SharkEye, nesne tespiti için Ultralytics YOLOv8 kullanıyor

Hayvanları doğal ortamlarında izlemek, ister bir çiftlikte otlayan sığırlar olsun ister kıyıya yakın yüzen köpekbalıkları, güvenlikleri ve refahları için her zaman önemli olmuştur. Ancak, onları manuel olarak gözlemlemek kolay değildir. Gözlemcilerin davranış veya hareketlerdeki herhangi bir değişikliği yakından izlemesi gerektiğinden, bu süreç genellikle saatlerce süren sabır ve dikkatli bir odaklanma gerektirebilir. Buna rağmen, ince ama önemli işaretleri gözden kaçırmak kolaydır.

Yapay zekanın (AI) devreye girmesiyle, bu süreç daha hızlı, daha akıllı ve çok daha verimli hale geliyor; insan gözlemciler üzerindeki yükü azaltırken doğruluğu artırıyor. Özellikle bilgisayarlı görü, hayvanları takip etmek, tehlikeleri tespit etmek ve gerçek zamanlı kararlar almak için kullanılabilir. Bir zamanlar saatler süren görevler artık dakikalar içinde yapılabiliyor ve bu da hayvan davranışlarını anlamak için yeni yollar açıyor.

Ultralytics tarafından düzenlenen yıllık hibrit etkinlik YOLO Vision 2024'te (YV24), uzmanlar ve yenilikçiler, yapay zekanın günlük zorluklarla nasıl başa çıktığını keşfetmek için bir araya geldi. Sergilenen konulardan bazıları, gerçek zamanlı nesne tespiti ve hayvan izleme alanındaki gelişmeleri içeriyordu ve yapay zekanın çeşitli alanlarda güvenliği ve verimliliği nasıl artırdığını gösteriyordu.

Etkinliğin öne çıkanlarından biri, AI Master Group Kurucusu Jim Griffin'in, vision AI'in köpekbalıklarını kıyıya çok yaklaşmadan tespit ederek plajları nasıl daha güvenli hale getirdiğini gösterdiği konuşmaydı. Zorlu dalgalar, parıltı ve su altı engelleri gibi zorlu koşullarda bile köpekbalıklarını gerçek zamanlı olarak doğru bir şekilde tanımlamak için en son teknoloji bir bilgisayarlı görü modeli olan Ultralytics YOLOv8'i nasıl kullandıklarını açıkladı.

Bu makalede, SharkEye projesine daha yakından bakacak ve Jim'in konuşmasından ilginç bilgiler paylaşacağız.

Link to this sectionSharkEye'ı tanımak: Bir bilgisayarlı görü uygulaması#

Jim konuşmasına, sörfçülerin ve köpekbalıklarının sıklıkla aynı suları paylaştığı, California'da iyi bilinen bir sörf destinasyonu olan Padaro Plajı'nı tanıtarak başladı. Köpekbalığı tespitinin gerçek zorluğunu vurgulayarak şunları paylaştı: “Elbette, bir köpekbalığı sizi ısırırsa onu tespit etmek kolaydır, bu yüzden yapmak istediğimiz şey köpekbalıklarını önceden tanımlamaktı.”

Şekil 1. Jim, YOLO Vision 2024 sahnesinde.

SharkEye, California Üniversitesi, Santa Barbara'nın desteğiyle bu sorunu çözmek için oluşturuldu. Jim, yüksek çözünürlüklü AI kameralara sahip dronların suyun yaklaşık 200 fit üzerinde uçarak okyanusu gerçek zamanlı olarak taramak için nasıl kullanıldığını anlattı.

Bir köpekbalığı tespit edilirse, cankurtaranlar, sörf dükkanı sahipleri ve güncellemeler için kaydolan herkes dahil olmak üzere yaklaşık 80 kişiye SMS uyarıları gidiyor. Jim, bu anlık bildirimlerin hızlı tepkilere nasıl izin verdiğini ve bir köpekbalığı kıyıya yakın olduğunda plaj kullanıcılarını nasıl daha güvende tuttuğunu belirtti.

Jim ayrıca SharkEye'ın kullanıcıların köpekbalığı tespit istatistiklerini görebileceği canlı bir kontrol paneline sahip olduğundan bahsetti. Örneğin, 12 hafta boyunca sistem iki büyük köpekbalığı ve 15 küçük köpekbalığı tanımladı ve haftada ortalama bir köpekbalığının biraz üzerinde bir sayı elde etti.

Ardından, SharkEye'ın arkasındaki çalışmalara öncülük eden bilim insanı Neil Nathan'ı tanıttı. Bilgisayar biliminden ziyade çevre çalışmaları geçmişine sahip olmasına rağmen, Nathan projeye başarıyla liderlik etti. Jim, SharkEye'da kullanılanlar gibi modern AI araçlarının, teknik geçmişi olmayan bireylerin etkili çözümler geliştirmesini sağlayacak şekilde tasarlandığını vurguladı.

