Poz tahmini için Ultralytics YOLO11 nasıl kullanılır
Doğru poz tahmini için Ultralytics YOLO11 modelinin nasıl kullanılacağını öğren. Gerçek zamanlı çıkarım ve çeşitli uygulamalar için özel model eğitimini kapsayacağız.
Yapay zekanın (AI) bir dalı olan computer vision ile ilgili araştırmalar 1960'lara kadar uzanabilir. Ancak deep learning yükselişiyle birlikte machines understand images konusunda büyük atılımların görülmesi ancak 2010'larda gerçekleşti. computer vision alanındaki en son gelişmelerden biri, son teknoloji ürünü Ultralytics YOLO11 modelleridir. İlk kez Ultralytics'in annual hybrid event olan YOLO Vision 2024 (YV24) etkinliğinde tanıtılan YOLO11 models, poz tahmini de dahil olmak üzere bir dizi computer vision tasks destekler.
Pose estimation, bir kişinin veya nesnenin konumunu, duruşunu ya da hareketini anlamak için görüntü veya videodaki detect key points tespit etmek amacıyla kullanılabilir. Makinelerin fiziksel eylemleri gerçek zamanlı olarak yorumlamasına yardımcı olmak için sports analytics, animal behavior monitoring ve robotics gibi alanlarda yaygın olarak kullanılır. YOLO (You Only Look Once) series içindeki earlier models kıyasla iyileştirilmiş doğruluğu, verimliliği ve hızı sayesinde YOLO11, real-time pose estimation tasks için oldukça uygundur.
Şekil 1. Poz tahmini için Ultralytics YOLO11 kullanımına bir örnek.
Bu makalede pose estimation ne olduğunu keşfedecek, bazı kullanım alanlarını tartışacak ve poz tahmini için YOLO11 ile Ultralytics Python package nasıl kullanabileceğinizi adım adım inceleyeceğiz. Ayrıca birkaç basit tıklamayla YOLO11 ve pose estimation denemek için Ultralytics HUB nasıl kullanabileceğinize göz atacağız. Haydi başlayalım!
Poz tahmini nedir?#
Poz tahmini için yeni Ultralytics YOLO11 model nasıl kullanılacağına dalmadan önce, poz tahminini daha iyi anlayalım.
Poz tahmini, bir görüntü veya videodaki bir kişinin veya nesnenin pozunu analiz etmek için kullanılan bir bilgisayarlı görü tekniğidir. Ultralytics YOLO11 gibi derin öğrenme modelleri, belirli bir nesne veya kişi üzerindeki anahtar noktaları tanımlayabilir, bulabilir ve takip edebilir. Nesneler için bu anahtar noktalar köşeleri, kenarları veya belirgin yüzey işaretlerini içerebilirken, insanlar için bu anahtar noktalar dirsek, diz veya omuz gibi büyük eklemleri temsil eder.
object detection gibi diğer bilgisayarla görü görevleriyle karşılaştırıldığında poz tahmini benzersizdir ve daha karmaşıktır. object detection, nesnelerin etrafına bir kutu çizerek onları bir görüntüde konumlandırırken, poz tahmini nesne üzerindeki ana noktaların tam konumlarını tahmin ederek daha da ileri gider.
Şekil 2. Bir ofisteki insanların pozlarını tespit etmek ve tahmin etmek için Ultralytics YOLO11 kullanımı.
Poz tahmini söz konusu olduğunda, çalıştığı iki ana yol vardır: aşağıdan yukarıya (bottom-up) ve yukarıdan aşağıya (top-down). Aşağıdan yukarıya yaklaşım bireysel ana noktaları tespit eder ve bunları iskeletler halinde gruplandırırken, yukarıdan aşağıya yaklaşım önce detecting objects ve ardından bunların içindeki ana noktaları tahmin etmeye odaklanır.
Ultralytics YOLO11, yukarıdan aşağıya (top-down) ve aşağıdan yukarıya (bottom-up) yöntemlerin güçlerini birleştirir. Aşağıdan yukarıya yaklaşımda olduğu gibi, anahtar noktaları manuel olarak gruplamaya gerek kalmadan işleri basit ve hızlı tutar. Aynı zamanda, insanları tek bir adımda tespit edip pozlarını tahmin ederek yukarıdan aşağıya yöntemin doğruluğunu kullanır.
Ultralytics YOLO11 için poz tahmini kullanım alanları#
Poz tahmini için Ultralytics YOLO11'in çok yönlü yetenekleri, birçok sektörde geniş bir olası uygulama yelpazesinin önünü açıyor. YOLO11'in bazı poz tahmini kullanım alanlarına yakından bakalım.
Ultralytics YOLO11 ile gerçek zamanlı poz tahmini: Çalışan güvenliğini artırma#
Güvenlik, her construction projesinin önemli bir yönüdür. İstatistiksel olarak şantiyelerde işle ilgili yaralanmaların daha yüksek bir oranda görülmesi nedeniyle bu durum özellikle geçerlidir. 2021 yılında, işle ilgili tüm fatal injuries yaklaşık %20'si şantiyelerde veya şantiye yakınlarında meydana gelmiştir. heavy equipment ve elektrik sistemleri gibi günlük risklerle birlikte, işçileri güvende tutmak için güçlü güvenlik önlemleri esastır. Tabelalar, bariyerler ve denetçiler tarafından manuel izleme gibi geleneksel yöntemler her zaman etkili değildir ve genellikle denetçileri daha kritik görevlerden alıkoyar.
