Google Colab'de Ultralytics YOLO11 ile görüntü segmentasyonu

En yeni Ultralytics YOLO11 gibi Ultralytics YOLO modelleri, nesne algılama, görüntü sınıflandırma ve örnek segmentasyonu gibi çeşitli bilgisayarlı görü görevlerini destekler. Bu görevlerin her biri, insan görüşünün belirli bir yönünü taklit etmeyi amaçlayarak makinelerin çevrelerindeki dünyayı görmesini ve yorumlamasını mümkün kılar.

Örneğin, bir sanat dersi öğrencisinin eline kalem alıp bir çizimdeki nesnenin dış hatlarını çizmesini düşün. Perde arkasında beyni segmentasyon işlemi gerçekleştirir: nesneyi arka plandan ve diğer unsurlardan ayırır. Görüntü segmentasyonu, yapay zekâ (AI) kullanarak benzer bir amaca ulaşır ve makinelerin anlayabilmesi için görsel verileri anlamlı parçalara ayırır. Bu teknik, birçok sektörde çeşitli uygulamalarda kullanılabilir.

Şekil 1. Bir görüntüdeki nesneleri segmentlere ayırmak için kullanılan Ultralytics YOLO11.

Pratik bir örnek 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 bir şekilde tanımlayıp segmentlere ayırabilen bir çözüm oluşturmak için Ultralytics YOLO11, Google Colab ve Roboflow Carparts Segmentation veri kümesini nasıl kullanabileceğini inceleyeceğiz.

Ultralytics YOLO11'i kullanmak kolaydır#

Ultralytics YOLO11, 80 farklı nesne sınıfını kapsayan COCO veri kümesi üzerinde eğitilmiş, önceden eğitilmiş bir model olarak sunulur. Ancak otomobil parçalarını segmentlere ayırma gibi özel uygulamalarda model, veri kümen ve kullanım senaryona daha iyi uyum sağlaması için özel olarak eğitilebilir. Bu esneklik, YOLO11'in hem genel amaçlı hem de son derece özelleşmiş görevlerde iyi performans göstermesini sağlar.

Özel eğitim, önceden eğitilmiş Ultralytics YOLO11 modelinin kullanılmasını ve yeni bir veri kümesi üzerinde ince ayar yapılmasını içerir. Görevine özgü etiketli örnekler sağlayarak model, projen için benzersiz nesneleri tanımayı ve segmentlere ayırmayı öğrenir. Özel eğitim, genel amaçlı önceden eğitilmiş ağırlıklara güvenmeye kıyasla daha yüksek doğruluk ve uygunluk sağlar.

Ultralytics YOLO11'i özel eğitim için ayarlamak oldukça kolaydır. Minimum kurulumla modeli ve veri kümesini yükleyebilir, eğitimi başlatabilir ve süreç sırasında kayıp ile doğruluk gibi metrikleri izleyebilirsin. YOLO11 ayrıca doğrulama ve değerlendirme için yerleşik araçlar içerir; böylece modelinin ne kadar iyi performans gösterdiğini değerlendirmek kolaylaşır.

Ultralytics YOLO11'i Google Colab'da çalıştırma#

Ultralytics YOLO11'i özel olarak eğitirken ortamını ayarlamak için birkaç farklı seçeneğin vardır. En erişilebilir ve kullanışlı seçeneklerden biri Google Colab'dır. Google Colab'ı YOLO11 eğitimi için 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.
• Ortak çalışma ortamı: Google Colab, not defterlerini paylaşmana, çalışmalarını Google Drive'da depolamana ve kolay iş birliği ile sürüm takibi sayesinde ekip çalışmasını basitleştirmene yardımcı olur.
• Önceden yüklenmiş kütüphaneler: PyTorch ve TensorFlow gibi önceden yüklenmiş araçlarla Google Colab, kurulum sürecini basitleştirir ve hızlıca başlamana yardımcı olur.
• Bulut entegrasyonu: Veri kümelerini Google Drive, GitHub veya diğer bulut kaynaklarından kolayca yükleyebilir, veri hazırlama ve depolama süreçlerini basitleştirebilirsin.

Şekil 2. Google Colab Ultralytics YOLO11 not defteri.

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

Roboflow Carparts Segmentation Veri Kümesine genel bakış#

Eğitim ortamına karar verdikten sonra sıradaki adım, veri toplamak veya otomobil parçalarını segmentlere ayırmak için uygun bir veri kümesi seçmektir. Roboflow Universe'te bulunan Roboflow Carparts Segmentation Veri Kümesi, bilgisayarlı görü modelleri oluşturmak, eğitmek ve dağıtmak için araçlar sağlayan bir platform olan Roboflow tarafından korunur. Bu veri kümesi; tamponlar, kapılar, aynalar ve tekerlekler gibi otomobil parçaları için yüksek kaliteli açıklamalar içeren 3.156 eğitim görüntüsü, 401 doğrulama görüntüsü ve 276 test görüntüsü içerir.

Normalde veri kümesini Roboflow Universe'ten indirmen ve Google Colab'da eğitim için manuel olarak ayarlaman gerekirdi. Ancak Ultralytics Python paketi, sorunsuz entegrasyon ve önceden yapılandırılmış araçlar 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. Bu sayede kurulum senin için tamamlanır; veri kümesini hızlıca yükleyip doğrudan modelini eğitmeye başlayabilirsin. Ayrıca veri kümesi, ilerlemeyi izlemeyi ve performansı değerlendirmeyi kolaylaştıran özel eğitim, doğrulama ve test kümeleriyle yapılandırılmıştır.