Link to this sectionKöpekbalıklarını tespit etmek için Ultralytics YOLOv8 kullanmak#

Detaylara daha fazla inen Jim, SharkEye'ın arka planında neler olduğunu ve köpekbalığı tespiti çözümünün sadece basit bir nesne tespiti görevinden ibaret olmadığını açıkladı. Köpekbalığı sanılabilecek yüzen deniz yosunu gibi dinamik ve öngörülemez koşullarla başa çıkması gerekiyordu. Sabit bir nesneyi tespit etmekten farklı olarak, bir köpekbalığını tanımlamak hassasiyet ve uyum yeteneği gerektirir, bu da YOLOv8'i ideal bir seçim haline getirir.

YOLOv8'in bir diğer avantajı da bulut sunucularına güvenmeden bir drona konuşlandırılabilmesiydi. Jim, bu yaklaşımın SharkEye'ın anlık uyarılar göndermesini nasıl mümkün kıldığını anlattı - ki bu, öngörülemeyen okyanus koşullarında zamanında yanıt verilmesini sağlamanın önemli bir parçasıdır.

Link to this sectionSadece altı satır kodla nesne tespiti#

SharkEye'ın nasıl çalıştığını ve arkasındaki işbirlikçi çabayı vurguladıktan sonra, Jim canlı bir demo sergiledi.

Jim Griffin canlı demosuna, izleyicilere Ultralytics YOLO modelleri için bilindik bir örnek olan "hello world" kod parçacığını göstererek başladı. Sadece altı satır Python koduyla, önceden eğitilmiş bir Ultralytics YOLOv8 modelinin bir görüntüdeki otobüsü nasıl zahmetsizce tespit edebileceğini sergiledi.

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

Demosunda, dronlar gibi düşük güç tüketen cihazlar için hafif bir sürüm olan YOLOv8 Nano modelini kullandı. Aynı model, SharkEye'da gerçek zamanlı köpekbalığı tespiti için de kullanıldı.

Daha fazla bağlam sağlamak için Jim, demodaki modelin, yaygın olarak kullanılan COCO veri kümesinin daha küçük bir alt kümesi olan COCO128 üzerinde eğitildiğinden bahsetti. COCO veri kümesi, 80 farklı nesne kategorisinde 20.000'den fazla görüntü içerir. COCO128 hızlı gösterimler için iyi çalışsa da, SharkEye'ın daha sağlam bir şeye, yani gerçek dünya senaryolarının karmaşıklıklarıyla başa çıkabilecek uygulamaya özel bir köpekbalığı tespit veri kümesine ihtiyacı olduğunu belirtti.

Link to this sectionSharkEye için özel YOLOv8 eğitimi#

Jim'e göre, SharkEye projesinin en zor kısmı AI modelini eğitmek değil, doğru verileri toplamaktı. Şöyle yorumladı: “Bu projenin ana işi AI değildi. Bu projenin ana işi, beş yıl boyunca o dronları uçurmak, o videolardan görüntüleri ayıklamak ve bunları uygun şekilde etiketlemekti.”

Ekibin Padaro Plajı'nda 15.000 görüntü topladığını anlattı. Her görüntünün köpekbalıkları, deniz yosunu ve sudaki diğer nesneler arasında ayrım yapabilmek için manuel olarak etiketlenmesi gerekiyordu. Süreç yavaş ve zahmetli olsa da, takip eden her şeyin temelini oluşturdu.

Şekil 3. Gerçek zamanlı nesne tespiti için köpekbalıklarının görüntülerini yakalamak amacıyla dronların kullanılması.

Veri kümesi hazır olduğunda, Ultralytics YOLOv8 üzerinde özel olarak eğitildi. Jim, "Gerçek eğitim zor kısım değildi - T4 GPU'larda (Grafik işleme birimleri) sadece 20 saat sürdü," dedi. Ayrıca, A100 GPU'lar gibi daha güçlü donanımlarla sürenin beş saate kadar düşürülebileceğini de ekledi.

Link to this sectionSharkEye'ı değerlendirme: Geri çağırma yerine hassasiyet#

Ardından, Jim SharkEye'ın performansının nasıl değerlendirildiğini tartıştı. Ana metriğin hassasiyet olduğunu, yani sistemin gerçek köpekbalıklarını ne kadar doğru bir şekilde tanımladığını gösterdi. SharkEye %92'lik etkileyici bir hassasiyete ulaşarak, modelin karmaşık okyanus ortamında köpekbalıklarını doğru bir şekilde tanımlamada oldukça etkili olduğunu kanıtladı.