Yapay zeka güvenliği artırmak için devreye girebilir ve poz tahmini tabanlı bir işçi izleme sistemi kullanılarak kaza riski azaltılabilir. Ultralytics YOLO11 modelleri, işçilerin hareketlerini ve duruşlarını takip etmek için kullanılabilir. İşçilerin tehlikeli ekipmanlara çok yakın durması veya görevleri yanlış yapması gibi olası tehlikeler hızlı bir şekilde tespit edilebilir. Bir risk tespit edilirse denetçilere haber verilebilir veya bir alarm işçiyi uyarabilir. Sürekli bir izleme sistemi, tehlikeleri her zaman kollayarak ve protecting workers şantiyeleri daha güvenli hale getirebilir.
Şekil 3. Ultralytics YOLO11 kullanarak bir şantiyede poz tahmini örneği.
Hayvancılık takibi için Ultralytics YOLO11 ile poz tahmini#
Çiftçiler ve araştırmacılar, topallık gibi hastalıkların erken belirtilerini tespit etmek için sığır gibi çiftlik hayvanlarının hareketlerini ve davranışlarını incelemek amacıyla Ultralytics YOLO11'i kullanabilirler. Topallık, bir hayvanın bacak veya ayaklarındaki ağrı nedeniyle düzgün hareket etmekte zorlandığı bir durumdur. Sığırlarda topallık gibi hastalıklar yalnızca sağlık ve refahlarını etkilemekle kalmaz, aynı zamanda süt çiftliklerinde üretim sorunlarına da yol açar. Araştırmalar, topallığın küresel süt endüstrisindeki mera tabanlı sistemlerde sığırların %8'ini, kapalı sistemlerde ise %15 ila %30'unu etkilediğini göstermektedir. Topallığı erken tespit etmek ve ele almak, hayvan refahını iyileştirmeye ve bu durumla ilişkili üretim kayıplarını azaltmaya yardımcı olabilir.
Ultralytics YOLO11'in poz tahmini özellikleri, çiftçilerin hayvanın yürüyüş kalıplarını takip etmesine ve eklem sorunları veya enfeksiyonlar gibi sağlık sorunlarına işaret edebilecek anormallikleri hızlı bir şekilde belirlemesine yardımcı olabilir. Bu sorunları erken yakalamak daha hızlı tedavi yapılmasını sağlar, hayvanların rahatsızlığını azaltır ve çiftçilerin ekonomik kayıplardan kaçınmasına yardımcı olur.
vision AI özellikli izleme sistemleri ayrıca dinlenme davranışını, sosyal etkileşimleri ve beslenme düzenlerini analiz etmeye yardımcı olabilir. Çiftçiler ayrıca stres veya saldırganlık belirtileri hakkında gözlem elde etmek için poz tahminini kullanabilir. Bu içgörüler, hayvanlar için daha iyi yaşam koşulları kültive etmek ve refahlarını artırmak için kullanılabilir.
Şekil 4. İnek Pozu Tahmininin Görselleştirmesi.
Fitness endüstrisinde Ultralytics YOLO11'in kullanım alanları#
Poz tahmini ayrıca insanların egzersiz yaparken duruşlarını gerçek zamanlı olarak iyileştirmelerine yardımcı olabilir. Spor salonu ve yoga eğitmenleri, Ultralytics YOLO11 ile egzersiz yapan kişilerin vücut hareketlerini izleyebilir ve takip edebilir, duruşlarını değerlendirmek için eklem ve uzuvlar gibi anahtar noktalara odaklanabilir. Toplanan veriler ideal pozlar ve egzersiz teknikleriyle karşılaştırılabilir ve birinin bir hareketi yanlış yapması durumunda eğitmenler uyarı alarak yaralanmaların önlenmesine yardımcı olabilir.
Fig 5. Antrenmanı Analiz Etmek İçin Poz Tahmini Kullanımı.
Örneğin, bir yoga dersi sırasında poz tahmini, tüm students uygun dengeyi ve hizalamayı koruyup korumadığını izlemeye yardımcı olabilir. Bilgisayarla görü ve poz tahmini ile entegre mobil uygulamalar, evde egzersiz yapan kişiler veya kişisel eğitmenlere erişimi olmayanlar için fitness more accessible hale getirebilir. Bu sürekli gerçek zamanlı geri bildirim, kullanıcıların yaralanma riskini azaltırken tekniklerini geliştirmelerine ve fitness goals ulaşmalarına yardımcı olur.