Roboflow Carparts Segmentation Veri Kümesini Ultralytics YOLO11 tarafından sağlanan araçlarla kullanarak Google Colab gibi platformlarda segmentasyon modellerini verimli bir şekilde oluşturabileceğin sorunsuz bir iş akışına sahip olursun. Bu yaklaşım kurulum süresini azaltır ve modelini gerçek dünya uygulamaları için geliştirmeye odaklanmanı sağlar.

Otomobil parçaları segmentasyonunun gerçek dünya uygulamaları#

Otomobil parçaları segmentasyonunun farklı sektörlerde çeşitli pratik kullanım alanları vardır. Örneğin onarım atölyelerinde, hasarlı bileşenleri hızlıca tanımlayıp kategorilere ayırarak onarım sürecinin daha hızlı ve verimli olmasına yardımcı olabilir. Benzer şekilde sigorta sektöründe segmentasyon modelleri, hasarlı araçların görüntülerini analiz ederek etkilenen parçaları tanımlayabilir ve hasar taleplerinin değerlendirilmesini otomatikleştirebilir. Bu, hasar talebi sürecini hızlandırır, hataları azaltır ve hem sigortacılar hem de müşteriler için zaman kazandırır.

Şekil 4. YOLO kullanılarak otomobil parçalarının segmentlere ayrılması.

Üretim açısından 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 parçaları segmentasyonu amacıyla bir Ultralytics YOLO11 modelini kurma, eğitme ve doğrulama sürecinin tamamında sana yol gösteren YouTube videomuza göz atabilirsin.

İzlenecek adımlara hızlıca göz atalım:

• Google Colab'da ortamını ayarla: Model eğitimine hazırlanmak için GPU desteğini etkinleştir ve Ultralytics Python paketini yükle.
• Ultralytics YOLO11 modelini yükle: Zaman kazanmak ve otomobil parçaları segmentasyonu için mevcut özelliklerden yararlanmak amacıyla 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. Modelde ince ayar yapmak için epoch sayısı, görüntü boyutu ve batch boyutu gibi parametreleri ayarla.
• Eğitim ilerlemesini izle: Modelin beklendiği gibi geliştiğinden emin olmak için segmentasyon kaybı ve ortalama 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 hasar 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 onu ideal kılan bir dizi avantaj sunar. Öne çıkan avantajlar şunlardır:

• Hız ve verimlilik: Ultralytics YOLO11, yüksek doğruluğu korurken görüntüleri hızlı bir şekilde işler ve bu sayede kalite kontrolü ile otonom araçlar gibi gerçek zamanlı görevler için uygun hâle gelir.
• Yüksek doğruluk: Model, tek bir görüntü içindeki birden fazla nesneyi algılama ve segmentlere ayırma konusunda başarılıdır; böylece otomobil parçalarının hassas bir şekilde tanımlanmasını sağlar.
• Ölçeklenebilirlik: Ultralytics YOLO11, büyük veri kümelerini ve karmaşık segmentasyon görevlerini işleyebilir; bu da onu endüstriyel uygulamalar için ölçeklenebilir kılar.
• Birden çok entegrasyon: Ultralytics, Google Colab, Ultralytics HUB ve diğer popüler araçlar gibi platformlarla entegrasyonları destekleyerek geliştiriciler için esnekliği ve erişilebilirliği artırır.

Google Colab'da Ultralytics YOLO11 ile çalışmaya yönelik ipuçları#

Google Colab, makine öğrenimi iş akışlarını yönetmeyi çok kolaylaştırsa da yeniysen alışman biraz zaman alabilir. Bulut tabanlı kurulumu, çalışma zamanı ayarlarını ve oturum sınırlarını yönetmek ilk başta zor görünebilir; ancak işlerini çok daha sorunsuz hâle getirecek birkaç ipucu vardır.

Aklında bulundurman gereken birkaç nokta şunlardır:

• Eğitimi hızlandırmak için çalışma zamanı ayarlarında GPU hızlandırmayı etkinleştirerek başla.
• Colab bulutta çalıştığından veri kümeleri ve depolar gibi kaynaklara erişmek için sabit bir internet bağlantın olduğundan emin ol.
• Colab içinde kolayca yükleyip yönetebilmek için dosyalarını ve veri kümelerini Google Drive veya GitHub'da düzenle.
• Colab'ın ücretsiz katmanında bellek sınırlamalarıyla karşılaşırsan eğitim sırasında görüntü boyutunu veya batch boyutunu azaltmayı dene.
• Colab oturumlarının zaman sınırları olduğunu unutma; ilerlemeni kaybetmemek için 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 birlikte görüntü segmentasyonunu basit ve erişilebilir hâle getirir. Sezgisel araçları, önceden eğitilmiş modelleri ve kolay kurulumu sayesinde YOLO11, gelişmiş bilgisayarlı görü görevlerine kolayca adım atmanı sağlar.

İster otomotiv güvenliğini geliştiriyor, ister üretimi optimize ediyor, ister yenilikçi AI uygulamaları oluşturuyor ol; bu birleşim başarılı olman için gereken araçları sunar. Ultralytics YOLO11 ile yalnızca modeller oluşturmuyor, gerçek dünyada daha akıllı ve verimli çözümlerin önünü açıyorsun.

Daha fazla bilgi edinmek için GitHub depomuza göz at ve topluluğumuza katıl. Çözüm sayfalarımızda otonom araçlardaki ve tarım için bilgisayarlı görü alanlarındaki yapay zekâ uygulamalarını keşfet. 🚀