Hassasiyetin önemini daha derinlemesine inceleyen Jim, bu durumda neden hassasiyetin geri çağırmadan daha önemli olduğunu açıkladı. "Çoğu zaman insanlar, özellikle sağlık gibi pozitif bir durumu kaçırmanın kritik olabileceği alanlarda, geri çağırma ile ilgilenirler. Ancak bu durumda, orada kaç köpekbalığı olduğunu bilmiyorduk, bu yüzden önemsediğimiz şey hassasiyetti," diye açıkladı. SharkEye, hassasiyete odaklanarak yanlış alarmların en aza indirilmesini sağladı ve bu da cankurtaranların ve diğer müdahale ekiplerinin hızlı bir şekilde harekete geçmesini kolaylaştırdı.

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

Konuşmasını, AI ile insan performansını karşılaştırarak, SharkEye'ın %92'lik hassasiyetinin insan uzmanların %60'lık doğruluğunu çok geride bıraktığını belirterek sonlandırdı. Bu farkı vurgulayarak şöyle dedi: "Çünkü biz insanız. Siz veya ben ne kadar uzman olursak olalım, tüm gün bir ekranın karşısında oturup köpekbalığı aramak zorunda kalırsak, sonunda zihnimizin dağılmasına izin vereceğiz." İnsanların aksine, AI modelleri yorulmaz veya dikkati dağılmaz, bu da onu sürekli izleme gerektiren görevler için güvenilir bir çözüm haline getirir.

Link to this sectionUltralytics YOLO11: En son YOLO#

Jim Griffin'in konuşmasından "Altı satır kod bir gün hayatınızı kurtarabilir" şeklindeki ilgi çekici alıntı, yapay zekanın ne kadar gelişmiş ama aynı zamanda erişilebilir hale geldiğini mükemmel bir şekilde özetliyor. Ultralytics YOLO modelleri bu düşünceyle yaratıldı ve en son bilgisayarlı görü teknolojisini her büyüklükteki geliştirici ve işletme için erişilebilir kıldı. Ultralytics YOLO11, daha hızlı çıkarımlar ve daha yüksek doğrulukla bunun üzerine inşa edilmiştir.

İşte YOLO11'i farklı kılan şeylere hızlı bir bakış:

• Yeniden tasarlanmış mimari: Geliştirilmiş omurga ve boyun mimarisi, daha iyi özellik çıkarımı ve geliştirilmiş hassasiyet sağlar.
• Kullanım kolaylığı: Python kodlaması veya Ultralytics HUB gibi kodsuz araçlar aracılığıyla erişilebilir.
• Görevler arası esneklik: YOLO11, nesne tespiti, örnek segmentasyonu, görüntü sınıflandırma, izleme, poz tahmini ve yönelimli sınırlayıcı kutular (OBB) gibi bilgisayarlı görü görevlerini destekler.
• Geliştirilmiş doğruluk: YOLO11, COCO veri kümesinde YOLOv8m'e kıyasla %22 daha yüksek ortalama hassasiyet (mAP) elde ederek daha kesin tespitler sunar.

Bu özellikler, YOLO11'i ister çiftlikte ister vahşi doğada olsun, dinamik ortamlarda hayvan davranışı takibi için harika bir uyum haline getirir.

Link to this sectionÖne çıkanlar#

Görüntüleme AI'sındaki gelişmeler, çeşitli alanlar için pratik araçlar sağlayarak gerçek dünya zorluklarının üstesinden gelmeyi kolaylaştırıyor. Örneğin, YOLO11 gibi bilgisayarlı görü modelleri, zorlu koşullarda bile hayvanların gerçek zamanlı izlenmesi ve takibi için kullanılabilir.

Jim Griffin'in YV24'teki ana konuşması, YOLOv8'in minimum kodlama ile karmaşık sorunları çözmek için nasıl kullanılabileceğini gösterdi. Dronları gerçek zamanlı köpekbalığı tespiti için AI ile birleştiren SharkEye projesi, teknolojinin plaj güvenliğini nasıl artırabileceğini sergiledi.

Bu, erişilebilir AI'nın farklı geçmişlere sahip insanları etkili çözümler yaratmaları için nasıl güçlendirdiğine dair büyüleyici bir vaka çalışmasıydı. AI gelişmeye devam ettikçe, endüstrileri dönüştürüyor ve bireylerin dünyayı daha güvenli, daha akıllı ve daha verimli bir yer haline getirmek için potansiyelinden yararlanmalarını mümkün kılıyor.

Topluluğumuzun bir parçası olun ve AI hakkında daha derinlemesine bilgi edinmek için GitHub depomuzu keşfedin. Tarımda bilgisayarlı görüden kendi kendine giden araçlarda AI'ya kadar, bu teknolojilerin inovasyonu nasıl yönlendirdiğini görün. AI projelerinize bugün başlamak için lisanslama seçeneklerimize göz atın!