Ultralytics Platform: Beş araç, tek bilgisayarlı görü platformu

Bugün, görsel yapay zekâ sistemlerinin oluşturulma ve dağıtılma sürecini kolaylaştırmak için tasarlanan uçtan uca bilgisayarlı görü platformu Ultralytics Platform’u kullanıma sunduk. Makinelerin görüntüleri ve videoları yorumlamasını sağlayan bir yapay zekâ alanı olan bilgisayarlı görü, bugün güvendiğimiz birçok sisteme güç verse de bu çözümleri oluşturmak geleneksel olarak karmaşık olmuştur.

Birçok yapay zekâ mühendisi ve makine öğrenimi geliştiricisi için bilgisayarlı görü uygulaması oluşturmak, geliştirme süreci boyunca hâlâ birkaç araç arasında geçiş yapmayı gerektiriyor. Bir ekip veri kümelerini ve etiketlemeyi bir platformda yönetebilir, model eğitimini başka bir platformda yürütebilir ve tahminleri test etmek, deneyleri izlemek ve sistemleri üretime dağıtmak için ek hizmetlere başvurabilir.

Projeler büyüdükçe araçlar arasında geçiş yapmak geliştirmeyi yavaşlatabilir ve operasyonel yükü artırabilir. Ekipler, modelleri iyileştirmeye ve yeni bilgisayarlı görü uygulamaları oluşturmaya odaklanmak yerine çoğu zaman iş akışlarını yönetmeye, verileri araçlar arasında taşımaya ve altyapıyı yapılandırmaya zaman harcar.

Ultralytics Platform, bu süreci kolaylaştırmak ve hızlandırmak için oluşturuldu. Etiketleme, eğitim, doğrulama, dağıtım ve izlemeyi tek bir ortamda bir araya getirerek yapay zekâ ve görü yığını boyunca birden fazla aracın yerini tek bir bilgisayarlı görü platformuyla doldurur; ekiplerin ölçeklenebilir görsel yapay zekâ sistemlerini daha verimli biçimde oluşturup dağıtmasına yardımcı olur.

Şekil 1. Ultralytics Platform kullanılarak veri kümesi hazırlığına bir bakış (Kaynak)

Bu makalede, Ultralytics Platform’un birden fazla aracın yerini tek bir birleşik bilgisayarlı görü platformuyla nasıl doldurduğunu inceleyeceğiz. Hadi başlayalım!

Bilgisayarlı görü geliştirmede çoklu araç sorunu#

Bilgisayarlı görü çözümü oluşturmak, veri kümelerini hazırlamaktan sistemleri üretime dağıtmaya kadar çeşitli aşamaları içerir. Çoğu durumda ekipler bu iş akışının her bölümü için farklı araçlara başvurur. Bunlar şunlardır:

• Veri kümesi yönetim araçları: Ekipler bu araçları, bilgisayarlı görü sistemleri için eğitim verisi olarak kullanılacak görüntüleri ve videoları depolamak ve düzenlemek için kullanır.
• Etiketleme araçları: Bu platformlar, sistemlerin görsel verilerden örüntüler öğrenebilmesi için geliştiricilerin ve veri ekiplerinin görüntülerdeki nesneleri, segmentleri veya kilit noktaları etiketlemesini sağlar.
• Model eğitimi araçları ve çerçeveleri: Geliştiriciler, etiketli veri kümeleri ve derin öğrenme modelleriyle bilgisayarlı görü sistemleri eğitmek için bu araçlara başvurur. Çoğu zaman PyTorch ve TensorFlow gibi Python tabanlı makine öğrenimi çerçevelerini kullanırlar.
• Test ve çıkarım araçları: Dağıtımdan önce ekipler, tahminleri kontrol etmek ve sistemin performansını değerlendirmek için modelleri yeni görüntüler veya videolar üzerinde çalıştırır.
• Dağıtım ve izleme araçları: Görsel yapay zekâ çözümü kullanıma hazır olduğunda, uygulamayı üretimde çalıştırmak ve performansını zaman içinde izlemek için ek altyapı gerekir.

