Ultralytics Platform ile YOLO modellerini daha hızlı eğit

Geçen hafta Ultralytics, ekiplerin bilgisayarlı görü modellerini oluşturma, eğitme ve dağıtma şekillerini basitleştirmek için tasarlanmış birleşik bir çalışma alanı olan Ultralytics Platform'u tanıttı. Platform, birden fazla araçla uğraşmak yerine her şeyi tek bir yerde topluyor. Vision AI modelleri ile fikirden dağıtıma geçiş yapmak zahmetsiz hale geliyor.

Bilgisayarlı görü hızla çeşitli endüstrilerin temel bir parçası haline geldiği için bu çok önemlidir. Üretim denetimi, perakende analitiği ve otonom navigasyon gibi uygulamalara güç sağlar.

Bu görme destekli uygulamaları güvenilir sistemlere dönüştürmek, modellerin ne kadar iyi eğitildiğine bağlıdır. Model eğitimi, modelin desenleri tanıması ve doğru tahminler yapabilmesi için etiketli verilerden öğrenmeyi içerir. Genel olarak, iyi eğitilmiş modeller daha iyi model performansına ve gerçek dünya uygulamalarında daha güvenilir sonuçlara yol açar.

Ancak, bir bilgisayarlı görü modelini eğitmek her zaman kolay değildir. Ortamların ayarlanması, uygun işlem kaynaklarının seçilmesi, hiperparametrelerin ayarlanması ve birden fazla eğitim deneyiminin izlenmesi gibi çeşitli yönlerden oluşur. Bu adımlar farklı araçlara ve sistemlere yayıldığında, eğitim iş akışı hızla karmaşıklaşır ve yönetilmesi zor hale gelir.

Ultralytics Platform, tüm eğitim sürecini tek, birleşik bir kontrol paneline getirerek bu sorunu çözer. İster bulutta, ister yerelde, ister Google Colab üzerinde çalışıyor ol, eğitim işlerini tek bir yerden yapılandırabilir, çalıştırabilir ve izleyebilirsin.

Şekil 1. Ultralytics Platform içinde model eğitimine bir bakış (Kaynak)

Bu makalede, Ultralytics Platform'un model eğitimini nasıl kolaylaştırdığını ve vision AI projelerinde sana nasıl avantaj sağlayabileceğini keşfedeceğiz. Hadi başlayalım!

Link to this sectionBilgisayarlı görü modelleri, model eğitimi aracılığıyla verilerden öğrenir#

Ultralytics Platform üzerinde model eğitiminin nasıl çalıştığına dalmadan önce, bir adım geri çekilelim ve model eğitiminin ne olduğunu ve neleri içerdiğini inceleyelim.

Model eğitimi, bir bilgisayarlı görü modelinin görsel verileri yorumlamayı öğrendiği süreçtir. Görüntüleri veya videoları analiz eder ve nesne algılama, görüntü sınıflandırma ve örnek bölümleme gibi görüntüleme görevlerini doğru bir şekilde gerçekleştirmek için dahili parametrelerini kademeli olarak ayarlar. Zamanla model, gördüğü verilerden doğrudan desenler öğrenerek gelişir.

Eğitimin kalitesi büyük ölçüde veri kümelerine bağlıdır. Bir veri kümesini, bir öğretmenin öğrenciyi eğitmek için kullanacağı bilgi kartları seti gibi düşünebilirsin; burada her örnek, modelin neye bakması gerektiğini öğrenmesine yardımcı olur.

Tipik bir bilgisayarlı görü veri kümesi, genellikle JPG veya PNG gibi formatlardaki görüntüleri ve her görüntüde ne olduğunu açıklayan ek açıklamaları içerir. Genellikle JSON veya TXT dosyaları olarak saklanan bu ek açıklamalar, modelin etkili bir şekilde öğrenmesi için gereken etiketleri ve bağlamı sağlar.

Ancak eğitim sadece bir modele veri beslemekten ibaret değildir. Veri kümesini hazırlamaktan doğru modeli seçmeye ve eğitim sürecini yapılandırmaya kadar birkaç önemli adımı içerir. Şimdi bu adımlardan birkaçına daha yakından bakalım.

