SharkEye nesne algılama için Ultralytics YOLOv8 kullanıyor

İster bir çiftlikte otlayan sığırlar, ister kıyıya yakın hareket eden köpekbalıkları olsun, hayvanları doğal yaşam alanlarında izlemek, güvenlikleri ve refahları için her zaman önemli olmuştur. Ancak, onları manuel olarak gözlemlemek kolay değildir. Gözlemcilerin davranış veya hareketteki herhangi bir değişikliği yakından izlemesi gerektiğinden, genellikle saatlerce sabır ve dikkatli odaklanma gerektirebilir. O zaman bile, ince ama önemli işaretleri kaçırmak kolaydır.

Yapay zekanın (AI) devreye girmesi sayesinde, bu süreç daha hızlı, daha akıllı ve çok daha verimli hale geliyor ve doğruluğu artırırken insan gözlemcilerin üzerindeki yükü azaltıyor. Özellikle bilgisayar görüşü hayvanları track , tehlikeleri tespit etmek ve gerçek zamanlı kararlar almak için kullanılabiliyor. Bir zamanlar saatler süren görevler artık dakikalar içinde yapılabiliyor ve hayvan davranışlarını anlamanın yeni yollarını açıyor.

Ultralytics tarafından her yıl düzenlenen hibrit bir etkinlik olan YOLO Vision 2024'te (YV24), uzmanlar ve yenilikçiler yapay zekanın günlük zorlukların üstesinden nasıl geldiğini keşfetmek için bir araya geldi. Sergilenen konulardan bazıları, gerçek zamanlı nesne algılama ve hayvan izlemedeki ilerlemeleri içeriyordu ve yapay zekanın çeşitli alanlarda güvenliği ve verimliliği nasıl artırdığını gösteriyordu.

Etkinliğin en önemli noktalarından biri, AI Master Group'un Kurucusu Jim Griffin'in Vision AI' nın köpekbalıklarını kıyıya çok yaklaşmadan tespit ederek plajları nasıl daha güvenli hale getirdiğini gösterdiği konuşmasıydı. Nasıl kullandıklarını açıkladı Ultralytics YOLOv8köpekbalıklarını dalgalı dalgalar, parlama ve su altı engelleri gibi zorlu koşullarda bile gerçek zamanlı olarak doğru bir şekilde tanımlamak için son teknoloji bir bilgisayarla görme modeli.

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

SharkEye'ı tanımak: Bir bilgisayarlı görü uygulaması

Jim konuşmasına Kaliforniya'da sörfçülerin ve köpekbalıklarının sıklıkla aynı suları paylaştığı ünlü bir sörf noktası olan Padaro Plajı'nı tanıtarak başladı. Köpekbalığı tespitinin gerçek zorluğunun altını çizerek şunları paylaştı: "Elbette bir köpekbalığı sizi ısırırsa detect etmek kolaydır, bu yüzden yapmak istediğimiz şey köpekbalıklarını önceden tespit etmekti."

‍

SharkEye, Kaliforniya Üniversitesi, Santa Barbara'nın desteğiyle bu sorunu çözmek için oluşturuldu. Jim, yüksek çözünürlüklü AI kameralarına sahip dronların suyun yaklaşık 200 feet 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 gönderilir. Jim, bu anlık bildirimlerin hızlı yanıt verilmesini nasıl sağladığını ve bir köpekbalığı kıyıya yakın olduğunda plajdaki kişilerin nasıl daha güvende tutulduğunu belirtti.

Jim ayrıca SharkEye'ın, kullanıcıların köpekbalığı tespit istatistiklerini görebileceği canlı bir gösterge paneline sahip olduğunu da belirtti. Örneğin, 12 hafta boyunca sistem iki büyük köpekbalığı ve 15 küçük köpekbalığı tespit etti ve bu da haftada ortalama bir köpekbalığından biraz fazla anlamına geliyor.

