Google Colab'de Ultralytics YOLO11 ile görüntü segmentasyonu

Ultralytics YOLO11 ve onun halefi Ultralytics YOLO26 gibi Ultralytics YOLO modelleri; nesne algılama, örnek segmentasyonu ve görüntü sınıflandırması gibi çeşitli bilgisayarlı görü görevlerini destekler. Bu görevlerin her biri, insan görüsünün belirli bir yönünü taklit etmeyi amaçlayarak makinelerin çevrelerindeki dünyayı görüp yorumlamasını sağlar.

Örneğin, bir sanat dersi öğrencisinin eline kalem alıp çizimdeki bir nesnenin çevresini çizdiğini düşün. Arka planda beyni segmentasyon işlemi gerçekleştirir: nesneyi arka plandan ve diğer ögelerden ayırır. Görüntü segmentasyonu, makinelerin anlaması için görsel verileri anlamlı parçalara ayırarak yapay zekâyla (AI) benzer bir amaca ulaşır. Bu teknik, pek çok sektörde çeşitli uygulamalarda kullanılabilir.

Şekil 1. Görüntüdeki nesneleri segmente ayırmak için Ultralytics YOLO11 kullanımı.

Uygulamaya yönelik örneklerden biri otomobil parçalarının segmentasyonudur. Bir aracın belirli bileşenlerini tanımlayıp kategorilere ayıran görüntü segmentasyonu; otomotiv üretimi, onarım ve e-ticaret kataloglama gibi sektörlerdeki süreçleri kolaylaştırabilir.

Bu makalede, otomobil parçalarını doğru biçimde tanımlayıp segmente ayırabilen bir çözüm geliştirmek için Ultralytics YOLO11, Google Colab ve Roboflow Carparts Segmentation veri kümesini nasıl kullanabileceğini inceleyeceğiz.

Ultralytics YOLO11 kullanımı kolaydır#

Ultralytics YOLO11, 80 farklı nesne sınıfını kapsayan COCO veri kümesi üzerinde eğitilmiş, önceden eğitilmiş bir model olarak kullanılabilir. Ancak, otomobil parçalarını segmente ayırmak gibi belirli uygulamalar için model, veri kümen ve kullanım senaryona daha uygun hâle getirmek üzere özel olarak eğitilebilir. Bu esneklik, YOLO11'in hem genel amaçlı hem de son derece özel görevlerde iyi performans göstermesini sağlar.

Özel eğitim, önceden eğitilmiş Ultralytics YOLO11 modelinin kullanılıp yeni bir veri kümesi üzerinde ince ayar yapılmasını içerir. Görevine özgü etiketli örnekler sağlayarak modelin projene özgü nesneleri tanıyıp segmentlere ayırmasını sağlayabilirsin. Özel eğitim, genel amaçlı önceden eğitilmiş ağırlıklara güvenmeye kıyasla genellikle daha yüksek doğruluk ve görevle daha fazla uyum sağlar.

Ultralytics YOLO11'i özel eğitim için ayarlamak kolaydır. Çok az kurulumla modeli ve veri kümesini yükleyebilir, eğitime başlayabilir ve süreç boyunca kayıp ve doğruluk gibi metrikleri izleyebilirsin. YOLO11, doğrulama ve değerlendirme için yerleşik araçlar da içerir; böylece modelinin performansını değerlendirmek kolaylaşır.

Google Colab'da Ultralytics YOLO11 çalıştırma#

Ultralytics YOLO11'i özel olarak eğitirken ortamı kurmak için birkaç seçeneğin var. En erişilebilir ve kullanışlı seçeneklerden biri Google Colab'dır. YOLO11'i eğitmek için Google Colab kullanmanın bazı avantajları şunlardır:

• Kaynaklara ücretsiz erişim: Google Colab, GPU'lar (Grafik İşlem Birimleri) ve TPU'lar (Tensor İşlem Birimleri) sunarak Ultralytics YOLO11'i pahalı donanımlar olmadan eğitmene olanak tanır.
• İş birliğine dayalı ortam: Google Colab; not defterlerini paylaşmana, çalışmalarını Google Drive'da saklamana ve kolay iş birliği ile sürüm takibi sayesinde ekip çalışmasını kolaylaştırmana yardımcı olur.
• Önceden yüklenmiş kütüphaneler: PyTorch ve TensorFlow gibi önceden yüklenmiş araçlarla Google Colab, kurulum sürecini kolaylaştırır ve hızlıca başlamana yardımcı olur.
• Bulut entegrasyonu: Veri kümelerini Google Drive, GitHub veya diğer bulut kaynaklarından kolayca yükleyerek veri hazırlama ve depolama süreçlerini basitleştirebilirsin.

Şekil 2. Google Colab Ultralytics YOLO11 not defteri.