Link to this sectionVeri kümelerinin nasıl hazırlandığına bir bakış#

Bir veri kümesine sahip olduğunda hemen model eğitmeye başlayabilirsin gibi görünebilir, ancak önce atman gereken birkaç adım vardır, örneğin veri kümesini bölmek gibi.

Genel olarak bir veri kümesi üç parçaya ayrılır: eğitim kümesi, doğrulama kümesi ve test kümesi. Eğitim görüntüleri, modele verideki desenleri öğretmek için kullanılırken, doğrulama kümesi eğitim sırasında performansı izlemeye ve ince ayar yapmaya yardımcı olur.

Test kümesi, modelin tamamen yeni, görülmemiş veriler üzerinde ne kadar iyi performans gösterdiğini değerlendirmek için sonunda kullanılır. Bu kurulum, modelin verileri sadece ezberlememesini ve gerçek dünya senaryolarına genelleme yapabilmesini sağlamaya yardımcı olur.

Link to this sectionEğitim için doğru modeli seçmek#

Eğitimden önceki bir diğer önemli adım da kullanmak istediğin modeli seçmektir. Çoğu durumda bu, önceden eğitilmiş bir model seçmek anlamına gelir. Ultralytics YOLO modelleri gibi modeller zaten büyük veri kümeleri üzerinde eğitilmişlerdir ve genel görsel desenleri öğrenmişlerdir, bu da onları güçlü bir başlangıç noktası yapar.

Bu modelleri kullanmak, mevcut bilgilerin üzerine inşa ettiğin ve modeli özel görevine uyarladığın aktarımlı öğrenmenin bir örneğidir. Bu yaklaşım, özellikle sınırlı verilerle çalışırken eğitimin hızlanmasına ve sonuçların iyileştirilmesine yardımcı olur.

Bu modeller ayrıca farklı boyutlarda gelir ve her biri hız ile doğruluk arasında bir denge sunar. Daha küçük modeller daha hızlı ve daha verimlidir, daha büyük modeller ise daha yüksek doğruluk sağlar ancak daha fazla hesaplama gerektirir.

Link to this sectionGörüntüleme modelleri için eğitim parametrelerini yapılandırma#

Hazırlanmış bir veri kümen ve bir model seçtiğinde, sonraki adım modelin nasıl öğreneceğini yapılandırmaktır.

Bir bilgisayarlı görü modeli, verileri nasıl işlediğini, ağırlıklarını nasıl güncellediğini ve zaman içinde nasıl iyileştiğini belirleyen bir dizi parametre kullanılarak eğitilir. Bu ayarlar hem eğitim hızını hem de nihai doğruluğu doğrudan etkiler, bu da onları güçlü sonuçlar elde etmek için gerekli kılar.

İşte en yaygın kullanılan eğitim parametrelerinden bazıları:

• Epochs: Eğitim sırasında modelin tüm veri kümesinden kaç kez geçtiğini temsil eder. Epoch sayısını artırmak, modele verilerden desenleri öğrenmesi için daha fazla fırsat verir.
• Batch size: Tek bir eğitim adımında birlikte işlenen görüntü sayısıdır. Daha büyük batch size'lar eğitimi hızlandırabilir ancak daha fazla bellek gerektirir.
• Image size: Eğitim sırasında kullanılan giriş görüntülerinin çözünürlüğünü belirtir. Daha yüksek çözünürlükler algılama doğruluğunu artırabilir ancak hesaplama maliyetini yükseltir.
• Learning rate: Modelin eğitim sırasında dahili parametrelerini güncelleme hızıdır. Çok yüksek veya çok düşük değerler eğitimin dengesizleşmesine neden olabilir.
• Optimizer: Her eğitim yinelemesi sırasında hesaplanan hataya dayalı olarak modelin parametrelerini güncellemekten sorumlu algoritmadır.

Ultralytics YOLO tabanlı iş akışlarında, bu yapılandırmalar genellikle bir YAML dosyasında tanımlanır. Bu dosya, veri kümesi yollarını, sınıf adlarını ve verilerin nasıl bölündüğünü belirtir. Modele veri kümesini nasıl yorumlayacağını söyleyen merkezi bir yapılandırma görevi görür.

