Poz tahmini için Ultralytics YOLO11 nasıl kullanılır?

Yapay zekanın (AI) bir dalı olan bilgisayarla görme ile ilgili araştırmalar 1960'lara kadar uzanmaktadır. Ancak 2010'lara kadar, derin öğrenmenin yükselişiyle birlikte, makinelerin görüntüleri nasıl anladığı konusunda büyük atılımlar gördük. Bilgisayarla görme alanındaki en son gelişmelerden biri de son teknoloji Ultralytics YOLO11 modelleri. İlk olarak Ultralytics'in yıllık hibrit etkinliği YOLO11 Vision 2024'te (YV24) tanıtılan YOLO modelleri, poz tahmini de dahil olmak üzere bir dizi bilgisayarla görme görevini destekliyor.

Poz tahmini, konumlarını, duruşlarını veya hareketlerini anlamak için bir görüntü veya videodaki bir kişi veya nesne üzerindeki kilit noktalarıdetect etmek için kullanılabilir. Makinelerin fiziksel eylemleri gerçek zamanlı olarak yorumlamasına yardımcı olmak için spor analitiği, hayvan davranışlarının izlenmesi ve robotik gibi uygulamalarda yaygın olarak kullanılmaktadır. YOLO (You Only Look Once) serisinin önceki modellerine göre geliştirilmiş doğruluğu, verimliliği ve hızı sayesinde, YOLO11gerçek zamanlı poz tahmini görevleri için çok uygundur.

‍

Bu makalede, poz tahmininin ne olduğunu keşfedecek, bazı uygulamalarını tartışacak ve poz tahminini nasıl kullanabileceğinizi inceleyeceğiz. YOLO11 poz tahmini için Ultralytics Python paketi ile. Ayrıca birkaç basit tıklamayla YOLO11 ve poz tahminini denemek için Ultralytics HUB 'ı nasıl kullanabileceğinize de bir göz atacağız. Hadi başlayalım!

Poz tahmini nedir?

Poz tahmini için yeni Ultralytics YOLO11 modelini nasıl kullanacağımıza geçmeden önce, poz tahminini daha iyi anlayalım.

Poz tahmini, bir görüntü veya videodaki bir kişinin veya nesnenin pozunu analiz etmek için kullanılan bir bilgisayarla görme tekniğidir. Derin öğrenme modelleri gibi YOLO11 belirli bir nesne veya kişi üzerindekikilit noktaları tanımlayabilir, bulabilir ve track . Nesneler için bu kilit noktalar köşeleri, kenarları veya farklı yüzey işaretlerini içerebilirken, insanlar için bu kilit nokt alar dirsek, diz veya omuz gibi ana eklemleri temsil eder. 

Poz tahmini, nesne tespiti gibi diğer bilgisayarlı görü görevlerine kıyasla benzersiz ve daha karmaşıktır. Nesne tespiti bir görüntüdeki nesneleri çevrelerine bir kutu çizerek konumlandırırken, poz tahmini nesne üzerindeki kilit noktaların tam konumlarını tahmin ederek daha da ileri gider.

‍

Poz tahmini söz konusu olduğunda, çalışmasının iki ana yolu vardır: aşağıdan yukarıya ve yukarıdan aşağıya. Aşağıdan yukarıya yaklaşımı, bireysel anahtar noktaları algılar ve bunları iskeletler halinde gruplandırırken, yukarıdan aşağıya yaklaşımı önce nesneleri tespit etmeye ve ardından içlerindeki anahtar noktaları tahmin etmeye odaklanır. 

YOLO11 hem yukarıdan aşağıya hem de aşağıdan yukarıya yöntemlerinin güçlü yanlarını birleştirir. Aşağıdan yukarıya yaklaşımı gibi, kilit noktaları manuel olarak gruplandırmaya gerek kalmadan işleri basit ve hızlı tutar. Aynı zamanda, insanları tespit ederek ve pozlarını tek bir adımda tahmin ederek yukarıdan aşağıya yönteminin doğruluğunu kullanır.

YOLO11 için poz tahmini kullanım durumları 

YOLO11 'in poz tahminine yönelik çok yönlü yetenekleri, birçok sektörde çok çeşitli olası uygulamaların önünü açmaktadır. YOLO11'in bazı poz tahmini kullanım örneklerine daha yakından bakalım.