Daha sonra, SharkEye'ın arkasındaki çalışmalara liderlik eden bilim insanı Neil Nathan'ı tanıttı. Bilgisayar bilimi yerine çevre çalışmaları alanında bir geçmişe sahip olmasına rağmen, Nathan projeye başarıyla öncülük etti. Jim, SharkEye'da kullanılanlar gibi modern AI araçlarının, teknik olmayan geçmişe sahip kişilerin etkili çözümler geliştirmesini sağlayacak şekilde erişilebilir olacak şekilde tasarlandığını vurguladı.

Köpekbalıklarını detect etmek için Ultralytics YOLOv8 'i kullanma

Jim, SharkEye'ın kaputunun altında neler olduğunu ve köpekbalığı algılama çözümünün nasıl sadece basit bir nesne alg ılama görevi içermediğini ayrıntılarıyla anlattı. Kolayca köpekbalığı sanılabilecek yüzen deniz yosunu gibi dinamik, öngörülemeyen koşullarla başa çıkmak zorundaydı. Sabit bir nesneyi tespit etmenin aksine, bir köpekbalığını tanımlamak hassasiyet ve uyarlanabilirlik gerektirdiğinden YOLOv8 ideal bir seçimdir.

YOLOv8 'in bir diğer avantajı da bulut sunucularına bağlı kalmadan bir drone üzerinde kullanılabilmesiydi. Jim, bu yaklaşımın SharkEye'ın anında uyarı göndermesini nasıl mümkün kıldığını açıkladı - bu, öngörülemeyen okyanus koşullarında zamanında müdahale sağlamanın önemli bir parçası.

Sadece altı satır kodla nesne algılama

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

Jim Griffin, canlı demosuna izleyicileri tanıdık bir örnek üzerinden yürüterek başladı - Ultralytics YOLO modelleri için bir "merhaba dünya" kod parçacığı. Sadece altı satırlık Python koduyla, önceden eğitilmiş bir Ultralytics YOLOv8 modelinin bir görüntüdeki bir otobüsü nasıl zahmetsizce detect edebileceğini gösterdi. 

‍

Demosunda dronlar gibi düşük güçlü cihazlar için hafif bir versiyon olan YOLOv8 Nano modelini kullandı. Aynı model SharkEye'da gerçek zamanlı köpekbalığı tespiti için kullanıldı. 

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

SharkEye için özel eğitim YOLOv8 

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, o dronları beş yıl boyunca uçurmak, o videolardan görüntüleri ayıklamak ve uygun şekilde etiketlemekti."

Ekibin Padaro Plajı'nda 15.000 görüntü topladığını anlattı. Her görüntünün köpekbalıklarını, deniz yosunlarını ve sudaki diğer nesneleri ayırt etmek için manuel olarak etiketlenmesi gerekiyordu. Süreç yavaş ve zorlu olmasına rağmen, bundan sonraki her şeyin temelini oluşturdu.

‍

Veri kümesi hazır olduğunda, Ultralytics YOLOV8 bu veri kümesi üzerinde özel olarak eğitildi. Jim, "Asıl 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 düşebileceğini de sözlerine ekledi.

SharkEye'ı Değerlendirme: Geri çağırmaya karşı hassasiyet

Daha sonra Jim, SharkEye'ın performansının nasıl değerlendirildiğini tartıştı. Temel ölçütün kesinlik olduğunu - sistemin gerçek köpekbalıklarını ne kadar doğru bir şekilde tanımladığını - gösterdi. SharkEye'ın etkileyici %92'lik bir kesinliğe ulaşmasıyla, modelin karmaşık okyanus ortamında köpekbalıklarını doğru bir şekilde tanımlamada son derece etkili olduğu kanıtlandı.

Hassasiyetin önemine daha derinlemesine inen Jim, bu durumda hassasiyetin neden hatırlamadan daha önemli olduğunu açıkladı. "Çoğu zaman insanlar hatırlama ile ilgilenir, özellikle de pozitif bir vakayı kaçırmanın kritik olabileceği sağlık hizmetleri gibi alanlarda. Ancak bu durumda, dışarıda kaç köpekbalığı olduğunu bilmiyorduk, bu yüzden önemsediğimiz şey hassasiyetti," diye açıkladı. SharkEye, yanlış alarmları en aza indirerek hassasiyete odaklanılmasını sağladı ve cankurtaranların ve diğer müdahale ekiplerinin hızlı bir şekilde harekete geçmesini kolaylaştırdı.

