SharkEye, nesne tespiti için Ultralytics YOLOv8'i kullanıyor

Hayvanları doğal yaşam alanlarında izlemek, ister bir çiftlikte otlayan sığırlar ister kıyıya yakın hareket eden köpek balıkları olsun, onların güvenliği ve refahı açısından her zaman önemli olmuştur. Ancak hayvanları manuel olarak gözlemlemek kolay değildir. Gözlemcilerin davranış veya hareketlerdeki değişiklikleri dikkatle takip etmesi gerektiğinden, bu süreç çoğu zaman saatlerce sabır ve yoğun odaklanma gerektirebilir. Buna rağmen, ince ancak önemli işaretleri gözden kaçırmak kolaydır.

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

Ultralytics tarafından düzenlenen yıllık hibrit etkinlik YOLO Vision 2024'te (YV24), uzmanlar ve yenilikçiler yapay zekânın günlük zorlukların üstesinden nasıl geldiğini keşfetmek için bir araya geldi. Sergilenen konular arasında gerçek zamanlı nesne tespitindeki gelişmeler ve hayvan izleme de yer aldı; bu gelişmeler yapay zekânın çeşitli alanlarda güvenliği ve verimliliği nasıl artırdığını gösterdi.

Etkinliğin öne çıkan bölümlerinden biri, AI Master Group Kurucusu Jim Griffin'in konuşmasıydı. Griffin, görü yapay zekâsının köpek balıklarını kıyıya fazla yaklaşmadan tespit ederek plajları nasıl daha güvenli hâle getirdiğini gösterdi. Zorlu dalgalar, parlamalar ve su altındaki engeller gibi koşullarda bile köpek balıklarını gerçek zamanlı olarak doğru şekilde belirlemek için son teknoloji bir bilgisayarlı görü modeli olan Ultralytics YOLOv8 kullandıklarını açıkladı.

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

SharkEye'ı tanımak: Bir bilgisayarlı görü uygulaması#

Jim, konuşmasına Kaliforniya'da sörfçülerin ve köpek balıklarının çoğu zaman aynı suları paylaştığı, sörf için popüler Padaro Beach'i tanıtarak başladı. Köpek balığı tespitindeki gerçek zorluğu vurgulayarak şöyle dedi: “Elbette, bir köpek balığı seni ısırırsa onu tespit etmek kolaydır; bu nedenle yapmak istediğimiz şey köpek balıklarını önceden belirlemekti.”

Şekil 1. YOLO Vision 2024'te sahnede Jim.

SharkEye, bu sorunun üstesinden gelmek amacıyla University of California, Santa Barbara'nın desteğiyle oluşturuldu. Jim, yüksek çözünürlüklü AI kameralar taşıyan dronların suyun yaklaşık 200 feet üzerinde uçarak okyanusu gerçek zamanlı taramak için kullanıldığını anlattı.

Bir köpek balığı tespit edildiğinde cankurtaranlar, sörf mağazası sahipleri ve güncellemeler için kaydolan herkes dâhil yaklaşık 80 kişiye SMS uyarıları ulaşıyor. Jim, bu anlık bildirimlerin hızlı müdahaleye olanak tanıyarak kıyıya yakın bir köpek balığı olduğunda plaj kullanıcılarının daha güvende kalmasını sağladığını belirtti.

Jim ayrıca SharkEye'ın kullanıcıların köpek balığı tespit istatistiklerini görebildiği canlı bir gösterge paneline sahip olduğundan bahsetti. Örneğin sistem, 12 haftada iki büyük ve 15 küçük köpek balığı tespit etti; bu da haftada birden biraz fazla köpek balığına denk geliyor.