YOLO11 ile gerçek zamanlı poz tahmini: İşçi güvenliğini artırma

Güvenlik, herhangi bir inşaat projesinin önemli bir yönüdür. Bu özellikle doğrudur, çünkü istatistiksel olarak inşaat sahalarında iş kazası kaynaklı yaralanmalar daha fazla görülmektedir. 2021'de, işle ilgili tüm ölümcül yaralanmaların yaklaşık %20'si inşaat sahalarında veya yakınında meydana geldi. Ağır ekipman ve elektrik sistemleri gibi günlük risklerle, işçilerin güvende tutulması için güçlü güvenlik önlemleri esastır. İşaretler, barikatlar ve süpervizörler tarafından yapılan manuel izleme gibi geleneksel yöntemler her zaman etkili değildir ve genellikle süpervizörleri daha kritik görevlerden uzaklaştırır.

Yapay zeka, güvenliği artırmak için devreye girebilir ve poz tahminine dayalı bir işçi izleme sistemi kullanılarak kaza riski azaltılabilir. Ultralytics YOLO11 modelleri, çalışanların hareketlerini ve duruşlarını track için kullanılabilir. Çalışanların tehlikeli ekipmanlara çok yakın durması veya görevleri yanlış yapması gibi potansiyel tehlikeler hızla tespit edilebilir. Bir risk tespit edilirse, amirler bilgilendirilebilir veya bir alarm işçiyi uyarabilir. Sürekli bir izleme sistemi, tehlikelere karşı her zaman tetikte olarak ve çalışanları koruyarak şantiyeleri daha güvenli hale getirebilir. 

‍

Çiftlik hayvanlarının izlenmesi için YOLO11 ile poz tahmini

Çiftçiler ve araştırmacılar, topallık gibi hastalıkların erken belirtilerini detect etmek amacıyla sığır gibi çiftlik hayvanlarının hareket ve davranışlarını incelemek için YOLO11 'i kullanabilir. Topallık, bir hayvanın bacaklarındaki veya ayaklarındaki ağrı nedeniyle düzgün hareket etmekte zorlandığı bir durumdur. Sığırlarda topallık gibi hastalıklar sadece sağlıklarını ve refahlarını etkilemekle kalmaz, aynı zamanda süt çiftliklerinde üretim sorunlarına da yol açar. Araştırmalar, topallığın küresel süt endüstrisi genelinde meraya dayalı sistemlerde sığırların %8'ini, kapalı sistemlerde ise %15 ila %30'unu etkilediğini göstermektedir. Topallığın erken tespit edilmesi ve ele alınması, hayvan refahının iyileştirilmesine ve bu durumla ilişkili üretim kayıplarının azaltılmasına yardımcı olabilir.

YOLO11'in duruş tahmini özellikleri, çiftçilerin hayvanın yürüyüş modellerini track ve eklem sorunları veya enfeksiyonlar gibi sağlık sorunlarına işaret edebilecek anormallikleri hızlı bir şekilde belirlemelerine yardımcı olabilir. Bu sorunları erken yakalamak daha hızlı tedaviye olanak tanıyarak hayvanların rahatsızlığını azaltır ve çiftçilerin ekonomik kayıplardan kaçınmasına yardımcı olur.

Yapay görme özellikli izleme sistemleri, dinlenme davranışını, sosyal etkileşimleri ve beslenme düzenlerini analiz etmeye de yardımcı olabilir. Çiftçiler ayrıca stres veya saldırganlık belirtileri hakkında gözlem almak için poz tahmini kullanabilirler. Bu içgörüler, hayvanlar için daha iyi yaşam koşulları geliştirmek ve refahlarını artırmak için kullanılabilir.

‍

Fitness sektöründe YOLO11 'in kullanım alanları

Poz tahmini, insanların egzersiz yaparken duruşlarını gerçek zamanlı olarak iyileştirmelerine de yardımcı olabilir. YOLO11 ile spor salonu ve yoga eğitmenleri, duruşlarını değerlendirmek için eklemler ve uzuvlar gibi kilit noktalara odaklanarak egzersiz yapan kişilerin vücut hareketlerini izleyebilir ve track edebilir. Toplanan veriler ideal pozlar ve egzersiz teknikleriyle karşılaştırılabilir ve eğitmenler bir kişinin bir hareketi yanlış yapması durumunda uyarılar alarak sakatlanmaların önlenmesine yardımcı olabilir.

‍

Örneğin, bir yoga dersi sırasında, poz tahmini tüm öğrencilerin doğru denge ve hizalamayı koruyup korumadığını izlemeye yardımcı olabilir. Bilgisayarlı görü ve poz tahmini ile entegre edilmiş mobil uygulamalar, evde egzersiz yapan veya kişisel eğitmenlere erişimi olmayan kişiler için fitness'ı daha erişilebilir hale getirebilir. Bu sürekli gerçek zamanlı geri bildirim, kullanıcıların tekniklerini geliştirmelerine ve yaralanma riskini azaltırken fitness hedeflerine ulaşmalarına yardımcı olur.

