SharkEye nesne tespiti için Ultralytics YOLOv8 kullanıyor

İster çiftlikte otlayan sığırlar ister kıyıya yakın hareket eden köpek balıkları olsun, hayvanları doğal yaşam alanlarında izlemek onların güvenliği ve sağlığı açısından her zaman önemli olmuştur. Ancak onları elle gözlemlemek kolay değildir. Gözlemcilerin davranış veya hareket değişikliklerini dikkatle izlemek için saatlerce sabırla beklemesi gerekebilir. Buna rağmen küçük ama önemli işaretleri gözden kaçırmak kolaydır.

Yapay zekânın (AI) devreye girmesiyle bu süreç hızlanıyor, akıllanıyor ve çok daha verimli hâle geliyor; böylece insan gözlemcilerin üzerindeki yük azalırken doğruluk artıyor. Özellikle bilgisayarlı görü, hayvanları izlemek, tehlikeleri fark etmek ve gerçek zamanlı kararlar almak için kullanılabilir. Eskiden saatler süren görevler artık dakikalar içinde tamamlanabiliyor ve hayvan davranışlarını anlamak için yeni yollar açıyor.

Ultralytics'in düzenlediği yıllık hibrit etkinlik YOLO Vision 2024'te (YV24), uzmanlar ve yenilikçiler yapay zekânın gündelik zorlukların üstesinden nasıl geldiğini incelemek üzere bir araya geldi. Sunulan konular arasında gerçek zamanlı nesne tespitindeki ve hayvan takibindeki gelişmeler de vardı; bu gelişmeler yapay zekânın çeşitli alanlarda güvenliği ve verimliliği nasıl artırdığını gösterdi.

Etkinliğin öne çıkan bölümlerinden biri, AI Master Group'un Kurucusu Jim Griffin'in yaptığı konuşmaydı. Griffin, kıyıya fazla yaklaşmadan önce köpekbalıklarını tespit ederek Vision AI'ın plajları nasıl daha güvenli hâle getirdiğini gösterdi. Dalgalı deniz, yansıma ve su altındaki engeller gibi zorlu koşullarda bile köpekbalıklarını gerçek zamanlı olarak doğru biçimde tanımlamak için bir bilgisayarlı görü modeli olan Ultralytics YOLOv8 modelini nasıl kullandıklarını anlattı.

Bu yazıda SharkEye projesini daha yakından inceleyecek ve Jim'in konuşmasından ilginç bilgiler paylaşacağız.

SharkEye'ı tanıyalım: Bilgisayarlı görü uygulaması#

Jim konuşmasına, sörfçülerle köpek balıklarının sık sık aynı sularda bulunduğu, Kaliforniya'nın tanınmış sörf noktalarından Padaro Plajı'nı tanıtarak başladı. Köpek balığı tespitindeki gerçek zorluğu vurgulayarak şöyle dedi: “Elbette bir köpek balığı seni ısırırsa onu tespit etmek kolay. Bizim yapmak istediğimiz, köpek balıklarını önceden belirlemekti.”

Şekil 1. Jim, YOLO Vision 2024 sahnesinde.

SharkEye, Kaliforniya Üniversitesi, Santa Barbara'nın desteğiyle bu sorunu çözmek için oluşturuldu. Jim, yüksek çözünürlüklü yapay zekâ kameraları taşıyan dronların suyun yaklaşık 200 fit üzerinde uçarak okyanusu gerçek zamanlı taramak için kullanıldığını anlattı.

Bir köpek balığı tespit edildiğinde cankurtaranlar, sörf mağazası sahipleri ve güncellemelere kaydolan herkes dâhil yaklaşık 80 kişiye SMS uyarısı gönderiliyor. Jim, bu anlık bildirimlerin hızlı yanıt verilmesini sağlayarak köpek balıkları kıyıya yaklaştığında plaj ziyaretçilerinin güvenliğini artırdığını belirtti.

Jim ayrıca SharkEye'ın kullanıcıların köpek balığı tespit istatistiklerini görebileceği canlı bir kontrol paneli sunduğunu söyledi. Örneğin sistem 12 hafta içinde iki büyük ve 15 küçük köpek balığı belirledi; haftalık ortalama bir köpek balığından biraz fazlaydı.

Ardından SharkEye'ın arkasındaki çalışmalara öncülük eden bilim insanı Neil Nathan'ı tanıttı. Nathan, bilgisayar bilimi yerine çevre çalışmaları alanında eğitim almış olmasına rağmen projeye başarıyla öncülük etti. Jim, SharkEye'da kullanılanlar gibi modern yapay zekâ araçlarının teknik geçmişi olmayan kişilerin de etkili çözümler geliştirebilmesini sağlayacak şekilde erişilebilir tasarlandığını vurguladı.