Ultralytics ayrıca özellikle YOLO11 eğitimi için önceden yapılandırılmış bir Google Colab not defteri sunar. Bu not defteri, model eğitiminden performans değerlendirmesine kadar ihtiyacın olan her şeyi içerir ve süreci basit, takip etmesi kolay hâle getirir. Bu, başlamak için harika bir seçenektir ve karmaşık kurulum adımlarıyla uğraşmadan modeli özel ihtiyaçlarına göre ince ayarlamaya odaklanmanı sağlar.

Roboflow Carparts Segmentation veri kümesine genel bakış#

Eğitim ortamına karar verdikten sonraki adım, otomobil parçalarını segmente ayırmak için veri toplamak veya uygun bir veri kümesi seçmektir. Roboflow Universe'te bulunan Roboflow Carparts Segmentation Dataset, bilgisayarlı görü modelleri oluşturma, eğitme ve dağıtma araçları sunan bir platform olan Roboflow tarafından yönetilir. Bu veri kümesinde tamponlar, kapılar, aynalar ve tekerlekler gibi otomobil parçaları için yüksek kaliteli açıklamalar içeren 3.156 eğitim görüntüsü, 401 doğrulama görüntüsü ve 276 test görüntüsü bulunur.

Normalde Roboflow Universe'ten veri kümesini indirip Google Colab'da eğitim için elle ayarlaman gerekirdi. Ancak Ultralytics Python paketi, yerleşik veri kümesi yapılandırması sunarak bu süreci basitleştirir.

Şekil 3. Otomobil parçaları segmentasyon veri kümesinden örnekler.

Ultralytics ile veri kümesi; veri kümesi yollarını, sınıf etiketlerini ve diğer eğitim parametrelerini içeren, önceden yapılandırılmış bir YAML dosyası aracılığıyla kullanıma hazırdır. Böylece kurulum senin için yapılır; veri kümesini hızla yükleyip doğrudan modelini eğitmeye başlayabilirsin. Ayrıca veri kümesi, eğitim, doğrulama ve test için ayrılmış kümeler hâlinde yapılandırılmıştır; bu da ilerlemeyi izlemeyi ve performansı değerlendirmeyi kolaylaştırır.

Roboflow Carparts Segmentation Dataset'i Ultralytics YOLO11 tarafından sunulan araçlarla kullanarak Google Colab gibi platformlarda segmentasyon modelleri oluşturmak için daha verimli bir iş akışı elde edersin. Bu yaklaşım kurulum süresini kısaltır ve gerçek dünya uygulamalarında modelini iyileştirmeye odaklanmanı sağlar.

Otomobil parçaları segmentasyonunun gerçek dünyadaki uygulamaları#

Otomobil parçaları segmentasyonu, farklı sektörlerde çeşitli pratik kullanım alanları sunar. Örneğin, tamir atölyelerinde hasarlı bileşenleri hızla tanımlayıp kategorilere ayırarak onarım sürecini daha hızlı ve verimli hâle getirebilir. Benzer şekilde sigorta sektöründe segmentasyon modelleri, hasarlı araç görüntülerini analiz edip etkilenen parçaları belirleyerek hasar taleplerinin değerlendirilmesini otomatikleştirebilir. Bu, hasar taleplerinin işleme alınmasını hızlandırır, hataları azaltır ve hem sigorta şirketlerine hem müşterilere zaman kazandırır.

Şekil 4. YOLO ile otomobil parçalarını segmente ayırma.

Üretimde segmentasyon; otomobil parçalarını kusurlara karşı inceleyerek kalite kontrolünü destekler, tutarlılığı sağlar ve israfı azaltır. Bu uygulamalar, otomobil parçaları segmentasyonunun süreçleri daha güvenli, hızlı ve doğru hâle getirerek sektörleri nasıl dönüştürebileceğini gösterir.

Adım adım kılavuz: Google Colab'da Ultralytics YOLO11 kullanma#

Artık tüm ayrıntıları ele aldığımıza göre, her şeyi bir araya getirmenin zamanı geldi. Başlamak için, otomobil parçalarını segmentlere ayırmaya yönelik bir Ultralytics YOLO11 modelinin kurulum, eğitim ve doğrulama sürecinin tamamında sana yol gösteren YouTube videomuzu izleyebilirsin.