Bu araçları ayrı ayrı yönetmek, geliştirme iş akışlarının eşgüdümünü zorlaştırabilir. Ekipler, bilgisayarlı görü uygulamalarını iyileştirmeye odaklanmak yerine platformlar arasında veri taşımaya, entegrasyonları sürdürmeye ve altyapıyı yapılandırmaya zaman harcar.

Uçtan uca görsel yapay zekâ platformu nedir?#

Ultralytics Platform’un temel özelliklerini ve neler yapabildiğini incelemeden önce, uçtan uca bilgisayarlı görü platformuyla neyi kastettiğimizi anlayalım.

Basitçe söylemek gerekirse, Ultralytics Platform, geliştiricilerin bilgisayarlı görü uygulamaları oluşturup çalıştırabileceği tek bir alan sunar. Geliştirme sürecinin farklı bölümleri için ayrı hizmetlere başvurmak yerine bireyler ve ekipler görsel verilerle çalışabilir, modelleri ve algoritmaları eğitebilir, sonuçları test edebilir ve uygulamaları aynı ortamda çalıştırabilir.

Şekil 2. Ultralytics Platform’da bir modeli test etme (Kaynak)

Bu yaklaşım, geliştiricilerin araçlar arasında sürekli geçiş yapmadan denemeler yapmasını, sistemlerini iyileştirmesini ve projelerini ilerletmesini kolaylaştırır.

Ultralytics Platform görsel yapay zekâ iş akışını nasıl kolaylaştırıyor?#

Ultralytics Platform, bilgisayarlı görü topluluğuyla yıllar süren yakın çalışmalar sonucunda şekillendi. Görsel yapay zekâ sistemleri geliştiren geliştiriciler ve ekiplerle yaptığımız görüşmelerde birkaç yaygın sorun sürekli gündeme geldi.

Örneğin, büyük veri kümelerinin etiketlenmesi gerektiğinde çok zaman alabilen veri etiketleme önemli bir sorundu. Ekipler sistemleri üretime taşımaya çalışırken başka bir zorluk ortaya çıkıyordu: Uygulamaları farklı ortam ve donanım yapılandırmalarında dağıtmak çoğu zaman ek araçlar gerektiriyordu.

Etiketleme araçları, eğitim ortamları ve dağıtım sistemleri çoğunlukla birden fazla platforma yayıldığından birçok ekip araçlar arasında geçiş yapmak zorunda kalıyor. Ultralytics Platform, tüm bu zorlukları yerleşik özellikleriyle çözüyor.

Ultralytics Platform’un temel özelliklerine genel bakış#

Öyleyse bu zorlukları ve genel görsel yapay zekâ iş akışını kolaylaştıran Ultralytics Platform’un bazı temel işlevlerine göz atalım:

• Akıllı veri etiketleme: Segment Anything Model (SAM) ile desteklenen akıllı etiketleme ve etiketleme iş akışlarını hızlandıran klavye kısayolları gibi özelliklerle yerleşik etiketleme araçları, ekiplerin veri kümelerini daha hızlı etiketlemesine yardımcı olur.
• Entegre model eğitimi: Geliştiriciler, önceden eğitilmiş modelleri doğrudan platform içinde eğitebilir; etkileşimli panolar üzerinden deneyleri izleyip performansı takip edebilir.
• Tarayıcı tabanlı çıkarım testi: Ekipler, bir sistemi üretime dağıtmadan önce performansını değerlendirmek için tarayıcıda tahminleri hızla test edebilir.
• Esnek dağıtım seçenekleri: Modeller 17 farklı biçime aktarılabilir veya 43 küresel bölgede paylaşılan çıkarım hizmetleri ve özel uç noktalar üzerinden dağıtılabilir.
• Yerleşik izleme: Platform, ekiplerin deney sonuçlarını, sistem performansını ve dağıtım durumunu tek bir yerde takip etmesine yardımcı olan panolar sunar.