Link to this sectionParçalanmış iş akışlarından Ultralytics Platform ile birleşik bir deneyime#

Veri kümelerini hazırlamaktan model seçmeye ve eğitim parametrelerini yapılandırmaya kadar bir bilgisayarlı görü modeli eğitmenin içerdiği bazı temel adımları az önce tartıştık. Uygulamada süreç genellikle deneyleri izlemeyi, birden fazla eğitim çalışmasını karşılaştırmayı ve modelleri zaman içinde sürekli olarak iyileştirmeyi içerecek şekilde devam eder.

Bu adımlar nadiren tek bir yerde ele alınır. Veri kümeleri bir araçta hazırlanabilir, eğitim çalışmaları başka bir ortamda yürütülebilir ve deney takibi ayrı olarak yönetilebilir. Projeler büyüdükçe bu parçalanma karmaşıklığı artırır, yinelemeyi yavaşlatır ve her şeyi organize tutmayı zorlaştırır.

Ultralytics Platform, tüm eğitim iş akışını tek bir ortama getirerek bu karmaşıklığı ortadan kaldırır. Araçlar arasında geçiş yapmak yerine, veri kümelerini yönetebilir, eğitimi yapılandırabilir, deneyleri çalıştırabilir ve sonuçları tek bir yerden izleyebilirsin.

Şimdi, Ultralytics Platform'un model eğitimini nasıl daha akıllı hale getirdiğine bakalım.

Link to this sectionUltralytics Platform tarafından desteklenen eğitim seçenekleri#

Gerçek dünya uygulamalarında bir bilgisayarlı görü modelini eğitmek genellikle esnek ortamlar gerektirir. Veri kümenin boyutuna, modelin karmaşıklığına ve mevcut donanıma bağlı olarak eğitimi bulutta, yerel bir makinede veya harici notebook ortamları aracılığıyla çalıştırmayı seçebilirsin.

Ultralytics Platform, bu ihtiyaçları karşılamak için aşağıdaki eğitim seçeneklerini destekler:

• Cloud training: Eğitimler, Ultralytics tarafından yönetilen bulut GPU'larında çalışır. Bu seçenek, daha büyük veri kümeleri veya önemli miktarda hesaplama kaynağı gerektiren daha karmaşık modeller için idealdir.
• Local training: Bu seçenek makinenizdeki donanımı kullanır ve hızlı deneyler, test yapılandırmaları veya daha küçük veri kümeleriyle çalışmak için harikadır. Daha ölçeklenebilir iş yükleri için eğitim, AWS veya GCP gibi kendi bulut ortamınızda da çalıştırılabilir.
• Google Colab: Ultralytics Platform ile eğitimi Google Colab'in barındırılan notebook ortamında çalıştırabilir, yerel bir makine yapılandırmadan tarayıcı tabanlı esnek bir iş akışı sağlayabilirsin.

Link to this sectionUltralytics Platform'da bulut eğitimini keşfetme#

Bilgisayarlı görü projeleri söz konusu olduğunda, modelleri yerel olarak veya notebook ortamları aracılığıyla eğitmek her zaman kolay değildir.

Örneğin, yerel eğitimde performans tamamen donanımına bağlıdır, bu da hesaplama gücünü sınırlayabilir ve denemeleri yavaşlatabilir. GPU'lar verimli bir eğitim için gereklidir, ancak her kurulum bunlara güvenilir bir erişime sahip değildir.

Google Colab gibi notebook ortamları bulut tabanlı GPU'lar sağlayarak bir alternatif sunsa da, oturumlar genellikle geçicidir ve daha uzun eğitim çalışmalarını kesintiye uğratabilir. Veri kümeleri büyüdükçe ve iş akışları karmaşıklaştıkça, bu sınırlamalar hızla darboğaza dönüşebilir, eğitimi yavaşlatabilir ve daha az güvenilir hale getirebilir.

Ultralytics Platform, bunu bulut eğitim seçeneğiyle çözer. Python bağımlılıklarının ve PyTorch gibi çerçevelerin önceden yapılandırıldığı, kullanıma hazır bir ortam sağlar ve ek kurulum yapmadan eğitime başlamana olanak tanır.

Tek bir kontrol panelinden eğitim işlerini başlatabilir ve ilerlemeyi gerçek zamanlı olarak izleyebilirsin. Bu, altyapıyı yönetmek yerine modellerini geliştirmeye odaklanmanı kolaylaştırır.

Şimdi, Ultralytics Platform üzerinde bulut eğitimine nasıl başlayacağına bakalım.