Köpek balıklarını tespit etmek için Ultralytics YOLOv8 kullanımı#

Ayrıntılara giren Jim, SharkEye'ın arka planında neler olduğunu ve köpekbalığı tespit çözümünün neden basit bir nesne algılama görevinden ibaret olmadığını açıkladı. Çözümün, köpekbalıklarıyla kolayca karıştırılabilecek yüzen yosunlar gibi değişken ve öngörülemeyen koşullarla başa çıkması gerekiyordu. Sabit bir nesneyi tespit etmekten farklı olarak köpekbalığını tanımak hassasiyet ve uyum yeteneği gerektiriyor; bu da Ultralytics YOLOv8'i güçlü bir seçenek hâline getiriyor.

Ultralytics YOLOv8'in bir diğer avantajı, bulut sunucularına bağlı kalmadan bir drona dağıtılabilmesiydi. Jim, bu yaklaşımın SharkEye'ın anında uyarılar göndermesini nasıl mümkün kıldığını açıkladı; bu, öngörülemeyen okyanus koşullarında zamanında yanıt verilmesini sağlamak için temel bir unsurdu.

Yalnızca altı satır kodla nesne tespiti#

SharkEye'ın nasıl çalıştığını ve arkasındaki iş birliğini anlattıktan sonra Jim canlı bir demo sundu.

Jim Griffin, canlı demosuna izleyicilere tanıdık bir örnek göstererek başladı: Ultralytics YOLO modelleri için bir "hello world" kod parçacığı. Yalnızca altı satır Python koduyla, önceden eğitilmiş bir Ultralytics YOLOv8 modelinin görüntüdeki otobüsü nasıl tespit edebildiğini gösterdi.

Şekil 2. Jim'in YOLO Vision 2024'teki demosu.

Demosunda, dronlar gibi düşük güç tüketen cihazlar için hafif bir sürüm olan Ultralytics YOLOv8 Nano modelini kullandı. SharkEye'da da aynı model gerçek zamanlı köpek balığı tespiti için kullanıldı.

Jim, konuya biraz daha açıklık getirmek için demodaki modelin yaygın olarak kullanılan COCO veri kümesinin daha küçük bir alt kümesi olan COCO128 üzerinde eğitildiğini belirtti. COCO veri kümesi, 80 nesne kategorisinde yaklaşık 330.000 görüntü içeriyor ve bunların 200.000'den fazlası etiketlenmiş durumda. COCO128 hızlı demolar için işe yarasa da SharkEye'ın gerçek dünya senaryolarının karmaşıklığıyla başa çıkabilecek, uygulamaya özel ve daha sağlam bir köpekbalığı tespit veri kümesine ihtiyaç duyduğunu vurguladı.

SharkEye için Ultralytics YOLOv8'in özel olarak eğitilmesi#

Jim'e göre SharkEye projesinin en zor kısmı yapay zekâ modelini eğitmek değil, doğru verileri toplamaktı. Şöyle dedi: “Bu projenin asıl işi yapay zekâ değildi. Projenin asıl işi, o dronları beş yıl boyunca uçurmak, videolardan görüntüleri ayıklamak ve onları uygun şekilde etiketlemekti.”

Ekibin Padaro Plajı'nda 15.000 görüntü topladığını anlattı. Her görüntünün; köpek balıklarını, yosunları ve sudaki diğer nesneleri birbirinden ayırmak için manuel olarak etiketlenmesi gerekiyordu. Süreç yavaş ve zahmetli olsa da sonraki her şeyin temelini oluşturdu.

Şekil 3. Gerçek zamanlı nesne tespiti için köpek balığı görüntülerinin dronlarla yakalanması.

Veri kümesi hazır olunca Ultralytics YOLOv8 bu veri kümesi üzerinde özel olarak eğitildi. Jim şöyle dedi: "Asıl eğitim zor kısım değildi; T4 GPU'larda [Grafik işlem birimleri] yalnızca 20 saat sürdü.” Ayrıca A100 GPU'lar gibi daha güçlü donanımlarla bu sürenin beş saate kadar indirilebileceğini de ekledi.

SharkEye'ın değerlendirilmesi: Geri çağırımdan çok hassasiyet#

Ardından Jim, SharkEye'ın performansının nasıl değerlendirildiğini anlattı. Temel metriğin kesinlik, yani sistemin gerçek köpekbalıklarını ne kadar doğru tanıdığı olduğunu gösterdi. SharkEye'ın %92 kesinlik elde etmesi, karmaşık okyanus ortamında köpekbalıklarını doğru biçimde tanımlamada modelin son derece etkili olduğunu kanıtladı.