İzlenecek adımlara hızlıca göz atalım:

• Google Colab'da ortamını kur: Model eğitimine hazırlanmak için GPU desteğini etkinleştir ve Ultralytics Python paketini yükle.
• Ultralytics YOLO11 modelini yükle: Otomobil parçalarını segmentlere ayırırken zaman kazanmak ve öğrenilmiş özellikleri yeniden kullanmak için önceden eğitilmiş bir YOLO11 segmentasyon modeliyle başla.
• Modeli veri kümesiyle eğit: Roboflow Carparts Segmentation veri kümesini otomatik olarak indirmek, yapılandırmak ve kullanmak için eğitim sırasında “carparts-seg.yaml” dosyasını kullan. Modeli ince ayarlamak için dönem sayısı, görüntü boyutu ve toplu iş boyutu gibi parametreleri ayarla.
• Eğitim ilerlemesini izle: Modelin beklendiği gibi geliştiğinden emin olmak için segmentasyon kaybı ve ortalama kesinlik (mAP) gibi temel performans metriklerini takip et.
• Modeli doğrula ve dağıt: Doğruluğunu onaylamak için eğitilmiş modeli doğrulama kümesinde test et ve kalite kontrolü veya sigorta taleplerinin işlenmesi gibi gerçek dünya uygulamalarında kullanmak üzere dışa aktar.

Otomobil parçaları segmentasyonu için Ultralytics YOLO11 kullanmanın avantajları#

Ultralytics YOLO11, otomobil parçaları segmentasyonu için güvenilir ve verimli bir araçtır; çeşitli gerçek dünya uygulamaları için ideal olmasını sağlayan birçok avantaj sunar. Temel avantajları şunlardır:

• Hız ve verimlilik: Ultralytics YOLO11, yüksek doğruluğu korurken görüntüleri hızlıca işler; bu da onu kalite kontrolü ve otonom araçlar gibi gerçek zamanlı görevler için uygun kılar.
• Yüksek doğruluk: Model, tek bir görüntüdeki birden fazla nesneyi algılama ve segmente ayırma konusunda başarılıdır; böylece otomobil parçalarının hassas biçimde tanımlanmasını sağlar.
• Ölçeklenebilirlik: Ultralytics YOLO11, büyük veri kümelerini ve karmaşık segmentasyon görevlerini işleyebilir; bu da onu endüstriyel uygulamalar için ölçeklenebilir kılar.
• Birden fazla entegrasyon: Ultralytics; Google Colab, Ultralytics HUB (artık Ultralytics Platform) ve diğer popüler araçlarla entegrasyonları destekleyerek geliştiricilere daha fazla esneklik ve erişilebilirlik sunar.

Google Colab'da Ultralytics YOLO11 ile çalışmaya yönelik ipuçları#

Google Colab, makine öğrenimi iş akışlarını yönetmeyi çok daha kolay hâle getirse de yeniysen alışman biraz zaman alabilir. Bulut tabanlı kurulumda gezinmek, çalışma zamanı ayarlarını yapmak ve oturum sınırlarıyla uğraşmak ilk başta zor gelebilir; ancak işini kolaylaştırabilecek birkaç ipucu var.

Aklında bulundurman gereken birkaç noktayı aşağıda bulabilirsin:

• Eğitimi hızlandırmak için çalışma zamanı ayarlarında GPU hızlandırmayı etkinleştirerek başla.
• Colab bulutta çalıştığından, veri kümeleri ve depolar gibi kaynaklara erişmek için kararlı bir internet bağlantın olduğundan emin ol.
• Colab içinde kolayca yükleyip yönetebilmek için dosyalarını ve veri kümelerini Google Drive veya GitHub'da düzenli şekilde sakla.
• Colab'ın ücretsiz katmanında bellek sınırlarına takılırsan eğitim sırasında görüntü boyutunu veya toplu iş boyutunu küçültmeyi dene.
• Colab oturumlarının süre sınırı olduğunu ve ilerlemeni kaybetmek istemeyeceğini unutma; modelini ve sonuçlarını düzenli olarak kaydet.

Ultralytics YOLO11 ile daha fazlasını başar#

Ultralytics YOLO11; Google Colab gibi platformlar ve Roboflow Carparts Segmentation veri kümesi gibi veri kümeleriyle bir araya geldiğinde, görüntü segmentasyonunu kolay ve erişilebilir hâle getirir. Sezgisel araçları, önceden eğitilmiş modelleri ve kolay kurulumu sayesinde YOLO11, gelişmiş bilgisayarlı görü görevlerine kolayca adım atmanı sağlar.

Otomotiv güvenliğini iyileştiriyor, üretimi optimize ediyor veya yenilikçi yapay zekâ uygulamaları geliştiriyor ol; bu birleşim başarılı olman için gereken araçları sunar. Ultralytics YOLO11 ile gerçek dünyadaki sorunlara yönelik pratik ve verimli çözümler geliştirebilirsin.

Daha fazla bilgi edinmek için GitHub depomuza göz at ve topluluğumuza katıl. Çözümler sayfalarımızda sürücüsüz araçlardaki ve tarım için bilgisayarlı görüdeki yapay zekâ uygulamalarını keşfet.