Link to this sectionAdım: Bir temel model seç#

İlk adım, eğitim çalışman için bir temel model seçmektir. Önceden eğitilmiş bir Ultralytics YOLO modelini seçebilir, bir topluluk modelini klonlayabilir veya özel gereksinimleri karşılamak için kendi önceden eğitilmiş ağırlıklarını yükleyebilirsin.

Platform, nano (n), küçük (s), orta (m), büyük (l) ve ekstra büyük (x) gibi farklı boyut çeşitleriyle mevcut olan Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 ve Ultralytics YOLOv5 dahil olmak üzere tüm Ultralytics YOLO modellerini destekler. Hız ve doğruluk arasında denge sunan farklı model varyantlarıyla, performans ve hesaplama gereksinimlerine uyan bir model seçebilirsin.

Bu modeller, Ultralytics YOLO kullanıcılarının zaten aşina olduğu nesne algılama, örnek bölümleme, görüntü sınıflandırma, yönlendirilmiş sınırlayıcı kutu (OBB) algılama ve poz tahmini dahil olmak üzere çeşitli bilgisayarlı görü görevlerini destekler.

Özel gereksinimlerin varsa, kendi önceden eğitilmiş model ağırlıklarını da yükleyebilirsin. Bu, sıfırdan başlamak yerine platform içinde nesne algılayıcı gibi mevcut bir modeli eğitmeye devam edebileceğin veya ince ayar yapabileceğin anlamına gelir. Daha önce başka bir yerde bir model eğittiysen veya bir modeli daha belirli bir kullanım durumuna uyarlamak istiyorsan bu özellikle yararlıdır.

Link to this sectionAdım: Bir veri kümesi seç#

Bir sonraki adım, eğitim için bir veri kümesi seçmektir. Ultralytics Platform üzerinde COCO veri kümesi gibi önceden var olan veri kümelerini kullanabilir, topluluktan veri kümelerini klonlayabilir veya belirli uygulaman için özel olarak hazırlanmış kendi veri kümeni yükleyebilirsin.

Platform, Ultralytics YOLO ve COCO gibi yaygın açıklama formatlarını destekler ve doğrudan platform üzerinde özel verileri açıklamayı planlıyorsan ham görüntü yüklemelerini de işleyebilir.

Yüklendikten sonra veri kümeleri; doğrulama, normalleştirme, etiket ayrıştırma ve istatistik oluşturma dahil olmak üzere otomatik olarak işlenir. Bu sana sınıf dağılımları ve veri kümesi yapısı dahil olmak üzere verilerin hakkında anında görünürlük sağlar ve her şeyin eğitim için hazır olduğundan emin olmana yardımcı olur.

Veri kümeleri ayrıca eğitim çalışmalarıyla otomatik olarak bağlantılıdır, bu da her model için hangi verilerin kullanıldığını izlemeni ve deneyler arasında tutarlılığı korumanı sağlar.

Link to this sectionAdım: Eğitim parametrelerini yapılandır#

Veri kümesini seçtikten sonra, modelin nasıl öğreneceğini kontrol eden eğitim parametrelerini yapılandırabilirsin. Bunlar arasında epoch'lar, batch size, image size ve eğitim günlüğü için çalıştırma adı bulunur. Bu parametrelerin birçoğu hem eğitim süresini hem de modelin nihai performansını etkiler.

Daha kontrollü bir eğitim için platform, learning rate, optimizer türü, renk artırma ayarları ve diğer eğitim seçenekleri gibi gelişmiş parametreleri ayarlamana da olanak tanır. Bu ayarlar, modelin doğruluğunu ve kararlılığını artırmak için eğitim sürecine ince ayar yapabilir.

Link to this sectionAdım: Bir GPU seç#

Ardından, eğitim çalışman için GPU yapılandırmasını seçebilirsin. Doğru GPU'yu seçmek; veri kümesi boyutu, batch size, görüntü çözünürlüğü ve model karmaşıklığı gibi faktörlere bağlıdır. Doğru dengeyi bulmak, gerekenden daha fazla hesaplama kullanmadan eğitimin verimli kalmasına yardımcı olur.

Ultralytics Platform, küçük görevlerden büyük ölçekli iş yüklerine kadar her şeyi destekleyen, farklı VRAM (GPU üzerindeki bellek) ve hesaplama gücü seviyelerine sahip 22 GPU seçeneği sunar.