Hassasiyetin önemini daha ayrıntılı ele alan Jim, bu durumda hassasiyetin neden geri çağırımdan daha önemli olduğunu açıkladı. “Çoğu zaman insanlar özellikle olumlu bir vakayı kaçırmanın kritik olabileceği sağlık gibi alanlarda geri çağırımla ilgilenir. Ancak bu durumda dışarıda kaç köpek balığı olduğunu bilmiyorduk, bu yüzden önemsediğimiz ölçüt hassasiyetti,” dedi. SharkEye, hassasiyete odaklanarak yanlış alarmları en aza indirdi; böylece cankurtaranların ve diğer müdahale ekiplerinin hızla harekete geçmesi kolaylaştı.

Şekil 4. Jim, YOLO Vision 2024'te SharkEye'ı tanıtıyor.

Konuşmasını, yapay zekânın performansını insan performansıyla karşılaştırarak tamamladı ve SharkEye’ın %92’lik kesinliğinin insan uzmanların %60’lık doğruluğunu çok geride bıraktığını belirtti. Bu farkı vurgulayarak şöyle dedi: “Bunun nedeni insan olmamız. Sen ya da ben ne kadar uzman olursak olalım, bütün gün ekranın karşısında oturup köpek balığı aramamız gerekirse, sonunda aklımız başka yerlere kayar.” İnsanların aksine yapay zekâ modelleri yorulmaz veya dikkatleri dağılmaz; bu da onları kesintisiz izleme gerektiren görevler için güvenilir bir çözüm hâline getirir.

Ultralytics YOLO11#

Jim Griffin'in konuşmasından akılda kalan “Altı satır kod bir gün hayatını kurtarabilir” sözü, yapay zekânın ne kadar gelişmiş ama erişilebilir hâle geldiğini özetliyor. Ultralytics YOLO modelleri de bu düşünceyle geliştirilerek her ölçekteki geliştirici ve işletmenin gelişmiş bilgisayarlı görü teknolojisine erişmesi sağlandı. Ultralytics YOLO11, daha hızlı çıkarım ve daha yüksek doğrulukla bu yaklaşımı ileri taşıdı; daha sonra yerini Ultralytics YOLO26 aldı.

Ultralytics YOLO11’i öne çıkaran özelliklere kısaca göz atalım:

• Yeniden tasarlanan mimari: Geliştirilmiş omurga ve boyun mimarisi, daha iyi özellik çıkarımı ve daha yüksek kesinlik sağlar.
• Kullanım kolaylığı: Python koduyla veya Ultralytics Platform gibi kodsuz araçlarla erişilebilir.
• Görevler arasında esneklik: Ultralytics YOLO11; nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini, yönelimli sınırlayıcı kutular (OBB) ve izleme gibi bilgisayarlı görü görevlerini destekler.
• Daha yüksek doğruluk: Ultralytics YOLO11m, %22 daha az parametre kullanırken COCO veri kümesinde YOLOv8m'den daha yüksek ortalama kesinlik (mAP) elde eder.

Bu özellikler, Ultralytics YOLO11’i ister çiftlikte ister doğada olsun, dinamik ortamlarda hayvan davranışlarını izlemek için çok uygun hâle getirir.

Önemli çıkarımlar#

Görüntü yapay zekâsındaki gelişmeler, çeşitli alanlara yönelik pratik araçlar sunarak gerçek dünyadaki sorunların çözümünü kolaylaştırıyor. Örneğin, Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, zorlu koşullarda bile hayvanları gerçek zamanlı izlemek ve takip etmek için kullanılabilir.

Jim Griffin’in YV24’teki açılış konuşması, Ultralytics YOLOv8’in karmaşık sorunları çok az kod yazarak çözmek için nasıl kullanılabileceğini gösterdi. Gerçek zamanlı köpek balığı algılama için dronları yapay zekâyla birleştiren SharkEye projesi, teknolojinin plaj güvenliğini nasıl artırabileceğini ortaya koydu.

Farklı geçmişlere sahip insanların erişilebilir yapay zekâ yardımıyla etkili çözümler geliştirebildiğini gösteren çarpıcı bir vaka incelemesiydi.

Topluluğumuzun bir parçası ol ve yapay zekâyı daha yakından tanımak için GitHub depomuzu incele. Tarımda bilgisayarlı görü uygulamalarından kendi kendine giden araçlarda yapay zekâya kadar bu teknolojilerin yeniliği nasıl ileri taşıdığını gör. Yapay zekâ projelerine bugün başlamak için lisans seçeneklerimize göz at!