YOLO11 modeliyle gerçek zamanlı poz tahmini denemesi

Şimdi poz tahmininin ne olduğunu keşfettik ve bazı uygulamalarını tartıştık. Yeni YOLO11 modeliyle poz tahminini nasıl deneyebileceğinize bir göz atalım. Başlamak için, bunu yapmanın iki uygun yolu vardır: Ultralytics Python paketini kullanarak veya Ultralytics HUB aracılığıyla. Her iki seçeneğe de bir göz atalım.

YOLO11 kullanarak çıkarımları çalıştırma

Bir çıkarım çalıştırmak, YOLO11 modelinin eğitim setlerinin dışındaki yeni verileri işlemesini ve bu verilere dayalı tahminler yapmak için öğrendiği kalıpları kullanmasını içerir. Ultralytics Python paketi ile kod aracılığıyla çıkarımlar çalıştırabilirsiniz. Başlamak için tek yapmanız gereken pip, conda veya Docker kullanarak Ultralytics paketini yüklemektir. Kurulum sırasında herhangi bir zorlukla karşılaşırsanız, Ortak Sorunlar Kılavuzumuz yararlı sorun giderme ipuçları sunar. 

Paketi başarıyla yükledikten sonra, aşağıdaki kod bir modelin nasıl yükleneceğini ve bir görüntüdeki nesnelerin pozlarını tahmin etmek için nasıl kullanılacağını özetlemektedir.

‍

Özel bir YOLO11 modelinin eğitimi

Diyelim ki bir bilgisayarla görme projesi üzerinde çalışıyorsunuz ve poz tahminini içeren belirli bir uygulama için özel bir veri kümeniz var. O zaman uygulamanıza uyacak şekilde özel bir YOLO11 modeline ince ayar yapabilir ve eğitebilirsiniz. Örneğin, uzuvlarının, başının ve kuyruğunun konumu gibi temel özellikleri tanımlayarak görüntülerdeki bir kaplanın pozunu analiz etmek ve anlamak için bir anahtar nokta veri kümesi kullanabilirsiniz.

Bir YOLO11 poz tahmin modelini yüklemek ve eğitmek için aşağıdaki kod parçacığını kullanabilirsiniz. Model bir YAML yapılandırmasından oluşturulabilir veya eğitim için önceden eğitilmiş bir model yükleyebilirsiniz. Bu kod ayrıca ağırlıkları aktarmanıza ve poz tahmini için COCO veri kümesi gibi belirli bir veri kümesini kullanarak modeli eğitmeye başlamanıza olanak tanır.

‍

Yeni eğitilmiş özel modeli kullanarak, bilgisayar görüşü çözümünüzle ilgili daha önce görülmemiş görüntüler üzerinde çıkarımlar çalıştırabilirsiniz. Eğitilmiş model ayrıca dışa aktarma modu kullanılarak diğer formatlara da dönüştürülebilir.

Ultralytics HUB'da YOLO11 'i deneyin

Şimdiye kadar, YOLO11 ' YOLO11 kullanmak için bazı temel kodlama bilgisi gerektiren yöntemleri inceledik. 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 ihtiyaç duymadan veri kümelerini kolayca yönetmenize, modelleri eğitmenize ve dağıtmanıza olanak tanır.

Görüntüler üzerinde çıkarımlar yapmak için bir hesap oluşturabilir, 'Modeller' bölümüne gidebilir ve ilgilendiğiniz YOLO11 poz tahmin modelini seçebilirsiniz. Önizleme bölümünde, aşağıda gösterildiği gibi bir görüntü yükleyebilir ve tahminin sonuçlarını görüntüleyebilirsiniz. 

‍

YOLO11 insan pozu tespitinde ilerlemeler

Ultralytics YOLO11 , geniş bir uygulama yelpazesinde poz tahmini gibi görevler için doğru ve esnek çözümler sunar. YOLO11 , şantiyelerde işçilerin güvenliğini artırmaktan hayvan sağlığını izlemeye ve fitness rutinlerinde duruş düzeltmeye yardımcı olmaya kadar, gelişmiş bilgisayarla görme teknolojisi aracılığıyla hassasiyet ve gerçek zamanlı geri bildirim sağlar. 

Çoklu model varyantları ve belirli kullanım durumları için özel eğitim yeteneği ile çok yönlülüğü, onu hem geliştiriciler hem de işletmeler için çok değerli bir araç haline getirir. İster Ultralytics Python paketi ile kodlama yoluyla ister daha kolay uygulama için Ultralytics HUB kullanarak olsun, YOLO11 poz tahminini erişilebilir ve etkili hale getirir.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret edin ve topluluğumuzla etkileşim kurun. Çözüm sayfalarımızda üretimde ve tarımda yapay zeka uygulamalarını keşfedin. 🚀