Bunu kullanarak, ister hafif modeller eğitiyor ol, ister büyük ve karmaşık veri kümeleriyle çalışıyor ol, donanımı özel ihtiyaçlarına göre eşleştirebilirsin. Daha fazla bilgi edinmek için Ultralytics Platform eğitim belgeleri sayfasındaki mevcut GPU listesine göz at.

Şekil 2. Ultralytics Platform aracılığıyla etkinleştirilen bazı GPU seçenekleri (Kaynak)

Link to this sectionAdım: Bulut eğitimini başlat#

Modeli, veri kümesini, eğitim parametrelerini ve hesaplama seçeneğini seçtikten sonra eğitim çalışmasını başlatmak hızlıdır. Kontrol panelinden tek bir tıklamayla eğitimi başlatabilirsin ve platform, ortamı başlatıp işi seçilen GPU üzerinde yürüterek geri kalanını halleder.

Eğitim başladığında, ilerlemeyi doğrudan platform içinde izleyebilirsin. Train sekmesi; performans metrikleri, kayıp eğrileri, sistem kullanımı ve canlı eğitim günlükleri dahil olmak üzere temel metrikler hakkında gerçek zamanlı görünürlük sağlar.

Ultralytics Platform ile yerel olarak eğitim veya Google Colab kullanımı hakkında daha fazla bilgi edinmek için resmi Ultralytics Platform belgeleri içindeki daha fazla eğitime göz atabilirsin.

Link to this sectionUltralytics Platform'da modelleri değerlendirme ve karşılaştırma#

Eğitim tamamlandıktan sonraki adım, modelinin ne kadar iyi performans gösterdiğini değerlendirmektir. Ultralytics Platform'da, bir proje içindeki birden fazla eğitim çalışmasını karşılaştırabilir ve farklı deneylerin nasıl performans gösterdiğine dair net bir görünüm elde edebilirsin.

Modeller geliştirilirken eğitim genellikle sonuçları iyileştirmek için learning rate, batch size veya model boyutu gibi farklı ayarlarla defalarca tekrarlanır. Bu çalışmaların her biri biraz farklı bir model üretir, bu nedenle onları karşılaştırmak hayati önem taşır.

Projeler, modellerin ve deneylerin birlikte organize edildiği merkezi bir merkez görevi görür. Farklı araçlar veya görünümler arasında geçiş yapmadan ilerlemeyi takip edebilir, sonuçları inceleyebilir ve odaklanmış kalabilirsin.

Bu birleşik görünümden, modelinin farklı sınıflarda nasıl performans gösterdiğini anlamak için precision, recall ve mAP (mean average precision) gibi temel performans metriklerini de analiz edebilirsin. Ayrıca hangi yapılandırmaların en iyi sonuçları verdiğini belirlemek için eğitim çalışmalarını yan yana karşılaştırabilirsin.

Bu metrikleri tamamlamak için Predict sekmesini kullanarak eğitilmiş modelleri örnek görüntüler veya veriler üzerinde hızlıca test edebilir, performansı görsel olarak doğrulamanıza ve potansiyel sorunları tespit etmenize yardımcı olabilirsin.

Bu içgörülerle, genellikle “best.pt” kontrol noktası olarak kaydedilen en yüksek performanslı modeli seçebilir ve ister daha fazla değerlendirme olsun, ister modeli çıkarım çalıştırmak için kullanmak veya platform aracılığıyla model dağıtımı olsun, sonraki aşamaya geçebilirsin.

Şekil 3. Ultralytics Platform'da metrikleri görüntüleme örneği (Kaynak)

Link to this sectionUltralytics Platform içinde eğitim maliyetini tahmin etme#

Bulutta nesne algılama modellerini eğitmek, özellikle yüksek performanslı GPU'lara eriştiğinde hesaplama maliyetleri doğurur. Bunu daha uygun hale getirmek için Ultralytics Platform, eğitim başlamadan önce bir maliyet tahmini sağlar.

Beklenen kullanım hakkında net bir görünürlük sağlayarak iş yüklerini planlamana, bütçeleri yönetmene ve bir eğitim işini başlatmadan önce beklenmedik harcamalardan kaçınmana yardımcı olur. İşte eğitime başlamadan önce tahmini maliyetleri nasıl kontrol edebileceğin.