Ardından SharkEye'ın arkasındaki çalışmalara liderlik eden bilim insanı Neil Nathan'ı tanıttı. Nathan'ın bilgisayar bilimi yerine çevre araştırmaları alanında geçmişi olmasına rağmen projeye başarıyla öncülük ettiğini belirtti. Jim, SharkEye'da kullanılanlar gibi modern yapay zekâ araçlarının erişilebilir olacak şekilde tasarlandığını ve teknik olmayan geçmişe sahip kişilerin etkili çözümler geliştirmesine olanak tanıdığını vurguladı.

Köpek balıklarını tespit etmek için Ultralytics YOLOv8 kullanımı#

Jim, ayrıntılara girerek SharkEye'ın nasıl çalıştığını ve köpek balığı tespit çözümünün yalnızca basit bir nesne tespiti görevinden ibaret olmadığını açıkladı. Çözüm, kolayca köpek balığı sanılabilecek yüzen yosunlar gibi dinamik ve öngörülemeyen koşullarla başa çıkmak zorundaydı. Sabit bir nesneyi fark etmenin aksine, bir köpek balığını belirlemek hassasiyet ve uyarlanabilirlik gerektirir; bu da Ultralytics YOLOv8'i ideal bir seçim hâline getirir.

Ultralytics YOLOv8'in bir diğer avantajı, bulut sunucularına ihtiyaç duymadan bir drone üzerinde çalıştırılabilmesiydi. Jim, bu yaklaşımın SharkEye'ın anında uyarılar göndermesini mümkün kıldığını ve bunun öngörülemeyen okyanus koşullarında zamanında müdahalelerin sağlanması açısından temel bir unsur olduğunu açıkladı.

Yalnızca altı satır kodla nesne tespiti#

Jim, SharkEye'ın nasıl çalıştığını ve arkasındaki ortak çalışmayı anlattıktan sonra canlı bir demo sundu.

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

Şekil 2. YOLO Vision 2024'te Jim tarafından gerçekleştirilen bir demo.

Demosunda, dronlar gibi düşük güç tüketimli cihazlar için geliştirilmiş hafif bir sürüm olan Ultralytics YOLOv8 Nano modelini kullandı. SharkEye'da gerçek zamanlı köpek balığı tespiti için de aynı model 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 kategorisine ait 20.000'den fazla görüntü içerir. COCO128 hızlı demolar için iyi çalışsa da Jim, SharkEye'ın gerçek dünya senaryolarının karmaşıklıklarıyla başa çıkabilecek daha sağlam bir şeye, uygulamaya özel bir köpek balığı tespit veri kümesine ihtiyaç duyduğunu belirtti.

SharkEye için Ultralytics YOLOv8'i özel olarak eğitme#

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

Ekibin Padaro Beach'te 15.000 görüntü topladığını anlattı. Köpek balıkları, yosunlar ve sudaki diğer nesneler arasındaki farkı belirlemek için her görüntünün manuel olarak etiketlenmesi gerekiyordu. Süreç yavaş ve zahmetli olsa da sonrasında yapılan her şeyin temelini oluşturdu.

Şekil 3. Gerçek zamanlı nesne tespiti için köpek balığı görüntüleri yakalamada dronların kullanılması.

Veri kümesi hazır olduğunda Ultralytics YOLOv8 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 sürenin beş saate kadar indirilebileceğini ekledi.

SharkEye'ı değerlendirme: Geri çağırmadan önce kesinlik#

Ardından Jim, SharkEye'ın performansının nasıl değerlendirildiğini açıkladı. Temel metriğin, sistemin gerçek köpek balıklarını ne kadar doğru belirlediğini gösteren kesinlik olduğunu belirtti. SharkEye'ın %92 gibi etkileyici bir kesinliğe ulaşması, modelin karmaşık okyanus ortamında köpek balıklarını doğru şekilde belirlemede son derece etkili olduğunu kanıtladı.

