Poz tahmini için Ultralytics YOLO26 ve diğer Ultralytics YOLO modelleri

Birinin duruşuna baktığında kambur durduğunu, öne eğildiğini veya dik durduğunu kolayca fark edebilirsin. İnsanlar, vücudun farklı bölümlerinin birbiriyle nasıl ilişkili olduğunu hızla anlayabilir.

Bu, günlük yaşamda hareketleri ve beden dilini yorumlama biçimimizin doğal bir parçasıdır. Ancak makineler için bu tür görsel kavrayış kendiliğinden oluşmaz. Bir sisteme hareketi ve yapıyı tanımayı öğretmek, görüntüleri anlamlı biçimde yorumlamasını sağlayan gelişmiş derin öğrenme ve bilgisayarlı görü teknikleri gerektirir.

Özellikle poz tahmini, bir bilgisayarlı görü modelinin benzer bir kavrayış oluşturmasını sağlayan bir görüntü yapay zekâsı tekniğidir. Model, bir görüntüdeki nesneyi yalnızca algılamak yerine önemli yapısal noktaları temsil eden kilit noktaların konumunu tahmin eder.

Bu kilit noktalar vücut eklemlerine, hayvan uzuvlarına, makine bileşenlerine veya kort köşeleri gibi sabit noktalara karşılık gelebilir. Sistem, bu noktaları belirleyip izleyerek konumu, hizalanmayı ve hareketi yapılandırılmış ve ölçülebilir bir şekilde anlayabilir.

Poz tahmini daha fazla gerçek dünya senaryosunda kullanıldıkça modellerin insan dışı kilit noktaları, karmaşık sahneleri ve özel veri kümelerini daha etkili şekilde ele alması gerekiyor. Örneğin Ultralytics YOLO26 gibi son teknoloji modeller, poz tahmini gibi bilgisayarlı görü görevlerini destekler ve esnekliği ve genel performansı artırmak için tasarlanmış mimari ve eğitim iyileştirmeleriyle önceki YOLO poz modellerini geliştirir.

Şekil 1. YOLO ile etkinleştirilen poz tahmini örneği (Kaynak)

Bu makalede YOLO26-pose modelini önceki Ultralytics YOLO poz modelleriyle karşılaştıracak ve modelin esnekliği, yakınsama hızını ve karmaşık sahnelerdeki performansı nasıl iyileştirdiğini inceleyeceğiz. Haydi başlayalım!

Poz tahmini nedir?#

Ultralytics YOLO poz modellerini karşılaştırmaya geçmeden önce, bilgisayarlı görü bağlamında poz tahmininin ne anlama geldiğine daha yakından bakalım.

Poz tahmini, bir görüntüde veya video karesinde belirli kilit noktaları algılayıp izlemek için kullanılan bir tekniktir. Bu kilit noktalar; insan vücudundaki eklemler, hayvan uzuvları, makine bileşenleri veya bir sahnedeki sabit referans noktaları gibi önemli yapısal noktaları temsil edebilir.

Şekil 2. İnsan poz tahminiyle çalışanların pozunu tahmin etme (Kaynak)

Model, bu noktaların koordinatlarını belirleyerek bir nesnenin nasıl konumlandığını ve zaman içinde nasıl hareket ettiğini anlayabilir. Tüm görüntüye tek bir etiket atayan görüntü sınıflandırmasının veya nesnelerin çevresine sınırlayıcı kutular çizmeye odaklanan nesne algılama modellerinin aksine poz tahmini, yapı ve hareket hakkında daha ayrıntılı uzamsal bilgi sunar.

Ultralytics YOLO26-pose modeline genel bakış#

YOLO26-pose, YOLO26n-pose gibi hafif seçenekler ve YOLO26m-pose, YOLO26l-pose ve YOLO26x-pose gibi daha büyük modeller dâhil olmak üzere birden fazla model çeşidi veya boyutunda sunulur. Böylece ekipler, donanımlarına ve performans gereksinimlerine göre hız ile doğruluk arasında uygun dengeyi seçebilir.

