Poz tahmini için Ultralytics YOLO11'i nasıl kullanabilirim?

Yapay zeka (AI)'nın bir dalı olan bilgisayar görüşü ile ilgili araştırmaların kökleri 1960'lara kadar uzanmaktadır. Ancak, derin öğrenme'nin yükselişiyle birlikte, makinelerin görüntüleri nasıl anladığı konusunda büyük atılımlar gördüğümüz 2010'lara kadar değildi. Bilgisayar görüşündeki en son gelişmelerden biri, en son teknolojiye sahip Ultralytics YOLO11 modelleridir. İlk olarak Ultralytics'in yıllık hibrit etkinliği olan YOLO Vision 2024'te (YV24) tanıtılan YOLO11 modelleri, poz tahmini de dahil olmak üzere bir dizi bilgisayar görüşü görevini desteklemektedir.

Poz tahmini, bir kişinin veya nesnenin konumunu, duruşunu veya hareketini anlamak için bir görüntü veya videodaki anahtar noktaları tespit etmek için kullanılabilir. Makinelerin fiziksel eylemleri gerçek zamanlı olarak yorumlamasına yardımcı olmak için spor analitiği, hayvan davranışlarını izleme ve robotik gibi uygulamalarda yaygın olarak kullanılır. YOLO (You Only Look Once) serisindeki önceki modellere göre geliştirilmiş doğruluğu, verimliliği ve hızı sayesinde YOLO11, gerçek zamanlı poz tahmini görevleri için çok uygundur.

‍

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

Poz tahmini nedir?

Yeni Ultralytics YOLO11 modelini poz tahmini için nasıl kullanacağımıza dalmadan önce, poz tahmini hakkında daha iyi bir anlayış edinelim.

Poz tahmini, bir görüntü veya videodaki bir kişinin veya nesnenin pozunu analiz etmek için kullanılan bir bilgisayarlı görü tekniğidir. YOLO11 gibi derin öğrenme modelleri, belirli bir nesne veya kişi üzerindeki kilit noktaları tanımlayabilir, konumlandırabilir ve izleyebilir. Nesneler için bu kilit noktalar köşeler, kenarlar veya belirgin yüzey işaretleri olabilirken, insanlar için bu kilit noktalar 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 yöntemlerin güçlü yönlerini birleştirir. Aşağıdan yukarıya yaklaşım gibi, anahtar noktaları manuel olarak gruplandırmaya gerek kalmadan işleri basit ve hızlı tutar. Aynı zamanda, insanları tespit ederek ve pozlarını tahmin ederek tek adımda yukarıdan aşağıya yöntemin doğruluğunu kullanır.

YOLO11 için poz tahmini kullanım örnekleri 

YOLO11'in poz tahmini için çok yönlü yetenekleri, birçok sektörde çok çeşitli olası uygulamaların önünü açmaktadır. YOLO11'in bazı poz tahmini kullanım alanlarına 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 tahmini tabanlı işçi izleme sistemi kullanılarak kaza riski azaltılabilir. Ultralytics YOLO11 modelleri, işçilerin hareketlerini ve duruşlarını izlemek için kullanılabilir. İşçilerin tehlikeli ekipmanlara çok yakın durması veya görevleri yanlış yapması gibi potansiyel tehlikeler hızla tespit edilebilir. Bir risk tespit edilirse, süpervizörler bilgilendirilebilir veya bir alarm işçiyi uyarabilir. Sürekli bir izleme sistemi, her zaman tehlikelere karşı tetikte olarak ve işçileri koruyarak inşaat sahalarını daha güvenli hale getirebilir. 

‍

Hayvan sürüsü takibi için YOLO11 ile poz tahmini

Çiftçiler ve araştırmacılar, sığır gibi çiftlik hayvanlarının hareketlerini ve davranışlarını incelemek ve topallık gibi hastalıkların erken belirtilerini tespit etmek 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. Çalışmalar, topallığın küresel süt endüstrisinde otlak bazlı sistemlerdeki sığırların %8'ini ve kapalı sistemlerdeki sığırların %15 ila %30'unu etkilediğini göstermektedir. Topallığı tespit etmek ve erken müdahale etmek, hayvan refahını iyileştirmeye ve bu durumla ilişkili üretim kayıplarını azaltmaya yardımcı olabilir.

