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 birlikte bu süreç daha hızlı, daha akıllı ve çok daha verimli hale geliyor; insan gözlemciler üzerindeki yükü azaltırken doğruluğu da artırıyor. Özellikle computer vision, hayvanları takip etmek, tehlikeleri fark etmek ve gerçek zamanlı kararlar almak için kullanılabilir. Eskiden saatler süren görevler artık dakikalar içinde tamamlanabiliyor ve hayvan davranışlarını anlamak için yeni yolların kapısı aralanıyor.

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 konular arasında gerçek zamanlı nesne tespiti ve animal monitoring alanındaki gelişmeler yer aldı ve bu gelişmeler yapay zekanın çeşitli alanlarda güvenliği ve verimliliği nasıl artırdığını gösterdi.

Etkinliğin önemli anlarından biri, AI Master Group Kurucusu Jim Griffin'in konuşmasıydı. Griffin, köpekbalıkları kıyıya çok fazla yaklaşmadan onları tespit ederek plajları nasıl daha güvenli hale getirdiğini vision AI ile gösterdi. Dalgalı deniz, parlak güneş ışığı ve su altındaki engeller gibi zorlu koşullarda bile köpekbalıklarını gerçek zamanlı olarak doğru bir şekilde tanımlamak için son teknoloji bir bilgisayarla görü modeli olan Ultralytics YOLOv8 kullandıklarını açıkladı.

Bu makalede, SharkEye project konusunu daha yakından inceleyeceğiz ve Jim'in konuşmasından ilginç içgörüler paylaşacağız.

SharkEye'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, Kaliforniya Üniversitesi Santa Barbara'nın desteğiyle bu sorunu çözmek için oluşturuldu. Jim, yüksek çözünürlüklü AI cameras taşıyan dronların suyun yaklaşık 200 feet üzerinde uçarak okyanusu gerçek zamanlı olarak nasıl taradığını 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.

Köpekbalıklarını tespit etmek için Ultralytics YOLOv8 kullanmak#

Detaylara daha fazla inen Jim, SharkEye'ın kaputunun altında neler olduğunu ve köpek balığı tespiti çözümünün sadece basit bir object detection görevinden ibaret olmadığını ayrıntılı olarak aktardı. Köpek balıklarıyla kolayca karıştırılabilecek, yüzen deniz yosunu gibi dinamik, öngörülemeyen koşullarla başa çıkmak zorundaydı. Sabit bir nesneyi fark etmenin aksine, bir köpek balığını tanımlamak hassasiyet ve uyum yeteneği gerektirir; bu da Ultralytics YOLOv8 modelini ideal bir seçim haline getirir.

Ultralytics YOLOv8 modelinin bir diğer avantajı da bulut sunucularına güvenmeden deployed on a drone çalıştırılabilmesiydi. Jim, bu yaklaşımın SharkEye'ın anlık uyarılar göndermesini nasıl mümkün kıldığını açıkladı; bu da öngörülemeyen okyanus koşullarında zamanında müdahale sağlamanın temel bir parçasıydı.

Sadece altı satır kodla nesne tespiti#

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

Jim Griffin, canlı demosuna katılımcılara tanıdık bir örnekle - Ultralytics YOLO models için bir "hello world" kod parçacığıyla - adım adım başladı. Yalnızca altı satırlık Python koduyla, önceden eğitilmiş bir Ultralytics YOLOv8 modelinin bir görüntüdeki otobüsü zahmetsizce nasıl tespit edebileceğini gösterdi.

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

Demonstrasyonunda, dronlar gibi düşük güçlü cihazlar için hafif bir versiyon olan Ultralytics YOLOv8 Nano modeli kullanıldı. SharkEye'da gerçek zamanlı köpek balığı tespiti için de aynı model kullanıldı.