Ultralytics ayrıca sıfırdan başlamana gerek kalmaması için insan poz tahminine yönelik COCO-Pose (COCO kilit noktaları) ek açıklamaları gibi büyük ve genel veri kümeleri üzerinde eğitilmiş önceden eğitilmiş poz modelleri sunar. Ekipler çoğu durumda bu modelleri belirli kilit noktalara, düzenlere veya ortamlara uyarlamak için kendi veri kümelerinde ince ayar yapar.

Bu işlem genellikle kilit noktaların koordinatlarını ve sınıf etiketlerini yapılandırılmış bir biçimde tanımlayan özel ek açıklama dosyaları hazırlamayı içerir. Bu ek açıklamalar, kilit noktaları her görüntüdeki belirli piksel koordinatlarına eşler ve modelin eğitim sırasında hassas uzamsal ilişkileri öğrenmesini sağlar.

Önceden eğitilmiş modelleri kullanmak eğitimi hızlandırır, veri gereksinimlerini azaltır ve projelerin üretime daha verimli şekilde taşınmasına yardımcı olur.

İnsan poz tahmininin gerçek dünyadaki uygulamaları#

Poz tahmininin önemli rol oynadığı bazı gerçek dünya kullanım örneklerine göz atalım:

• Sağlık hizmetleri ve rehabilitasyon: Klinik uzmanları duruşu değerlendirmek, iyileşme sürecini izlemek ve fizik tedavi sırasında hareket örüntülerini analiz etmek için poz modellerini kullanabilir.
• Otonom sistemler: Dronlar ve akıllı kameralar, dinamik sahnelerde nesnelerin yönelimini ve hareketini daha iyi anlamak için poz bilgisinden yararlanabilir.
• İş yeri güvenliği: Kurumlar, olası güvenlik risklerini belirlemeye yardımcı olmak için vücut pozisyonlarını ve tekrarlayan hareketleri izleyebilir.
• Fitness ve kişisel antrenman: Fitness uygulamaları, egzersiz formunu izlemek, tekrarları saymak ve fitness dersleri sırasında sürdürülen duruş ve hareketler hakkında gerçek zamanlı geri bildirim sağlamak için poz tahminini kullanır.

Şekil 3. Poz tahmini, atletik hareket sırasında temel vücut noktalarının izlenmesine yardımcı olabilir. (Kaynak)

Ultralytics YOLO26'nın poz tahmini desteğini inceleme#

Ultralytics YOLO26, eğitim ve devreye alma süreçlerini daha pratik hâle getirmek için tasarlanan güncellemelerle önceki Ultralytics YOLO modellerini geliştirir.

Önceki sürümlerde olduğu gibi birleşik bir çerçevenin parçası olarak poz tahminini destekler. Temel fark, Ultralytics YOLO26'nın daha geniş bir gerçek dünya kullanım yelpazesinde daha esnek ve kararlı çalışacak şekilde geliştirilmiş olmasıdır.

Şekil 4. YOLO26'yı kıyaslama (Kaynak)

Önceki Ultralytics YOLO poz modelleri büyük ölçüde insan poz veri kümelerinden etkilenmişti; bu nedenle eski yöntemlerin bazı bölümleri insan eklem yapılarına göre optimize edilmişti. YOLO26, insana özgü bu varsayımları ortadan kaldırır.

Bunun sonucunda model, tenis kortunun köşelerini veya başka özel yapısal noktaları algılamak gibi insan dışı kilit noktalar için daha uygundur. Bu önemlidir; çünkü kullanıma hazır, önceden eğitilmiş Ultralytics YOLO26-pose modelleri COCO-pose gibi veri kümelerinde eğitilir ve veri kümesi ek açıklamalarında tanımlanan insan kilit noktalarını tahmin eder.

Ancak ekipler makine bileşenleri, spor sahası işaretleri veya altyapı noktaları gibi farklı türde noktaları algılamak istediğinde modelin genellikle bu belirli kilit noktaların etiketlendiği özel bir veri kümesinde ince ayarlanması gerekir.

