Poz tahmini için Ultralytics YOLO26 ve diğer Ultralytics YOLO modelleri

Birinin duruşuna baktığında kambur durup durmadığını, öne eğilip eğilmediğini veya dik durduğunu kolayca fark edebilirsin. İnsanlar, vücudun farklı bölümlerinin birbiriyle nasıl ilişkili olduğunu hızlıca anlayabilir.

Bu, günlük yaşamda hareketi ve beden dilini yorumlama biçimimizin doğal bir parçasıdır. Ancak makineler için bu tür bir görsel anlayış otomatik değildir. Bir sisteme hareketi ve yapıyı tanımayı öğretmek, görüntüleri anlamlı bir şekilde yorumlamasını sağlayan gelişmiş derin öğrenme ve bilgisayarlı görü tekniklerini gerektirir.

Özellikle poz tahmini, bir bilgisayarlı görü modelinin benzer bir anlayış oluşturmasını sağlayan bir yapay görme tekniğidir. Model, bir görüntüde yalnızca bir nesneyi tespit etmek yerine önemli yapısal noktaları temsil eden kilit noktaları tahmin eder.

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

Poz tahmini daha fazla gerçek dünya senaryosunda uygulandıkça modellerin insan olmayan kilit noktalarını, karmaşık sahneleri ve özel veri kümelerini daha etkili bir şekilde ele alması gerekir. Örneğin Ultralytics YOLO26 gibi son teknoloji modeller, poz tahmini gibi bilgisayarlı görü görevlerini destekler ve esnekliği ve genel performansı artırmak üzere tasarlanmış mimari ve eğitim iyileştirmeleriyle önceki YOLO poz modelleri üzerine kuruludur.

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

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

Poz tahmini nedir?#

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

Poz tahmini, bir görüntü veya video karesindeki belirli kilit noktaları tespit etmek ve takip etmek için kullanılan bir tekniktir. Bu kilit noktalar, insan vücudundaki eklemler, bir hayvanın uzuvları, bir makinenin bileşenleri veya sahnedeki sabit referans noktaları gibi önemli yapısal noktaları temsil edebilir.

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

Bir 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 etrafına sınırlayıcı kutular çizmeye odaklanan nesne tespit modellerinin aksine, poz tahmini yapı ve hareket hakkında daha ayrıntılı uzamsal bilgi sağlar.

Ultralytics YOLO26-pose'a genel bakış#

YOLO26-pose, YOLO26n-pose gibi hafif seçenekler ile YOLO26m-pose, YOLO26l-pose ve YOLO26x-pose gibi daha büyük modeller dahil olmak üzere birden fazla model varyantı veya model boyutunda sunulur. Bu sayede ekipler, donanımlarına ve performans gereksinimlerine bağlı olarak hız ve doğruluk arasında doğru dengeyi seçebilir.

Ultralytics ayrıca insan poz tahmini için COCO veri kümesindeki COCO-Pose (COCO kilit noktaları) açıklamaları gibi büyük ve genel veri kümeleriyle eğitilmiş önceden eğitilmiş poz modelleri de sağlar; böylece sıfırdan başlamak zorunda kalmazsın. Çoğu durumda ekipler, bu modelleri belirli kilit noktalara, yerleşimlere veya ortamlara uyarlamak için kendi veri kümelerinde ince ayar yapar.

Bu işlem genellikle kilit nokta koordinatlarını ve sınıf etiketlerini yapılandırılmış bir biçimde tanımlayan özel açıklama dosyalarının hazırlanmasını içerir. Bu açıklamalar, kilit noktaları her görüntü içindeki belirli piksel koordinatlarıyla eşleştirerek modelin eğitim sırasında kesin 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 dünya uygulamaları#

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

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

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

Ultralytics YOLO26'nın poz tahmini desteğini inceleme#

Ultralytics YOLO26, eğitimi ve dağıtımı daha pratik hale getirmek üzere tasarlanmış güncellemelerle önceki Ultralytics YOLO modelleri üzerine kuruludur.

Önceki sürümler gibi, birleşik bir çerçevenin parçası olarak poz tahminini destekler. Temel fark, Ultralytics YOLO26'nın daha geniş bir gerçek dünya kullanım alanı yelpazesinde daha esnek ve kararlı olacak şekilde tasarlanmış olmasıdır.

Şekil 4. YOLO26'nın kıyaslanması (Kaynak)

Önceki Ultralytics YOLO poz modelleri büyük ölçüde insan poz veri kümelerinden etkilenmişti; bu da eski yöntemlerin bazı bölümlerinin insan eklem yapılarına göre optimize edildiği anlamına geliyordu. YOLO26, insanlara özgü bu varsayımları ortadan kaldırır.

Sonuç olarak tenis kortunun köşelerini veya diğer özel yapısal noktaları tespit etmek gibi insan olmayan kilit noktalar için daha uygundur. Bu önemlidir; çünkü kullanıma hazır, önceden eğitilmiş Ultralytics YOLO26-pose modelleri COCO-pose gibi veri kümeleriyle eğitilir ve veri kümesi açıklamalarında tanımlanan insan kilit noktalarını tahmin eder.

Ancak ekipler makine bileşenleri, spor sahası işaretleri veya altyapı noktaları gibi farklı türdeki noktaları tespit etmek istediğinde, modelin genellikle bu belirli kilit noktaların açıklanmış olduğu özel bir veri kümesi üzerinde ince ayar yapılması gerekir.

Ultralytics YOLO26 insan eklem yapılarına ilişkin varsayımlara bağlı olmadığından, ince ayar sırasında daha etkili bir şekilde uyum sağlayabilir. Bu esneklik, modelin özel kilit nokta yerleşimlerini daha güvenilir biçimde öğrenmesini sağlar ve benzersiz kilit nokta yapılandırmalarına sahip veri kümelerinde doğrulama yapılırken değerlendirme metriklerinin iyileşmesine yol açar.

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

Bir diğer önemli güncelleme, eğitim sırasında kullanılan iyileştirilmiş kayıp formülasyonudur. Kayıp işlevi, modelin öğrenirken hatalarını nasıl düzelttiğini belirler.

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

Genel olarak YOLO26-pose, aynı tanıdık iş akışını korurken insan olmayan kilit nokta desteği ve eğitim yakınsamasında daha belirgin iyileştirmelerle önceki Ultralytics YOLO poz modelleri üzerine kuruludur.

YOLO26-pose ile Ultralytics YOLOv5'in karşılaştırılması#

Ultralytics YOLO modellerinin en eski sürümü olan Ultralytics YOLOv5, öncelikle nesne tespiti için geliştirilmişti. YOLOv5 daha sonra örnek bölütlemeyi destekleyecek şekilde genişletilmiş olsa da resmi Ultralytics çerçevesi içinde yerel, uzmanlaşmış bir poz tahmini başlığı içermez.

Kilit noktası tespitine ihtiyaç duyan ekipler genellikle ayrı uygulamalara veya özel değişikliklere başvuruyordu. