Poz tahmini için Ultralytics YOLO11 nasıl kullanılır

Research related to computer vision, a branch of artificial intelligence (AI), can be traced back to the 1960s. However, it wasn’t until the 2010s, with the rise of deep learning, that we saw major breakthroughs in how machines understand images. One of the latest advancements in computer vision is the cutting-edge Ultralytics YOLO11 models. The YOLO11 models, first introduced at Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), support a range of computer vision tasks, including pose estimation.

Pose estimation can be used to detect key points on a person or object in an image or video to understand their position, posture, or movement. It’s widely used in applications like sports analytics, animal behavior monitoring, and robotics to help machines interpret physical actions in real time. Thanks to its improved accuracy, efficiency, and speed over earlier models in the YOLO (You Only Look Once) series, YOLO11 is well-suited for real-time pose estimation tasks.

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

In this article, we’ll explore what pose estimation is, discuss some of its applications, and walk through how you can use YOLO11 with the Ultralytics Python package for pose estimation. We’ll also take a look at how you can use Ultralytics HUB to try out YOLO11 and pose estimation in a few simple clicks. Let’s get started!

Link to this sectionPoz tahmini nedir?#

Yeni Ultralytics YOLO11 modelini poz tahmini için nasıl kullanacağına geçmeden önce, poz tahminini daha iyi anlayalım.

Poz tahmini, bir görüntü veya videodaki kişinin ya da nesnenin pozunu analiz etmek için kullanılan bir bilgisayarlı görü tekniğidir. YOLO11 gibi derin öğrenme modelleri, belirli bir nesne veya kişi üzerindeki anahtar noktaları tanımlayabilir, yerini 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 ana eklemleri temsil eder.

Poz tahmini, nesne tespiti gibi diğer bilgisayarlı görü görevlerine kıyasla benzersizdir ve daha karmaşıktır. Nesne tespiti, nesnelerin etrafına bir kutu çizerek görüntüdeki yerlerini belirlerken, poz tahmini, nesne üzerindeki anahtar noktaların tam konumlarını tahmin ederek bir adım daha ileri gider.

Şekil 2. Ofisteki insanların pozlarını tespit etmek ve tahmin etmek için YOLO11 kullanımı.

Poz tahmini söz konusu olduğunda, çalışma şekli iki ana yöntemdir: aşağıdan yukarıya (bottom-up) ve yukarıdan aşağıya (top-down). Aşağıdan yukarıya yaklaşımı, tekil anahtar noktaları tespit edip 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, anahtar noktaları manuel olarak gruplandırmaya gerek kalmadan işleri basit ve hızlı tutar. Aynı zamanda, insanları tespit edip pozlarını tahmin ederek yukarıdan aşağıya yönteminin doğruluk avantajını tek bir adımda kullanır.

Link to this sectionYOLO11 için poz tahmini kullanım durumları#

YOLO11'in poz tahmini için sunduğu çok yönlü yetenekler, pek çok endüstride geniş bir uygulama yelpazesi için kapı açar. Şimdi YOLO11'in bazı poz tahmini kullanım durumlarına daha yakından bakalım.

Link to this sectionYOLO11 ile gerçek zamanlı poz tahmini: İşçi güvenliğini artırma#

Güvenlik, her inşaat projesinin önemli bir yönüdür. İstatistiksel olarak inşaat sahalarında işle ilgili yaralanmalar daha yüksek olduğundan, bu özellikle doğrudur. 2021'de, işle ilgili tüm ölümcül kazaların yaklaşık %20'si inşaat sahalarında veya yakınlarında meydana gelmiştir. Ağır ekipman ve elektrik sistemleri gibi günlük risklerle birlikte, işçileri güvende tutmak için güçlü güvenlik önlemleri şarttır. Tabelalar, bariyerler ve denetçilerin manuel gözetimi gibi geleneksel yöntemler her zaman etkili değildir ve genellikle denetçileri daha kritik görevlerden alıkoyar.

Yapay zeka güvenliği artırmak için devreye girebilir ve kaza riski, poz tahminine dayalı bir işçi izleme sistemi kullanılarak 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 hızla tespit edilebilir. Bir risk algılanırsa, denetçilere bildirim gönderilebilir veya bir alarm işçiyi uyarabilir. Sürekli bir izleme sistemi, her zaman tehlikelere karşı tetikte kalarak ve işçileri koruyarak inşaat sahalarını daha güvenli hale getirebilir.

Şekil 3. YOLO11 kullanarak bir inşaat sahasında poz tahminine bir örnek.

Link to this sectionHayvancılık takibi için YOLO11 ile poz tahmini#

Çiftçiler ve araştırmacılar, topallık gibi hastalıkların erken belirtilerini tespit etmek amacıyla sığır gibi çiftlik hayvanlarının hareketlerini ve davranışlarını incelemek için YOLO11'i kullanabilirler. Topallık, bir hayvanın bacaklarındaki veya ayaklarındaki ağrı nedeniyle düzgün hareket edemediği 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 endüstrisinde meraya dayalı sistemlerde %8 ile kapalı sistemlerde %15 ila %30 arasında sığırı etkilediğini göstermektedir. Topallığı erken tespit etmek ve ele almak, hayvan refahını iyileştirmeye ve bu durumla ilişkili üretim kayıplarını azaltmaya yardımcı olabilir.