Ultralytics YOLO26 insan eklem yapılarına ilişkin varsayımlarla sınırlı olmadığından, ince ayar sırasında daha etkili biçimde uyum sağlayabilir. Bu esneklik, modelin özel kilit nokta düzenlerini daha güvenilir şekilde öğrenmesini ve benzersiz kilit nokta yapılandırmalarına sahip veri kümeleriyle doğrulama yapıldığında değerlendirme metriklerinin iyileşmesini sağlar.

Ultralytics YOLO26-pose, bir nesnenin bazı bölümleri kısmen gizlendiğinde veya çok küçük ölçekte göründüğünde kilit noktaların konumunu daha iyi belirleyecek şekilde tasarlanmıştır. Uzak öznelerin, drone görüntülerinin veya küçük nesne senaryolarının yer aldığı gerçek dünya sahnelerinde bu özellik, önceki poz modellerine kıyasla daha doğru kilit nokta tahminleri sağlayabilir.

Bir diğer önemli güncelleme, eğitim sırasında kullanılan iyileştirilmiş kayıp formülasyonudur. Kayıp fonksiyonu, modelin öğrenirken yaptığı hataları nasıl düzelttiğini belirler.

Ultralytics YOLO26-pose söz konusu olduğunda bu süreç daha etkilidir; modelin daha hızlı öğrenmesine ve daha az epoch'ta yüksek doğruluğa ulaşmasına yardımcı olur. Epoch, eğitim veri kümesinin tamamının bir kez işlenmesini ifade eder.

Genel olarak YOLO26-pose, insan dışı anahtar noktaları destekleme ve eğitim yakınsaması konularında daha belirgin iyileştirmeler sunarken önceki Ultralytics YOLO poz modellerinin üzerine inşa edilir ve tanıdık iş akışını korur.

YOLO26-pose ile Ultralytics YOLOv5 karşılaştırması#

Ultralytics YOLO modellerinin en eski sürümü olan Ultralytics YOLOv5, öncelikle nesne algılama için geliştirildi. YOLOv5 daha sonra örnek segmentasyonu desteği kazansa da resmî Ultralytics çerçevesinde yerel ve özel bir poz tahmin başlığı içermez.

Anahtar nokta algılamaya ihtiyaç duyan ekipler genellikle ayrı uygulamalara veya özel değişikliklere başvuruyordu. Ultralytics YOLO26, anahtar noktaları tahmin etmek için özel olarak tasarlanmış ayrı bir mimari başlıkla poz tahminini yerleşik bir görev olarak sunar.

Bu sayede Ultralytics YOLO26-pose modelleri, algılama ve segmentasyonla aynı birleşik iş akışı içinde eğitilebilir, doğrulanabilir ve dağıtılabilir. Yapılandırılmış anahtar nokta algılamaya odaklanan projeler için YOLO26, YOLOv5'in kutudan çıktığı hâliyle sunmadığı yerel poz desteğini ve göreve özgü bir mimariyi sağlar.

Temel farklar: YOLO26-pose ve Ultralytics YOLOv8-pose#

Ultralytics YOLOv8, birleşik Ultralytics çerçevesinde yerel poz tahminini kullanıma sundu ve anahtar nokta modellerinin algılama ve segmentasyonla aynı iş akışı üzerinden kolayca eğitilip dağıtılmasını sağladı. Geleneksel bir son işleme hattına ve maksimum olmayan bastırma (NMS) yöntemine dayanır; sınırlayıcı kutu regresyonu ve eğitim için daha eski kayıp formülasyonlarını kullanır.

Ultralytics YOLO26, poz tahminini doğrudan etkileyen mimari ve eğitim güncellemeleriyle bu temeli geliştirir. Önemli farklardan biri uçtan uca tasarımdır. YOLO26, çıkarım sırasında harici NMS ihtiyacını ortadan kaldırarak dağıtımı basitleştirir ve özellikle CPU'larda ve uç cihazlarda gecikme tutarlılığını artırır.

