Poz tahmini için Ultralytics YOLO11 nasıl kullanılır?

Yapay zekânın (AI) bir dalı olan bilgisayarlı görü ile ilgili araştırmaların geçmişi 1960'lara kadar uzanır. Ancak derin öğrenmenin yükselişiyle 2010'lara kadar makinelerin görüntüleri anlama biçiminde büyük ilerlemeler görmedik. Bilgisayarlı görü alanındaki en yeni gelişmelerden biri, son teknoloji Ultralytics YOLO11 modelleridir. İlk olarak Ultralytics'in yıllık hibrit etkinliği olan YOLO Vision 2024 (YV24) etkinliğinde tanıtılan YOLO11 modelleri, poz tahmini de dâhil olmak üzere çeşitli bilgisayarlı görü görevlerini destekler.

Poz tahmini, bir görüntü veya videodaki kişi ya da nesnenin konumunu, duruşunu veya hareketini anlamak için kilit noktaları tespit etmede kullanılabilir. Makinelerin fiziksel eylemleri gerçek zamanlı olarak yorumlamasına yardımcı olmak için spor analitiği, hayvan davranışlarının izlenmesi ve robotik gibi uygulamalarda yaygın olarak kullanılır. YOLO serisindeki önceki modellere kıyasla geliştirilmiş doğruluğu, verimliliği ve hızı sayesinde YOLO11, gerçek zamanlı poz tahmini görevleri için son derece 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 paketini kullanarak YOLO11 ile poz tahminini nasıl yapabileceğini adım adım göstereceğiz. Ayrıca birkaç basit tıklamayla YOLO11 ve poz tahminini denemek için Ultralytics HUB kullanma yöntemine de göz atacağız. Haydi başlayalım!

Poz tahmini nedir?#

Yeni Ultralytics YOLO11 modelini poz tahmini için nasıl kullanacağını incelemeden önce, poz tahminini daha iyi anlayalım.

Poz tahmini, bir görüntü veya videodaki kişi ya da nesnenin pozunu analiz etmek için kullanılan bir bilgisayarlı görü tekniğidir. Ultralytics YOLO11 gibi derin öğrenme modelleri, belirli bir nesne veya kişi üzerindeki anahtar noktaları tespit edebilir, konumlandırabilir 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 başlıca eklemleri temsil eder.

Poz tahmini, nesne tespiti gibi diğer bilgisayarlı görü görevleriyle karşılaştırıldığında özgün ve daha karmaşıktır. Nesne tespiti, bir görüntüdeki nesneleri çevrelerine bir kutu çizerek konumlandırırken poz tahmini, nesne üzerindeki kilit noktaların kesin konumlarını tahmin ederek daha ileri gider.

Şekil 2. Bir ofisteki insanların pozlarını tespit etmek ve tahmin etmek için Ultralytics YOLO11 kullanımı.

Poz tahmini söz konusu olduğunda, iki temel çalışma yöntemi vardır: aşağıdan yukarıya ve yukarıdan aşağıya. Aşağıdan yukarıya yaklaşım, tek tek kilit noktaları tespit edip bunları iskeletler hâlinde gruplandırırken yukarıdan aşağıya yaklaşım önce nesneleri tespit etmeye, ardından bunların içindeki kilit noktaları tahmin etmeye odaklanır.

Ultralytics YOLO11, yukarıdan aşağıya ve aşağıdan yukarıya yöntemlerinin güçlü yönlerini birleştirir. Aşağıdan yukarıya yaklaşım gibi, kilit noktaları manuel olarak gruplandırmaya gerek kalmadan işlemleri basit ve hızlı tutar. Aynı zamanda insanları tespit edip tek adımda pozlarını tahmin ederek yukarıdan aşağıya yöntemin doğruluğundan yararlanır.

Ultralytics YOLO11 için poz tahmini kullanım alanları#

Ultralytics YOLO11'in poz tahminindeki çok yönlü yetenekleri, birçok sektörde geniş bir uygulama yelpazesinin önünü açar. Şimdi YOLO11'in bazı poz tahmini kullanım alanlarına daha yakından bakalım.

