Google Colab üzerinde Ultralytics YOLO11 ile görüntü bölümleme

En güncel 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 kopyalamayı amaçlayarak makinelerin çevrelerindeki dünyayı görmesini ve yorumlamasını mümkün kılar.

Örneğin, bir sanat dersindeki bir öğrencinin nasıl kalemini alıp bir çizimde nesnenin ana hatlarını çizebildiğini düşün. Arka planda beyinleri segmentasyon işlemi gerçekleştirir; yani nesneyi arka plandan ve diğer öğelerden ayırt eder. Görüntü segmentasyonu, yapay zekayı (AI) kullanarak benzer bir amaca ulaşır ve görsel verileri makinelerin anlamlandırabileceği anlamlı parçalara böler. Bu teknik, birçok sektörde çeşitli uygulamalarda kullanılabilir.

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

Pratik bir örnek, araba parçaları segmentasyonudur. Görüntü segmentasyonu, bir aracın belirli bileşenlerini tanımlayıp kategorize ederek otomotiv üretimi, onarım ve e-ticaret kataloglama gibi sektörlerdeki süreçleri kolaylaştırabilir.

Bu makalede, araba parçalarını doğru bir şekilde tanımlayıp bölümlere ayırabilecek bir çözüm oluşturmak için Ultralytics YOLO11, Google Colab ve Roboflow Carparts Segmentation veri setini nasıl kullanabileceğini inceleyeceğiz.

Link to this sectionUltralytics YOLO11'in kullanımı kolaydır#

Ultralytics YOLO11, 80 farklı nesne sınıfını kapsayan COCO veri seti üzerinde eğitilmiş önceden eğitilmiş bir model olarak sunulur. Ancak araba parçalarını bölümlere ayırmak gibi özel uygulamalar için model, veri setine ve kullanım durumuna daha uygun olacak şekilde özel olarak eğitilebilir. Bu esneklik, YOLO11'in hem genel amaçlı hem de oldukça özelleşmiş görevlerde iyi performans göstermesini sağlar.

Özel eğitim, önceden eğitilmiş YOLO11 modelini kullanmayı ve bunu yeni bir veri seti üzerinde ince ayar (fine-tuning) yapmayı içerir. Görevine özel etiketlenmiş örnekler sunarak, model projenize özgü nesneleri tanımayı ve bölümlere ayırmayı öğrenir. Özel eğitim, genel önceden eğitilmiş ağırlıklara güvenmeye kıyasla daha yüksek doğruluk ve uygunluk sağlar.

YOLO11'i özel eğitim için kurmak oldukça basittir. Minimal bir kurulumla modeli ve veri setini yükleyebilir, eğitime başlayabilir ve süreç boyunca kayıp (loss) ve doğruluk gibi metrikleri izleyebilirsin. YOLO11 ayrıca doğrulama ve değerlendirme için yerleşik araçlar içerir, bu da modelinin ne kadar iyi performans gösterdiğini değerlendirmeyi kolaylaştırır.

Link to this sectionUltralytics YOLO11'i Google Colab üzerinde çalıştırmak#

YOLO11'i özel olarak eğitirken, bir ortam kurmak için birkaç farklı seçenek vardır. En erişilebilir ve kullanışlı seçeneklerden biri Google Colab'dir. YOLO11 eğitimi için Google Colab kullanmanın bazı avantajları şunlardır:

• Kaynaklara ücretsiz erişim: Google Colab, GPU'lar (Grafik İşleme Birimleri) ve TPU'lar (Tensor İşleme Birimleri) sağlar, böylece pahalı donanımlara ihtiyaç duymadan YOLO11'i eğitebilirsin.
• İş birliğine dayalı ortam: Google Colab, not defterlerini paylaşmana, çalışmalarını Google Drive'da depolamana ve kolay iş birliği ve sürüm takibi yoluyla ekip çalışmasını basitleştirmene yardımcı olur.
• Önceden yüklenmiş kütüphaneler: PyTorch ve TensorFlow gibi önceden yüklenmiş araçlarla Google Colab, kurulum sürecini basitleştirir ve hızlı bir şekilde başlamana yardımcı olur.
• Bulut entegrasyonu: Veri setlerini Google Drive, GitHub veya diğer bulut kaynaklarından kolayca yükleyebilir, veri hazırlama ve depolama işlemlerini basitleştirebilirsin.

Şekil 2. Google Colab YOLO11 not defteri.