Ultralytics YOLO11 modeli ile gerçek zamanlı poz tahminini denemek#
Poz tahmininin ne olduğunu keşfettiğimize ve bazı kullanım alanlarını tartıştığımıza göre, yeni YOLO11 modeli ile poz tahminini nasıl deneyebileceğinize bir göz atalım. Başlamak için bunu yapmanın iki uygun yolu vardır: Ultralytics Python paketini kullanmak veya Ultralytics HUB üzerinden. Her iki seçeneğe de göz atalım.
Ultralytics YOLO11 kullanarak çıkarım (inference) çalıştırma#
Bir inference çalıştırmak, YOLO11 modelinin training setlerinin dışındaki yeni verileri işlemesini ve bu verilerden tahminler yapmak için öğrendiği kalıpları kullanmasını içerir. Ultralytics Python paketi ile kod aracılığıyla çıkarımlar çalıştırabilirsiniz. get started için tek yapmanız gereken Ultralytics paketini pip, conda veya Docker kullanarak yüklemektir. Kurulum sırasında herhangi bir zorlukla karşılaşırsanız, Common Issues Guide faydalı sorun giderme ipuçları sunar.
Paketi başarıyla yükledikten sonra, aşağıdaki kod bir modelin nasıl yükleneceğini ve bir görüntüdeki nesnelerin pozlarını tahmin etmek için nasıl kullanılacağını özetler.
Şekil 6. Ultralytics YOLO11 Kullanarak Çıkarım Çalıştırmayı Gösteren Bir Kod Parçacığı.
Özel bir Ultralytics YOLO11 modeli eğitme#
Diyelim ki bir computer vision project üzerinde çalışıyorsunuz ve poz tahminini içeren belirli bir uygulama için özel bir dataset sahibisiniz. O zaman uygulamanıza uyacak şekilde fine-tune yapabilir ve custom YOLO11 model eğitebilirsiniz. Örneğin, uzuvlarının, kafasının ve kuyruğunun konumu gibi temel özellikleri belirleyerek görüntülerdeki pose of a tiger analiz etmek ve anlamak için bir dataset of keypoints kullanabilirsiniz.
Bir Ultralytics YOLO11 poz tahmini modelini yüklemek ve eğitmek için aşağıdaki kod parçasını kullanabilirsin. Model bir YAML konfigürasyonundan oluşturulabilir veya eğitim için önceden eğitilmiş bir model yükleyebilirsin. Bu komut dosyası ayrıca ağırlıkları aktarmana ve poz tahmini için COCO veri seti gibi belirtilen bir veri setini kullanarak modeli eğitmeye başlamana olanak tanır.
Şekil 7. Ultralytics YOLO11 özel eğitimi.
Yeni eğitilen özel modeli kullanarak, computer vision solution ilgili daha önce görülmemiş görüntüler üzerinde çıkarımlar çalıştırabilirsiniz. Eğitilen model ayrıca export mode kullanılarak diğer formatlara dönüştürülebilir.
Ultralytics HUB üzerinde YOLO11'i dene#
Şimdiye kadar, bazı temel kodlama bilgisi gerektiren YOLO11 kullanma yöntemlerine baktık. Aradığınız şey bu değilse veya kodlamaya aşina değilseniz, başka bir seçenek daha var: Ultralytics HUB. Ultralytics HUB, YOLO modellerini eğitme ve dağıtma sürecini basitleştirmek için tasarlanmış kullanıcı dostu bir platformdur. HUB, teknik uzmanlığa gerek kalmadan veri setlerini kolayca yönetmenize, modelleri eğitmenize ve bunları dağıtmanıza olanak tanır.
Görseller üzerinde çıkarım çalıştırmak için bir hesap oluşturabilir, 'Modeller' bölümüne gidebilir ve ilgilendiğin Ultralytics YOLO11 poz tahmini modelini seçebilirsin. Önizleme bölümünde bir görsel yükleyebilir ve aşağıda gösterildiği gibi tahmin sonuçlarını görüntüleyebilirsin.
Şekil 8. YOLO11 ile Ultralytics HUB üzerinde Poz Tahmini.
İnsan pozu tespitinde Ultralytics YOLO11 geliştirmeleri#
Ultralytics YOLO11, çok çeşitli uygulamalarda poz tahmini gibi görevler için doğru ve esnek çözümler sunar. İnşaat sahalarındaki işçilerin güvenliğini artırmaktan, hayvancılık sağlığını izlemeye ve fitness rutinlerinde duruş düzeltmeye yardımcı olmaya kadar YOLO11, gelişmiş bilgisayarlı görü teknolojisiyle hassasiyet ve gerçek zamanlı geri bildirim getirir.
Birden fazla model çeşidi ve belirli kullanım durumları için özel eğitim yapabilme yeteneği ile çok yönlülüğü, onu hem geliştiriciler hem de işletmeler için çok değerli bir araç haline getirir. Ultralytics Python paketi ile kodlama yoluyla olsun ya da daha kolay uygulama için Ultralytics HUB kullanımıyla olsun, YOLO11 poz tahminini erişilebilir ve etkili kılar.
Daha fazlasını keşfetmek için GitHub repository ziyaret edin ve community ile etkileşime geçin. Çözüm sayfalarımızda manufacturing ve agriculture alanındaki yapay zeka uygulamalarını keşfedin. 🚀