Ultralytics Platform ile ham veriden dağıtıma#

Ultralytics Platform hakkında daha fazla bilgi edindikçe, platformu kullanmanın pratikte nasıl göründüğünü merak edebilirsin. Daha iyi fikir edinmek için basit bir örneği ele alalım.

Bir üretim hattı için görsel denetim sistemi oluşturduğunu düşün. Amaç, üretim sürecinden geçen hasarlı veya kusurlu ürünleri otomatik olarak belirlemek.

Süreç genellikle görsel verileri toplamakla başlar. Ultralytics’in yeni bilgisayarlı görü platformunu kullanarak üretim hattındaki ürünlerin görüntülerini veya videolarını yükleyebilir ve kusur algılama modeli eğitmek için kullanılacak veri kümelerinde düzenleyebilirsin.

Sırada veri etiketleme var. Platformun yerleşik manuel veya yapay zekâ destekli etiketleme araçlarıyla, 5 algılama görevi kapsamında kusurları doğrudan görüntüler üzerinde etiketleyebilirsin. SAM tarafından desteklenen akıllı etiketleme ve tek tıklamayla kilit noktaların yerleştirilmesini sağlayan yerleşik poz iskeleti şablonları gibi özelliklerin arkasındaki yenilik, normalde saatler sürecek iş akışını kolaylaştırır.

Veri kümesi hazır olduğunda model eğitimine geçebilirsin. Platform, etiketli verileri kullanarak Ultralytics YOLO modelleri gibi bilgisayarlı görü modellerini eğitmene olanak tanır. Eğitim sırasında performans metriklerini izleyebilir, deneyleri takip edebilir ve tek bir panodan sistem performansını iyileştirmek için modelleri zaman içinde optimize edebilirsin.

Eğitimden sonra sırada test ve doğrulama var. Sistemin kusurları ne kadar iyi algıladığını kontrol etmek ve daha fazla iyileştirme gerekebilecek alanları belirlemek için yeni görüntüler üzerinde doğrudan platformda tahminler çalıştırabilirsin.

Son olarak, sistem iyi performans gösterdiğinde üretime dağıtılabilir. Ultralytics Platform, modelleri birden fazla biçime aktarmayı veya gerçek dünya ortamlarında çalışabilmeleri için çıkarım hizmetleri ve uç noktalar üzerinden dağıtmayı destekler.

Şekil 3. Ultralytics Platform ile model dışa aktarmaya bir örnek (Kaynak)

Bu işlem hattının her adımını destekleyen Ultralytics Platform, ham görsel verilerden üretim hattındaki kusurları otomatik olarak algılayabilen çalışan bir bilgisayarlı görü uygulamasına geçişi kolaylaştırır.

Ultralytics Platform ile oluşturabileceğin görsel yapay zekâ destekli kullanım örnekleri#

Görsel verilerin bilgiye dönüştürülüp süreçleri otomatikleştirmek için kullanılabildiği çoğu uygulamada bilgisayarlı görü fark yaratabilir. Bu, sağlık hizmetlerinden otomotiv sektörüne kadar pek çok sektör için geçerlidir ve Ultralytics Platform bu çok yönlülüğü desteklemek üzere geliştirilmiştir.

Platform, Ultralytics YOLO26 gibi son teknoloji modelleri ve nesne algılama, görüntü sınıflandırma, örnek segmentasyonu, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılama dâhil çeşitli bilgisayarlı görü görevlerini yerel olarak destekler. Bu esneklik sayesinde geliştiriciler, görüntülerin veya videoların analiz edilmesi gereken birçok farklı senaryoya yönelik uygulamalar oluşturabilir.

