Google Colab üzerinde Ultralytics YOLO11 ile görüntü bölümleme

En son Ultralytics YOLO11 gibi Ultralytics YOLO modelleri; nesne tespiti, görüntü sınıflandırma ve örnek bölütleme gibi çeşitli bilgisayarlı görü görevlerini destekler. Bu görevlerin her biri insan görme yetisinin belirli bir yönünü taklit etmeyi amaçlar ve makinelerin etraflarındaki dünyayı görüp yorumlamasını mümkün kılar.

Örneğin, bir sanat sınıfındaki öğrencinin eline kalem alıp bir çizimdeki nesnenin etrafını çizmeyi düşünün. Sahne arkasında beyinleri bölütleme işlemi gerçekleştirir; yani nesneyi arka plandan ve diğer unsurlardan ayırır. Görüntü bölütleme, görsel verileri makinelerin anlayabileceği anlamlı parçalara ayırarak yapay zeka (AI) yardımıyla benzer bir amaç gerçekleştirir. Bu teknik, birçok endüstride çeşitli uygulamalarda kullanılabilir.

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

Pratik bir örnek araba parçası bölütlemedir. Bir aracın belirli bileşenlerini tanımlayıp kategorize ederek görüntü bölütleme; otomotiv üretimi, onarım ve e-ticaret kataloglama gibi endüstrilerdeki 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.

Ultralytics YOLO11'in kullanımı kolaydır#

Ultralytics YOLO11, 80 farklı nesne sınıfını kapsayan COCO veri seti üzerinde eğitilmiş önceden eğitilmiş bir model olarak sunulur. Bununla birlikte, araba parçalarını bölütleme gibi belirli uygulamalar için model, veri setinize ve kullanım senaryonuza daha iyi uyacak şekilde özel olarak eğitilebilir. Bu esneklik, YOLO11'in hem genel amaçlı hem de son derece uzmanlaşmış görevlerde iyi performans göstermesini sağlar.

Özel eğitim, önceden eğitilmiş Ultralytics YOLO11 modelini kullanmayı ve bunu yeni bir veri kümesi üzerinde ince ayara (fine-tuning) tabi tutmayı içerir. Görevine özel etiketli örnekler sağlayarak, model projenize özgü nesneleri tanımayı ve segmentlere ayırmayı öğrenir. Özel eğitim, genel önceden eğitilmiş ağırlıklara güvenmeye kıyasla daha yüksek doğruluk ve uygunluk sağlar.

Ultralytics YOLO11 için özel eğitimi ayarlamak son derece basittir. Minimum kurulumla modeli ve veri setini yükleyebilir, eğitime başlayabilir ve işlem sırasında kayıp ve doğruluk gibi metrikleri izleyebilirsin. YOLO11 ayrıca doğrulama ve değerlendirme için yerleşik araçlar içerir; bu da modelinin ne kadar iyi performans gösterdiğini değerlendirmeni kolaylaştırır.

Ultralytics YOLO11'i Google Colab üzerinde çalıştırmak#

Ultralytics YOLO11 ile özel eğitim yaparken bir ortam kurmak için birkaç farklı seçenek bulunur. En erişilebilir ve kullanışlı tercihlerden biri Google Colab'dır. İşte YOLO11 eğitimi için Google Colab kullanmanın bazı avantajları:

• Kaynaklara ücretsiz erişim: Google Colab, pahalı donanımlara ihtiyaç duymadan Ultralytics YOLO11 modelini eğitmeni sağlayan GPU'lar (Grafik İşlem Birimleri) ve TPU'lar (Tensör İşlem Birimleri) sunar.
• 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.

Fig 2. Google Colab Ultralytics YOLO11 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; böylece süreç anlaşılır ve takip etmesi kolay hale gelir. Bu harika bir başlangıç noktasıdır ve karmaşık kurulum adımları hakkında endişelenmeden modeli kendi özel ihtiyaçlarına göre ince ayarlamaya odaklanmanı sağlar.

Roboflow Carparts Segmentation veri setine genel bakış#

Eğitim ortamına karar verdikten sonra bir sonraki adım veri toplamak veya araba parçalarını bölütlemek için uygun bir veri seti seçmektir. Roboflow Universe'te bulunan Roboflow Carparts Segmentation Dataset, bilgisayarlı görü modelleri oluşturmak, eğitmek ve dağıtmak için araçlar sağlayan bir platform olan Roboflow tarafından sürdürülmektedir. Bu veri seti; tamponlar, kapılar, aynalar ve tekerlekler gibi araba parçaları için yüksek kaliteli etiketlemelere sahip 3.156 eğitim görüntüsü, 401 doğrulama görüntüsü ve 276 test görüntüsü içerir.

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

Şekil 3. Araba parçaları bölütleme 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.

Araba 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 bölütleme.

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.

Adım adım kılavuz: Google Colab üzerinde Ultralytics YOLO11 kullanmak#

Tüm detayları ele aldığımıza göre, artık her şeyi bir araya getirme zamanı. Başlamak için, araba parçası segmentasyonu için bir Ultralytics YOLO11 modelini kurma, eğitme ve doğrulama süreçlerinin tamamında sana rehberlik eden YouTube videomuza göz atabilirsin.

İşte ilgili adımlara kısa bir bakış:

• Google Colab üzerinde ortamını kur: Model eğitimine hazırlanmak için GPU desteğini etkinleştir ve Ultralytics Python paketini yükle.
• Ultralytics YOLO11 modelini yükle: Zaman kazanmak ve araba parçası segmentasyonu için mevcut özelliklerden yararlanmak üzere önceden eğitilmiş bir YOLO11 segmentasyon modeliyle 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 gelişmesini sağlamak için bölütleme kaybı ve ortalama Ortalama Kesinlik (mAP) gibi temel 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.

Araç parçası segmentasyonu için Ultralytics YOLO11 kullanmanın avantajları#

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

• Hız ve verimlilik: Ultralytics YOLO11, yüksek doğruluğu korurken görüntüleri hızla 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: Ultralytics YOLO11, büyük veri kümelerini ve karmaşık segmentasyon görevlerini işleyebilir; bu da onu endüstriyel uygulamalar için ölçeklenebilir kılar.
• Çoklu entegrasyonlar: Ultralytics; Google Colab, Ultralytics HUB ve diğer popüler araçlarla entegrasyonları destekleyerek geliştiriciler için esnekliği ve erişilebilirliği artırır.

Google Colab üzerinde Ultralytics 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.

Ultralytics YOLO11 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 repository göz atın ve topluluğumuzla etkileşime geçin. Çözüm sayfalarımızda self-driving cars ve computer vision for agriculture alanındaki yapay zeka uygulamalarını keşfedin. 🚀