçek zamanlı geri bildirim sağlar.

Birden fazla model çeşidi ve belirli kullanım senaryoları için özel eğitim yapabilme olanağı sayesinde çok yönlü olan YOLO11, geliştiriciler ve işletmeler için değerli bir araçtır. İster Ultralytics Python paketiyle kod yazarak ister daha kolay uygulama için Ultralytics HUB'ı kullanarak olsun, YOLO11 poz tahminini erişilebilir ve etkili hâle getirir.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözümler sayfalarımızda üretim ve tarım alanlarındaki yapay zekâ uygulamalarını keşfet.