Örneğin ekipler, deniz ortamlarında gerçek zamanlı su altı izleme, tıbbi ve biyolojik araştırmalarda hücre sayımı, uzak ekosistemlerde yaban hayatı takibi, otonom araçlar için algı sistemleri ve karmaşık ortamlarda robotlara rehberlik amacıyla sistemler oluşturabilir. Bilgisayarlı görüyle yapılabilecekler bunlarla sınırlı değil.

Şekil 4. Ultralytics Platform’da yaban hayatı algılama için görüntü etiketleme (Kaynak)

Ultralytics Platform görsel yapay zekânın geleceği neden?#

Bilgisayarlı görü daha yaygın biçimde kullanıldıkça görsel yapay zekâ geliştirmeyi daha erişilebilir kılmak giderek önem kazanıyor. Birçok geliştirici ve kuruluş görsel verilerle denemeler yapmak ve yapay zekâ uygulamaları oluşturmak istiyor; ancak geleneksel geliştirme kurulumları işe başlamayı zorlaştırabiliyor.

Ultralytics Platform, geliştiricilerin bilgisayarlı görü teknolojisiyle hızla çalışmaya başlayabileceği bir ortam sunarak bu engelleri azaltmaya yardımcı olur. Ekipler altyapı kurmak veya farklı araçları entegre etmek için zaman harcamak yerine fikirleri denemeye ve pratik uygulamalar geliştirmeye odaklanabilir.

Bu erişilebilirlik, daha fazla geliştirici, araştırmacı ve kuruluşun görsel yapay zekâyı keşfetmesinin önünü açıyor. Böylece daha fazla ekip görsel verileri anlamlı içgörülere dönüştürebilir ve gerçek dünya sorunlarını çözen uygulamalar oluşturabilir.

Görsel yapay zekâ sektörler genelinde yayılmaya devam ederken Ultralytics Platform’un geliştirmeyi daha erişilebilir kılacağına ve bilgisayarlı görü geleceğini şekillendirmede önemli bir rol oynayacağına inanıyoruz.

Ultralytics Platform’u kullanmaya başlama#

Bugün Ultralytics Platform ile bilgisayarlı görü projeleri geliştirmeye başla. Bulut eğitimi için kayıt kredileri ve veri kümelerini yönetmeye, görüntüleri etiketlemeye, modelleri eğitmeye ve uygulamaları dağıtmaya yönelik temel araçlara erişim sunan ücretsiz planı kullanarak platformu keşfedebilirsin.

Projelerin büyüdükçe daha fazla işlem kaynağı, depolama alanı, iş birliği özelliği ve dağıtım kapasitesi sunan ek planlarla kullanımını ölçeklendirebilirsin. Platform ayrıca bulut eğitimi ve yönetilen uç noktalar gibi hizmetler için kredi tabanlı bir fiyatlandırma sistemi kullanır; böylece ekipler kullanım miktarını şeffaf biçimde takip ederken deneyler yürütebilir ve uygulamaları dağıtabilir.

Önemli çıkarımlar#

Görüntü işleme ve bilgisayarlı görü teknolojisi, araştırma deneylerinden günlük teknolojilere güç veren gerçek dünya sistemlerine hızla geçiyor. Ultralytics Platform, geliştiricilere görsel yapay zekâ uygulamaları oluşturmak, test etmek ve dağıtmak için daha basit bir yol sunarak bu dönüşümü hızlandırmaya yardımcı oluyor. Fikirlerle dağıtım arasındaki engeller azaldıkça yeni nesil bilgisayarlı görü çözümleri her zamankinden daha hızlı geliştirilebilir.

Bilgisayarlı görü modelleri hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub deposunu incele. Çözüm sayfalarımızda tarımda yapay zekâ ve robotikte bilgisayarlı görü gibi uygulamaları oku. Lisanslama seçeneklerimize göz at ve kendi görsel yapay zekâ modelini oluşturmaya başla.