Daha fazla bağlam sağlamak amacıyla Jim, demodaki modelin yaygın olarak kullanılan COCO dataset. adlı veri setinin daha küçük bir alt kümesi olan COCO128 üzerinde eğitildiğini belirtti. COCO veri seti, 80 farklı nesne kategorisinde 20.000'den fazla görüntü içerir. COCO128 hızlı gösterimler için iyi çalışsa da Jim, SharkEye'ın gerçek dünya senaryolarının karmaşıklığıyla başa çıkabilecek uygulamaya özel bir köpekbalığı tespiti veri setine ihtiyaç duyduğunu belirtti.

SharkEye için Ultralytics YOLOv8 modelini özel olarak eğitmek#

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 seti hazır olduktan sonra, Ultralytics YOLOv8 bu veri setinde custom-trained edildi. Jim, "Asıl eğitim zor kısmı değildi - T4 GPU'lar [Grafik işlem birimleri] üzerinde yalnızca 20 saat sürdü" dedi. Ayrıca A100 GPU'lar gibi daha güçlü donanımlarla bu sürenin beş saate kadar düşürülebileceğini ekledi.

SharkEye'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 derinden inceleyen Jim, bu durumda neden hatırlamanın (recall) değil de hassasiyetin (precision) daha önemli olduğunu netleştirdi. "Çoğu zaman insanlar recall ile ilgilenir, özellikle de pozitif bir durumu kaçırmanın kritik olabileceği sağlık gibi alanlarda. Ancak bu durumda dışarıda kaç tane köpek balığı olduğunu bilmiyorduk, bu yüzden önemsediğimiz şey hassasiyetti" diye açıkladı. SharkEye, hassasiyete odaklanarak yanlış alarmların en aza indirilmesini sağladı ve cankurtaranlar ile 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.

Ultralytics YOLO11: En son YOLO#

Jim Griffin'in konuşmasından ilgi çekici bir alıntı olan "Altı satırlık kod bir gün hayatınızı kurtarabilir", yapay zekanın ne kadar gelişmiş ama bir o kadar da erişilebilir hale geldiğini mükemmel bir şekilde özetliyor. Ultralytics YOLO modelleri bu akılda tutularak oluşturulmuştur; bu da son teknoloji bilgisayarla görü teknolojisini her ölçekten geliştirici ve işletme için erişilebilir kılar. Ultralytics YOLO11, daha hızlı çıkarımlar ve daha yüksek doğrulukla bunun üzerine inşa edilir.

Ultralytics YOLO11 modelini farklı kılan özelliklere 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: Ultralytics YOLO11, nesne tespiti, örnek bölütleme, görüntü sınıflandırma, taklit etme, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) gibi computer vision tasks süreçlerini destekler.
• İyileştirilmiş doğruluk: Ultralytics YOLO11, COCO veri kümesinde YOLOv8m'e kıyasla %22 daha yüksek ortalama ortalama duyarlılık (mAP) elde ederek daha hassas tespitler sunar.

Bu özellikler, ister bir çiftlikte ister doğada olsun, dinamik ortamlarda hayvan davranışlarını takip etmek için Ultralytics YOLO11 modelini harika bir seçenek haline getiriyor.

Öne çıkanlar#

Görüntü tabanlı yapay zeka alanındaki gelişmeler, çeşitli alanlar için pratik araçlar sunarak gerçek dünya zorluklarının üstesinden gelmeyi kolaylaştırıyor. Örneğin, Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, zorlu koşullarda bile hayvanların gerçek zamanlı izlenmesi ve takibi için kullanılabilir.

Jim Griffin'in YV24 etkinliğindeki ana konuşması, Ultralytics YOLOv8 modelinin minimum kodlama ile karmaşık problemleri çözmek için nasıl kullanılabileceğini gösterdi. Droneları yapay zeka ile birleştirerek gerçek zamanlı köpekbalığı tespiti yapan SharkEye projesi, teknolojinin plaj güvenliğini nasıl artırabileceğini gözler önüne serdi.

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.

our community üyesi ol ve yapay zekayı daha derinlemesine incelemek için GitHub repository keşfet. computer vision in agriculture alanından AI in self-driving cars uygulamalarına kadar bu teknolojilerin inovasyonu nasıl tetiklediğini gör. Yapay zeka projelerine bugün başlamak için our licensing options göz at!