Ultralytics YOLO11 ile gerçek zamanlı poz tahmini: Çalışan güvenliğini iyileştirme#

Güvenlik, her inşaat projesinin önemli bir unsurudur. İstatistiksel olarak inşaat sahalarında işle ilgili yaralanmaların sayısı daha yüksek olduğundan bu durum özellikle önemlidir. 2021'de işle ilgili tüm ölümcül yaralanmaların yaklaşık %20'si inşaat sahalarında veya yakınlarında meydana geldi. Ağır ekipman ve elektrik sistemleri gibi günlük riskler nedeniyle çalışanları güvende tutmak için güçlü güvenlik önlemleri şarttır. Tabelalar ve bariyerler kullanmak, yöneticilerin manuel denetimi gibi geleneksel yöntemler her zaman etkili olmaz ve yöneticileri çoğu zaman daha kritik görevlerden uzaklaştırır.

AI, güvenliği artırmak için devreye girebilir ve poz tahminine dayalı bir çalışan izleme sistemi kullanılarak kaza riski azaltılabilir. Ultralytics YOLO11 modelleri, çalışanların hareketlerini ve duruşlarını takip etmek için kullanılabilir. Çalışanların tehlikeli ekipmana çok yakın durması veya görevleri yanlış gerçekleştirmesi gibi potansiyel tehlikeler hızla fark edilebilir. Bir risk tespit edilirse yöneticilere bildirim gönderilebilir veya bir alarm çalışanı uyarabilir. Sürekli izleme sistemi, tehlikelere karşı her zaman tetikte olarak ve çalışanları koruyarak inşaat sahalarını daha güvenli hâle getirebilir.

Şekil 3. Ultralytics YOLO11 kullanılarak bir inşaat sahasında poz tahminine örnek.

Hayvancılık izleme için Ultralytics YOLO11 ile poz tahmini#

Çiftçiler ve araştırmacılar, sığırlarda topallama gibi hastalıkların erken belirtilerini tespit etmek için Ultralytics YOLO11'i sığır gibi çiftlik hayvanlarının hareketlerini ve davranışlarını incelemek amacıyla kullanabilir. Topallama, bir hayvanın bacaklarındaki veya ayaklarındaki ağrı nedeniyle düzgün hareket etmekte zorlandığı bir durumdur. Sığırlarda topallama gibi hastalıklar yalnızca sağlıklarını ve refahlarını etkilemekle kalmaz, aynı zamanda süt çiftliklerinde üretim sorunlarına da yol açar. Araştırmalar, küresel süt endüstrisinde topallamanın meraya dayalı sistemlerde sığırların %8'ini, kapalı sistemlerde ise %15 ila %30'unu etkilediğini göstermektedir. Topallamayı 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 hayvanların yürüyüş biçimlerini takip etmesine ve eklem sorunları veya enfeksiyonlar gibi sağlık problemlerine işaret edebilecek anormallikleri hızla belirlemesine yardımcı olabilir. Bu sorunları erken fark etmek, daha hızlı tedavi olanağı sağlayarak hayvanların rahatsızlığını azaltır ve çiftçilerin ekonomik kayıplardan kaçınmasına yardımcı olur.

Görüntü yapay zekâsı destekli izleme sistemleri dinlenme davranışlarını, sosyal etkileşimleri ve beslenme düzenlerini analiz etmeye de yardımcı olabilir. Çiftçiler, stres veya saldırganlık belirtilerini gözlemlemek için poz tahminini de kullanabilir. Bu içgörüler, hayvanlar için daha iyi yaşam koşulları oluşturmak ve refahlarını artırmak amacıyla kullanılabilir.

Şekil 4. İnek poz tahmininin görselleştirilmesi.

Fitness sektöründe Ultralytics YOLO11 kullanım alanları#

Poz tahmini, insanların egzersiz yaparken duruşlarını gerçek zamanlı olarak iyileştirmelerine de yardımcı olabilir. Ultralytics YOLO11 ile spor salonu ve yoga eğitmenleri, duruşlarını değerlendirmek üzere eklemler ve uzuvlar gibi kilit noktalara odaklanarak egzersiz yapan kişilerin vücut hareketlerini takip edebilir. Toplanan veriler, ideal pozlarla ve egzersiz teknikleriyle karşılaştırılabilir; bir kişi bir hareketi yanlış yapıyorsa eğitmenlere uyarı gönderilerek yaralanmaların önlenmesine yardımcı olunabilir.

Şekil 5. Bir antrenmanı analiz etmek için poz tahmini kullanımı.