YOLO11'in poz tahmini özellikleri, çiftçilerin hayvanın yürüyüş düzenlerini izlemesine ve eklem sorunları veya enfeksiyonlar gibi sağlık sorunlarına işaret edebilecek herhangi bir anormalliği hızlı bir şekilde belirlemesine yardımcı olabilir. Bu sorunları erken yakalamak daha hızlı tedaviye olanak tanır, 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 endüstrisinde YOLO11 kullanım örnekleri

Poz tahmini, egzersiz yaparken insanların duruşlarını gerçek zamanlı olarak iyileştirmelerine de yardımcı olabilir. YOLO11 ile spor salonu ve yoga eğitmenleri, egzersiz yapan kişilerin vücut hareketlerini izleyebilir ve eklemler ve uzuvlar gibi kilit noktalara odaklanarak duruşlarını değerlendirebilir. Toplanan veriler, ideal pozlar ve egzersiz teknikleriyle karşılaştırılabilir ve birisi bir hareketi yanlış yapıyorsa eğitmenler uyarı alarak yaralanmaları önlemeye 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 denemek

Poz kestiriminin ne olduğunu incelediğimize ve bazı uygulamalarını tartıştığımıza göre, yeni YOLO11 modeliyle poz kestirimini 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 çıkarımlar çalıştırma

Bir çıkarım çalıştırmak, YOLO11 modelinin eğitim setleri dışındaki yeni verileri işlemesini ve bu verilere dayanarak 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, Sık Karşılaşılan Sorunlar Kılavuzumuz 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 özetlemektedir.

‍

Özel bir YOLO11 modelini eğitme

Diyelim ki bir bilgisayarlı görü projesi üzerinde çalışıyorsunuz ve poz tahmini içeren belirli bir uygulama için özel bir veri kümeniz var. Ardından, uygulamanıza uyacak şekilde bir özel YOLO11 modelini ince ayar yapabilir ve eğitebilirsiniz. Örneğin, uzuvlarının, başının ve kuyruğunun konumu gibi temel özellikleri belirleyerek görüntülerdeki bir kaplanın pozunu analiz etmek ve anlamak için bir anahtar nokta veri kümesini kullanabilirsiniz.

Bir YOLO11 poz tahmini modelini yüklemek ve eğitmek için aşağıdaki kod parçasını kullanabilirsiniz. Model bir YAML yapılandırmasından oluşturulabilir veya eğitim için önceden eğitilmiş bir model yükleyebilirsiniz. Bu komut dosyası ayrıca ağırlıkları aktarmanıza ve poz tahmini için COCO veri kümesi gibi belirtilen 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 üzerinde YOLO11'i deneyin

Şimdiye kadar, bazı temel kodlama bilgisi gerektiren YOLO11'i kullanma yöntemlerine baktık. Eğer aradığınız 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 çalıştırmak için, bir hesap oluşturabilir, 'Modeller' bölümüne gidebilir ve ilgilendiğiniz YOLO11 poz tahmini modelini seçebilirsiniz. Önizleme bölümünde, bir görüntü yükleyebilir ve tahminin sonuçlarını aşağıda gösterildiği gibi görüntüleyebilirsiniz. 

‍

İnsan pozu algılamada YOLO11 gelişmeleri

Ultralytics YOLO11, çok çeşitli uygulamalarda poz tahmini gibi görevler için doğru ve esnek çözümler sunar. Şantiyelerdeki işçilerin güvenliğini artırmaktan, hayvan sağlığını izlemeye ve fitness rutinlerinde duruş düzeltmesine yardımcı olmaya kadar YOLO11, gelişmiş bilgisayarlı görü 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 getiriyor. İster Ultralytics Python paketiyle kodlama yoluyla, ister daha kolay uygulama için Ultralytics HUB'ı kullanarak, YOLO11 poz tahmini erişilebilir ve etkili hale getiriyor.

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