Ultralytics ayrıca YOLO11 eğitimi için özel olarak yapılandırılmış bir Google Colab not defteri sunar. Bu not defteri, model eğitiminden performans değerlendirmesine kadar ihtiyacın olan her şeyi içerir, bu da süreci anlaşılır ve takip etmesi kolay hale getirir. Harika bir başlangıç noktasıdır ve karmaşık kurulum adımlarıyla uğraşmadan modeli özel ihtiyaçların için ince ayar yapmaya odaklanmanı sağlar.

Link to this sectionRoboflow Carparts Segmentation veri setine genel bakış#

Eğitim ortamına karar verdikten sonra bir sonraki adım, veri toplamak veya araba parçalarını bölümlere ayırmak için uygun bir veri seti seçmektir. Roboflow Universe'de bulunan ve Roboflow tarafından sürdürülen Carparts Segmentation veri seti, bilgisayarlı görü modelleri oluşturmak, eğitmek ve dağıtmak için araçlar sağlayan bir platformdur. Bu veri seti; tamponlar, kapılar, aynalar ve tekerlekler gibi araba parçaları için yüksek kaliteli ek açıklamalarla birlikte 3.156 eğitim görüntüsü, 401 doğrulama görüntüsü ve 276 test görüntüsü içerir.

Normalde veri setini Roboflow Universe'den indirmen ve Google Colab'de eğitim için manuel olarak ayarlaman gerekir. Ancak Ultralytics Python paketi, kesintisiz entegrasyon ve önceden yapılandırılmış araçlar sunarak bu süreci basitleştirir.

Şekil 3. Araba parçaları segmentasyon veri setinden örnekler.

Ultralytics ile veri seti, veri seti yollarını, sınıf etiketlerini ve diğer eğitim parametrelerini içeren önceden yapılandırılmış bir YAML dosyası aracılığıyla kullanıma hazırdır. Bu, kurulumu senin yerine halleder, böylece veri setini hızlıca yükleyebilir ve doğrudan modelini eğitmeye başlayabilirsin. Ayrıca veri seti, ilerlemeyi izlemeyi ve performansı değerlendirmeyi kolaylaştıran özel eğitim, doğrulama ve test setleri ile yapılandırılmıştır.

Roboflow Carparts Segmentation veri setinden Ultralytics YOLO11 tarafından sağlanan araçlarla yararlanarak, Google Colab gibi platformlarda verimli bir şekilde segmentasyon modelleri oluşturmak için kesintisiz bir iş akışına sahip olursun. Bu yaklaşım kurulum süresini azaltır ve modelini gerçek dünya uygulamaları için iyileştirmeye odaklanmanı sağlar.

Link to this sectionAraba parçaları segmentasyonunun gerçek dünya uygulamaları#

Araba parçaları segmentasyonu, farklı sektörlerde çeşitli pratik kullanımlara sahiptir. Örneğin onarım atölyelerinde, onarım sürecini daha hızlı ve verimli hale getirmek için hasarlı bileşenleri hızlıca tanımlamaya ve kategorize etmeye yardımcı olabilir. Benzer şekilde sigorta sektöründe, segmentasyon modelleri hasarlı araçların görüntülerini analiz ederek etkilenen parçaları belirleyip hasar değerlendirmelerini otomatikleştirebilir. Bu, hasar tazmin sürecini hızlandırır, hataları azaltır ve hem sigortacılar hem de müşteriler için zaman tasarrufu sağlar.

Şekil 4. YOLO kullanarak araba parçalarını bölümlere ayırma.

Üretim açısından bakıldığında segmentasyon, araba parçalarındaki kusurları denetleyerek, tutarlılığı sağlayarak ve israfı azaltarak kalite kontrolü destekler. Bu uygulamalar, araba parçaları segmentasyonunun süreçleri daha güvenli, hızlı ve doğru hale getirerek sektörleri nasıl dönüştürebileceğini gösterir.

Link to this sectionAdım adım kılavuz: Google Colab üzerinde YOLO11 kullanımı#

Tüm detayları ele aldığımıza göre artık her şeyi bir araya getirme zamanı. Başlamak için, araba parçaları segmentasyonu için bir YOLO11 modelini kurma, eğitme ve doğrulama sürecinin tamamında sana rehberlik eden YouTube videomuzu izleyebilirsin.