Bir diğer önemli iyileştirme eğitim yöntemindedir. Ultralytics YOLO26, güncellenmiş kayıp stratejilerinin yanı sıra MuSGD iyileştiricisini sunar. Poz görevlerinde, anahtar nokta belirsizliğinin modellenmesini iyileştiren Residual Log-Likelihood Estimation yöntemini entegre eder. Bu değişiklikler birlikte, özellikle karmaşık veya kısmen örtülmüş sahnelerde daha hızlı yakınsama ve daha kararlı anahtar nokta tahminleri sağlayabilir.

Kısacası Ultralytics YOLOv8-pose, güçlü ve çok yönlü bir temel oluşturdu. YOLO26-pose ise daha yüksek eğitim verimliliği, örtülmenin daha iyi ele alınması ve gerçek dünyadaki insan dışı poz uygulamaları için daha fazla esneklik sunarak bu temeli geliştirir.

YOLO26-pose ve Ultralytics YOLO11-pose: Neler iyileşti?#

Ultralytics YOLO11, omurgayı ve özellik çıkarım katmanlarını iyileştirerek Ultralytics YOLOv8'i geliştirir. FLOP sayısını azalttı, parametre verimliliğini artırdı ve güçlü gerçek zamanlı performansı korurken daha yüksek mAP sağladı. Poz görevlerinde bu, daha hafif bir mimariyle daha isabetli anahtar noktalar elde edilmesini sağladı.

YOLO26-pose bu gelişimi daha köklü bir mimari değişiklikle sürdürür. Basitçe söylemek gerekirse YOLO11, YOLOv8'in verimliliğini ve doğruluğunu iyileştirdi; YOLO26 ise karmaşık senaryolarda daha hızlı yakınsama, daha kararlı çıkarım ve daha yüksek poz doğruluğu hedefleyen mimari ve eğitim güncellemeleriyle bu temeli geliştiriyor.

Poz tahmini için Ultralytics YOLO26 modelini neden kullanmaya başlamalısın?#

Ultralytics YOLO modelleri arasındaki farkları incelerken YOLO26-pose'a geçip geçmemen gerektiğini merak ediyor olabilirsin.

Kısa yanıt: Yükseltme kolaydır. Zaten Ultralytics YOLOv8-pose veya Ultralytics YOLO11-pose kullanıyorsan YOLO26-pose'a geçmek genellikle işlem hattını baştan kurmak değil, yalnızca model sürümünü değiştirmek anlamına gelir.

Aynı Ultralytics çerçevesinde kalırken insan dışı anahtar noktalar için daha iyi destekten, eğitim sırasında daha hızlı yakınsamadan ve örtülü noktaların daha iyi ele alınmasından yararlanabilirsin. Yeni ve mevcut poz projelerinin çoğunda YOLO26-pose'a geçmek, bu iyileştirmeleri minimum zahmetle edinmenin kolay bir yoludur.

Bunun yanı sıra YOLO26-pose, PyTorch üzerine kurulu ve eğitim, doğrulama ve dağıtım süreçlerini kolaylaştıran Ultralytics Python paketi tarafından tamamen desteklenir. Modeller ONNX, TensorRT, OpenVINO, CoreML ve TFLite gibi biçimlere aktarılabilir; böylece genel iş akışını değiştirmeden GPU'larda, CPU'larda ve uç cihazlarda dağıtım kolaylaşır.

Önemli çıkarımlar#

Ultralytics YOLO26-pose, özellikle insan dışı anahtar noktalarla veya karmaşık sahnelerle çalışırken poz tahminini daha esnek ve güvenilir hâle getirir. Daha hızlı eğitilir, örtülme durumlarını daha iyi ele alır ve farklı veri kümelerinde daha tutarlı sonuçlar verir. Ultralytics YOLO poz modellerini zaten kullanan ekipler için YOLO26, mevcut iş akışlarını değiştirmeden belirgin iyileştirmeler sunar.

Yapay zekâ hakkında daha fazla bilgi edinmek ister misin? Topluluğumuza ve GitHub depomuza göz at. Robotikte yapay zekâ ve tarımda bilgisayarlı görü hakkında bilgi edinmek için çözüm sayfalarımızı keşfet. Lisanslama seçeneklerimizi incele ve bugün bilgisayarlı görüyle geliştirmeye başla!