YOLO11'in poz tahmini özellikleri, çiftçilerin hayvanın yürüme modellerini takip etmelerine ve eklem sorunları veya enfeksiyonlar gibi sağlık sorunlarına işaret edebilecek anormallikleri hızla tanımlamalarına yardımcı olabilir. Bu sorunları erkenden yakalamak daha hızlı tedaviye olanak tanır, hayvanın rahatsızlığını azaltır ve çiftçilerin ekonomik kayıplardan kaçınmasına yardımcı olur.

Görü görü (vision AI) destekli izleme sistemleri, dinlenme davranışlarını, sosyal etkileşimleri ve beslenme düzenlerini analiz etmeye de yardımcı olabilir. Çiftçiler ayrıca stres veya saldırganlık belirtilerini gözlemlemek için poz tahminini kullanabilirler. Bu içgörüler, hayvanlar için daha iyi yaşam koşulları sağlamak ve refahlarını artırmak amacıyla kullanılabilir.

Şekil 4. İnek Pozu Tahmininin Görselleştirmesi.

Link to this sectionYOLO11'in fitness endüstrisindeki kullanım durumları#

Poz tahmini, insanların egzersiz yaparken duruşlarını gerçek zamanlı olarak iyileştirmelerine de yardımcı olabilir. YOLO11 ile spor salonu ve yoga eğitmenleri, egzersiz yapan kişilerin vücut hareketlerini izleyebilir ve takip edebilir, duruşlarını değerlendirmek için eklemler ve uzuvlar gibi anahtar noktalara odaklanabilirler. Toplanan veriler, ideal pozlar ve egzersiz teknikleri ile karşılaştırılabilir ve eğitmenler, birinin hareketi yanlış yapması durumunda uyarı alabilir, böylece sakatlıkların önlenmesine yardımcı olabilirler.

Şekil 5. Bir Egzersizi Analiz Etmek için Poz Tahmini Kullanımı.

Örneğin, bir yoga dersi sırasında poz tahmini, tüm öğrencilerin doğru dengeyi ve hizayı koruyup korumadığını izlemeye yardımcı olabilir. Bilgisayarlı görü ve poz tahmini ile entegre mobil uygulamalar, evde egzersiz yapanlar veya kişisel eğitmenlere erişimi olmayanlar için fitness'ı daha erişilebilir hale getirebilir. Bu sürekli gerçek zamanlı geri bildirim, kullanıcıların tekniklerini geliştirmelerine ve fitness hedeflerine ulaşmalarına yardımcı olurken aynı zamanda sakatlık riskini azaltır.

Link to this sectionYOLO11 modeli ile gerçek zamanlı poz tahminini deneme#

Artık poz tahmininin ne olduğunu keşfettiğimize ve bazı uygulamalarını tartıştığımıza göre, yeni YOLO11 modeli ile poz tahminini nasıl deneyebileceğine bir bakalım. Başlamak için bunu yapmanın iki uygun yolu vardır: Ultralytics Python paketini kullanmak veya Ultralytics HUB aracılığıyla. Her iki seçeneğe de göz atalım.

Link to this sectionYOLO11 kullanarak çıkarım çalıştırma#

Bir çıkarım (inference) çalıştırmak, YOLO11 modelinin eğitim kümelerinin dışında yeni verileri işlemesini ve bu verilere dayanarak tahminlerde bulunmak için öğrendiği kalıpları kullanmasını içerir. Ultralytics Python paketi ile kod aracılığıyla çıkarımlar çalıştırabilirsin. Başlamak için tek yapman gereken pip, conda veya Docker kullanarak Ultralytics paketini yüklemektir. Kurulum sırasında herhangi bir zorlukla karşılaşırsan, Ortak Sorunlar Kılavuzumuz yardımcı 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. YOLO11 Kullanarak Çıkarım Çalıştırmayı Gösteren Bir Kod Parçası.

Link to this sectionÖzel bir YOLO11 modeli eğitme#

Let's say you are working on a computer vision project and you have a specific dataset for a particular application involving pose estimation. Then you can fine-tune and train a custom YOLO11 model to suit your application. For example, you can use a dataset of keypoints to analyze and understand the pose of a tiger in images by identifying key features such as the position of its limbs, head, and tail.

Bir YOLO11 poz tahmini modelini yüklemek ve eğitmek için aşağıdaki kod parçacığını kullanabilirsin. Model, bir YAML yapılandırmasından oluşturulabilir veya eğitim için önceden eğitilmiş bir model yükleyebilirsin. Bu betik ayrıca ağırlıkları aktarmana ve poz tahmini için COCO veri seti gibi belirtilen bir veri setini kullanarak modeli eğitmeye başlamana olanak tanır.

Şekil 7. YOLO11 özel eğitimi.

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

Link to this sectionUltralytics HUB üzerinde YOLO11'i dene#

Şimdiye kadar, YOLO11 kullanmak için temel kodlama bilgisi gerektiren yöntemlere baktık. Eğer aradığın bu değilse veya kodlamaya aşina 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 setlerini kolayca yönetmeni, modelleri eğitmeni ve dağıtmanı sağlar.

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

Şekil 8. YOLO11 ile Ultralytics HUB üzerinde Poz Tahmini.

Link to this sectionİnsan pozu tespitinde YOLO11 gelişmeleri#

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 depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda üretim ve tarım alanlarındaki yapay zeka uygulamalarını keşfet. 🚀