Kesinliğin önemine daha derinlemesine değinen Jim, bu durumda kesinliğin neden geri çağırmadan daha önemli olduğunu açıkladı. “Çoğu zaman insanlar, özellikle pozitif bir vakayı kaçırmanın kritik olabileceği sağlık hizmetleri gibi alanlarda geri çağırma ile ilgilenir. Ancak bu durumda orada kaç köpek balığı olduğunu bilmiyorduk; bu nedenle önem verdiğimiz şey kesinlikti,” diye açıkladı. SharkEye, kesinliğe odaklanarak yanlış alarmları en aza indirdi ve cankurtaranların ve diğer müdahale ekiplerinin hızlıca harekete geçmesini kolaylaştırdı.

Şekil 4. YOLO Vision 2024'te SharkEye'ı tanıtan Jim.

Konuşmasını yapay zekâyı insan performansıyla karşılaştırarak tamamladı ve SharkEye'ın %92'lik kesinliğinin insan uzmanların %60'lık doğruluğunu açık ara geçtiğini belirtti. Bu farkı vurgulayarak şöyle dedi: “Çünkü biz insanız. Sen veya ben ne kadar uzman olursak olalım, bütün gün bir ekranın karşısında oturup köpek balıkları aramak zorunda kalırsak sonunda zihnimizin başka yerlere kaymasına izin veririz.” İnsanların aksine yapay zekâ modelleri yorulmaz veya dikkatleri dağılmaz; bu da onları sürekli izleme gerektiren görevler için güvenilir bir çözüm hâline getirir.

Ultralytics YOLO11: En yeni YOLO#

Jim Griffin'in konuşmasındaki “Bir gün altı satır kod hayatınızı kurtarabilir” sözü, yapay zekânın ne kadar gelişmiş ancak erişilebilir hâle geldiğini mükemmel şekilde özetliyor. Ultralytics YOLO modelleri bu anlayışla geliştirildi ve son teknoloji bilgisayarlı görü teknolojisini her ölçekteki geliştirici ve işletme için erişilebilir hâle getirdi. Ultralytics YOLO11, daha hızlı çıkarımlar ve daha yüksek doğrulukla bu yaklaşımı ileri taşıyor.

Ultralytics YOLO11'i farklı kılan özelliklere hızlıca göz atalım:

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

Bu özellikler, Ultralytics YOLO11'i ister bir çiftlikte ister doğada olsun, dinamik ortamlarda hayvan davranışlarını izlemek için mükemmel bir seçenek hâline getirir.

Önemli çıkarımlar#

Görü yapay zekâsındaki gelişmeler, çeşitli alanlar için pratik araçlar sunarak gerçek dünya zorluklarının üstesinden gelmeyi kolaylaştırıyor. Örneğin Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, zorlu koşullarda bile hayvanları gerçek zamanlı olarak izlemek ve takip etmek için kullanılabilir.

Jim Griffin'in YV24'teki açılış konuşması, Ultralytics YOLOv8'in minimum düzeyde kodlamayla karmaşık sorunları çözmek için nasıl kullanılabileceğini gösterdi. Dronları gerçek zamanlı köpek balığı tespiti için yapay zekâyla birleştiren SharkEye projesi, teknolojinin plaj güvenliğini nasıl artırabileceğini ortaya koydu.

Bu, erişilebilir yapay zekânın farklı geçmişlere sahip insanları etkili çözümler oluşturmaları için nasıl güçlendirdiğini gösteren büyüleyici bir örnek olaydı. Yapay zekâ gelişmeye devam ederken sektörleri dönüştürüyor ve bireylerin potansiyelinden yararlanarak dünyayı daha güvenli, akıllı ve verimli bir yer hâline getirmesini mümkün kılıyor.

Topluluğumuzun bir parçası ol ve yapay zekâyı daha derinlemesine keşfetmek için GitHub depomuzu incele. Tarımda bilgisayarlı görüden otonom araçlarda yapay zekâya kadar bu teknolojilerin yeniliği nasıl yönlendirdiğini gör. Yapay zekâ projelerine bugün başlamak için lisanslama seçeneklerimize göz at!