Örneğin bir yoga dersinde poz tahmini, tüm öğrencilerin uygun dengeyi ve hizalamayı koruyup korumadığını izlemeye yardımcı olabilir. Bilgisayarlı görü ve poz tahminiyle entegre mobil uygulamalar, evde egzersiz yapan veya kişisel eğitmenlere erişimi olmayan kişiler için fitness'ı daha erişilebilir hâle getirebilir. Bu sürekli gerçek zamanlı geri bildirim, kullanıcıların tekniklerini geliştirmesine ve fitness hedeflerine ulaşmasına yardımcı olurken yaralanma riskini azaltır.

Ultralytics YOLO11 modeliyle gerçek zamanlı poz tahminini deneme#

Artık poz tahmininin ne olduğunu ve bazı uygulamalarını incelediğimize göre, yeni YOLO11 modeliyle poz tahminini nasıl deneyebileceğine bakalım. Başlamak için bunu yapmanın iki kolay yolu vardır: Ultralytics Python paketini kullanmak veya Ultralytics HUB üzerinden. Her iki seçeneğe de göz atalım.

Ultralytics YOLO11 kullanarak çıkarım çalıştırma#

Bir çıkarım çalıştırmak, YOLO11 modelinin eğitim kümelerinin dışındaki yeni verileri işlemesini ve bu verilere dayalı tahminler yapmak için öğrendiği örüntüleri kullanmasını içerir. Çıkarımları Ultralytics Python paketiyle kod üzerinden çalıştırabilirsin. Başlamak için tek yapman gereken Ultralytics paketini pip, conda veya Docker kullanarak yüklemektir. Yükleme sırasında sorun yaşarsan Yaygın Sorunlar Kılavuzumuz yararlı sorun giderme ipuçları sunar.

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

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

Özel bir Ultralytics YOLO11 modelini eğitme#

Bir bilgisayarlı görü projesi üzerinde çalıştığını ve poz tahmini içeren belirli bir uygulama için özel bir veri kümesine sahip olduğunu varsayalım. Ardından uygulamana uygun bir özel YOLO11 modeli oluşturmak için ince ayar yapabilir ve modeli eğitebilirsin. Örneğin uzuvlarının, başının ve kuyruğunun konumu gibi temel özellikleri belirleyerek görüntülerdeki kaplan pozunu analiz etmek ve anlamak için bir kilit nokta veri kümesi kullanabilirsin.

Ultralytics YOLO11 poz tahmini modelini yüklemek ve eğitmek için aşağıdaki kod parçacığını kullanabilirsin. Model bir YAML yapılandırmasından oluşturulabilir veya eğitim için önceden eğitilmiş bir model yüklenebilir. 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'in özel olarak eğitilmesi.

Yeni eğitilen özel modeli kullanarak bilgisayarlı görü çözümünle ilgili daha önce görülmemiş görüntüler üzerinde çıkarımlar çalıştırabilirsin. Eğitilen model, dışa aktarma modu kullanılarak başka biçimlere de dönüştürülebilir.

Ultralytics HUB'da YOLO11'i dene#

Şimdiye kadar temel düzeyde kodlama bilgisi gerektiren YOLO11 kullanım yöntemlerini inceledik. Aradığın şey bu değilse veya kodlama konusunda deneyimli değilsen 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 yönetmene, modelleri eğitmene ve dağıtmana olanak tanır.

Görüntüler üzerinde çıkarım çalıştırmak için bir hesap oluşturabilir, 'Modeller' bölümüne gidebilir ve ilgilendiğin Ultralytics YOLO11 poz tahmini modelini seçebilirsin. Önizleme bölümünde bir görüntü yükleyebilir ve aşağıda gösterildiği gibi tahmin sonuçlarını görüntüleyebilirsin.

Şekil 8. Ultralytics HUB üzerinde YOLO11 ile poz tahmini.

İnsan pozlarının tespitinde Ultralytics YOLO11 gelişmeleri#

Ultralytics YOLO11, çok çeşitli uygulamalarda poz tahmini gibi görevler için doğru ve esnek çözümler sunar. İnşaat sahalarında çalışan güvenliğini iyileştirmekten hayvanların 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 varyantı ve belirli kullanım alanları için özel eğitim yapabilme yeteneği sayesinde çok yönlülüğü, onu geliştiriciler ve işletmeler için son derece değerli bir araç hâline getirir. İster Ultralytics Python paketiyle kod yazarak ister daha kolay uygulama için Ultralytics HUB'ı kullanarak olsun, YOLO11 poz tahminini erişilebilir ve etkili kılar.

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