Link to this sectionEğitim süresi nasıl tahmin edilir?#

Maliyeti doğru bir şekilde tahmin etmek için platform önce tek bir eğitim epoch'unun ne kadar süreceğini hesaplar. Bu; veri kümesi boyutu, model boyutu, görüntü çözünürlüğü, batch size ve seçilen GPU'nun hızına bağlıdır.

Bu girdileri kullanarak, epoch başına tahmini süreyi belirler ve bunu tüm eğitim çalışmasına ölçeklendirir. Toplam süre, tüm epoch'lardaki sürenin küçük bir başlangıç ek yüküyle birleştirilmesiyle hesaplanır.

Ek yük; ortamı başlatma, veri kümelerini yükleme ve GPU'yu hazırlama gibi görevleri içerir ve tahminin sadece eğitim döngüsünü değil, tüm eğitim sürecini yansıtmasını sağlar.

Link to this sectionEğitim maliyeti nasıl hesaplanır?#

Toplam eğitim süresi tahmin edildikten sonra platform, bunu seçilen GPU'nun saatlik ücretini kullanarak maliyete dönüştürür.

Eğitim süresini GPU fiyatlandırmasıyla birleştirerek, çalışma daha başlamadan önce ne kadar maliyetli olacağına dair net bir tahmine ulaşabiliriz.

Önceden görünürlüğe sahip olmak; eğitim parametrelerini ayarlamak veya farklı bir GPU seçmek gibi kurulumunu değiştirmeni kolaylaştırır, böylece performans ve maliyeti daha etkili bir şekilde dengeleyebilirsin.

Şekil 4. Ultralytics Platform içinde model eğitimi kurma ve maliyet tahmin etme (Kaynak)

Link to this sectionModel eğitimi için Ultralytics Platform kullanmanın temel avantajları#

Şu ana kadar, bilgisayarlı görü modellerini eğitmenin temel adımlarını ve bunların Ultralytics Platform üzerinde nasıl bir araya geldiğini inceledik.

Bu temel özelliklerin ötesinde, eğitim iş akışını geliştiren ek yetenekler de vardır. İşte Ultralytics Platform'u model eğitimi için kullanmanın bazı temel faydalarına genel bir bakış:

• Dahili deney tekrarlanabilirliği: Her eğitim çalışması; model, veri kümesi, parametreler ve hesaplama kurulumu dahil olmak üzere tam yapılandırmasıyla otomatik olarak günlüğe kaydedilir. Bu, deneyleri yeniden gözden geçirmeyi ve sonuçları güvenilir bir şekilde yeniden üretmeyi basitleştirir.
• Zaman içinde eğitim içgörüleri: Sadece nihai sonuçları görüntülemek yerine, performansın epoch'lar boyunca nasıl değiştiğini izleyebilir ve böylece eğitim sırasında model davranışını daha iyi anlayabilirsin.
• Azaltılmış operasyonel yük: Platform, ortam kurulumu, bağımlılık yönetimi ve altyapı işlemlerini arka planda hallederek, kurulumdan ziyade model geliştirmeye daha fazla odaklanmanı sağlar.
• Merkezi deney organizasyonu: Projeler; modelleri, veri setlerini ve eğitim çalışmalarını yönetmek için tek bir yer görevi görür ve iş akışların karmaşıklaştıkça deneylerini düzenli tutmana yardımcı olur.

Link to this sectionÖne çıkanlar#

Eğitim, makine öğrenimi model yaşam döngüsünün en önemli aşamalarından biridir. Bir modelin görsel verileri ne kadar doğru bir şekilde tanıyıp yorumlayabileceğini belirler.

Eğitim verisi yapılandırması, izleme, deney karşılaştırma ve maliyet tahminini tek bir ortamda birleştiren Ultralytics Platform, yüksek performanslı bilgisayarlı görü modelleri oluşturma ve bunları dağıtıma hazırlama sürecini kolaylaştırır.

Yapay görme hakkında daha fazla bilgi edinmek için büyüyen topluluğumuza ve GitHub depomuza göz at. Yapay görme çözümleri oluşturmak istiyorsan, lisanslama seçeneklerimize bir göz at. Üretimde yapay görme ve tarımda yapay zekanın faydaları hakkında daha fazla bilgi edinmek için çözüm sayfalarımızı keşfet.