‍

Konuşmasını, AI'yı insan performansıyla karşılaştırarak tamamladı ve SharkEye'ın %92'lik hassasiyetinin, insan uzmanların %60'lık doğruluğunu çok aştığını belirtti. Bu farkı vurgulayarak, "Bunun nedeni insan olmamız. Siz veya ben ne kadar uzman olursak olalım, bütün gün bir ekranın önünde oturup köpekbalıklarını aramak zorundaysak, sonunda zihnimiz başka yerlere gidecek," dedi. 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 ancak erişilebilir hale geldiğini mükemmel bir şekilde yansıtıyor. Ultralytics YOLO modelleri, en son bilgisayarla görme teknolojisini her ölçekteki geliştiriciler ve işletmeler için erişilebilir hale getirerek bu düşünceyle oluşturulmuştur. Ultralytics YOLO11 daha hızlı çıkarımlar ve daha yüksek doğruluk ile bunu geliştirir. 

İşte YOLO11 'i diğerlerinden ayıran özelliklere hızlı bir bakış:

• Yeniden tasarlanmış mimari: Geliştirilmiş backbone ve boyun mimarisi daha iyi özellik çıkarımı ve gelişmiş hassasiyet sağlar.
  ‍
• Kullanım kolaylığı: Python kodlaması veya Ultralytics HUB gibi kodsuz araçlar aracılığıyla erişilebilir.
  ‍
• Görevler arasında esneklik: YOLO11 nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, izleme, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) gibi bilgisayarla görme görevlerini destekler.
  ‍
• Geliştirilmiş doğruluk: YOLO11 , COCO veri setinde YOLOv8m 'ye kıyasla %22 daha yüksek ortalama hassasiyetmAP) elde ederek daha hassas tespitler sunar.

Bu özellikler, YOLO11 'i ister çiftlikte ister vahşi doğada olsun, dinamik ortamlarda hayvan davranışlarını izlemek için mükemmel bir seçim haline getirir.

Önemli çıkarımlar

Görme Yapay Zekası alanındaki gelişmeler, çeşitli alanlar için pratik araçlar sağlayarak gerçek dünyadaki zorlukların üstesinden gelmeyi kolaylaştırıyor. Örneğin, YOLO11 gibi bilgisayarla görme modelleri, zorlu koşullarda bile hayvanların gerçek zamanlı olarak izlenmesi ve takip edilmesi için kullanılabilir. 

Jim Griffin'in YV24'teki açılış konuşması, YOLOv8 'in karmaşık sorunları minimum kodlama ile çözmek için nasıl kullanılabileceğini gösterdi. Gerçek zamanlı köpekbalığı tespiti için drone'ları yapay zeka ile birleştiren SharkEye projesi, teknolojinin plaj güvenliğini nasıl artırabileceğini gösterdi. 

Bu, erişilebilir yapay zekanın farklı geçmişlere sahip insanların etkili çözümler oluşturmasını nasıl sağladığına dair büyüleyici bir vaka çalışmasıydı. Yapay zeka gelişmeye devam ettikçe, endüstrileri dönüştürüyor ve bireylerin dünyayı daha güvenli, daha akıllı ve daha verimli bir yer haline getirmek için potansiyelinden yararlanmasını mümkün kılıyor.

Topluluğumuzun bir parçası olun ve yapay zekaya daha derinlemesine dalmak için GitHub depomuzu keşfedin. Tarımda bilgisayarlı görüden otonom sürüşlü arabalarda yapay zekaya kadar, bu teknolojilerin inovasyonu nasıl yönlendirdiğini görün. Yapay zeka projelerinize bugün başlamak için lisanslama seçeneklerimize göz atın!