İşte ilgili adımlara kısa bir bakış:

• Google Colab üzerinde ortamını kur: Model eğitimine hazırlanmak için GPU desteğini etkinleştir ve Ultralytics Python paketini yükle.
• YOLO11 modelini yükle: Zamandan tasarruf etmek ve araba parçaları segmentasyonu için mevcut özelliklerden yararlanmak adına önceden eğitilmiş bir YOLO11 segmentasyon modeli ile başla.
• Modeli veri seti ile eğit: Roboflow Carparts Segmentation veri setini otomatik olarak indirmek, yapılandırmak ve kullanmak için eğitim sırasında “carparts-seg.yaml” dosyasını kullan. Modeli ince ayar yapmak için epoch sayısı, görüntü boyutu ve batch boyutu gibi parametreleri ayarla.
• Eğitim ilerlemesini izle: Modelin beklendiği gibi iyileştiğinden emin olmak için segmentasyon kaybı ve ortalama Hassasiyet (mAP) gibi anahtar performans metriklerini takip et.
• Modeli doğrula ve dağıt: Doğruluğunu onaylamak için eğitilmiş modeli doğrulama setinde test et ve kalite kontrol veya sigorta hasar işleme gibi gerçek dünya uygulamaları için dışa aktar.

Link to this sectionAraba parçaları segmentasyonu için YOLO11 kullanmanın faydaları#

YOLO11, çeşitli gerçek dünya uygulamaları için ideal hale getiren bir dizi avantaj sunan, araba parçaları segmentasyonu için güvenilir ve verimli bir araçtır. İşte temel faydaları:

• Hız ve verimlilik: YOLO11, yüksek doğruluğu korurken görüntüleri hızlı bir şekilde işler, bu da onu kalite kontrol ve otonom araçlar gibi gerçek zamanlı görevler için uygun kılar.
• Yüksek doğruluk: Model, tek bir görüntü içindeki birden fazla nesneyi tespit etme ve bölümlere ayırmada mükemmeldir, bu da araba parçalarının hassas bir şekilde tanımlanmasını sağlar.
• Ölçeklenebilirlik: YOLO11, büyük veri setlerini ve karmaşık segmentasyon görevlerini yönetebilir, bu da onu endüstriyel uygulamalar için ölçeklenebilir kılar.
• Çoklu entegrasyonlar: Ultralytics, geliştiriciler için esnekliği ve erişilebilirliği artıran Google Colab, Ultralytics HUB ve diğer popüler araçlar gibi platformlarla entegrasyonları destekler.

Link to this sectionGoogle Colab üzerinde YOLO11 ile çalışmak için ipuçları#

Google Colab makine öğrenimi iş akışlarını yönetmeyi çok daha kolay hale getirse de, yeni başlıyorsan alışmak biraz zaman alabilir. Bulut tabanlı kurulumda gezinmek, çalışma zamanı ayarları ve oturum sınırları ilk başta zor gelebilir, ancak işleri çok daha pürüzsüz hale getirebilecek birkaç ipucu var.

Akılda tutulması gereken birkaç nokta şunlardır:

• Eğitimi hızlandırmak için çalışma zamanı ayarlarında GPU hızlandırmayı etkinleştirerek başla.
• Colab bulutta çalıştığından, veri setleri ve depolar gibi kaynaklara erişmek için sabit bir internet bağlantın olduğundan emin ol.
• Dosyalarını ve veri setlerini Google Drive veya GitHub'da düzenle; böylece Colab içinde yüklenmeleri ve yönetilmeleri kolay olur.
• Colab'in ücretsiz sürümünde bellek sınırlarıyla karşılaşırsan eğitim sırasında görüntü boyutunu veya batch boyutunu düşürmeyi dene.
• Modelini ve sonuçlarını düzenli olarak kaydetmeyi unutma; Colab oturumlarının süre sınırları vardır ve ilerlemeni kaybetmek istemezsin.

Link to this sectionYOLO11 ile daha fazlasını başar#

Ultralytics YOLO11; Google Colab gibi platformlar ve Roboflow Carparts Segmentation veri seti gibi veri setleri ile birleştirildiğinde, görüntü segmentasyonunu anlaşılır ve erişilebilir kılar. Sezgisel araçları, önceden eğitilmiş modelleri ve kolay kurulumu ile YOLO11, gelişmiş bilgisayarlı görü görevlerine kolaylıkla dalmanı sağlar.

Otomotiv güvenliğini geliştiriyor, üretimi optimize ediyor veya yenilikçi yapay zeka uygulamaları oluşturuyor ol, bu kombinasyon başarılı olmana yardımcı olacak araçları sağlar. Ultralytics YOLO11 ile sadece modeller oluşturmuyorsun, aynı zamanda gerçek dünyada daha akıllı ve daha verimli çözümlerin yolunu açıyorsun.

Daha fazla bilgi edinmek için GitHub depomuza göz at ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda kendi kendine giden arabalar ve tarım için bilgisayarlı görü alanlarındaki yapay zeka uygulamalarını keşfet. 🚀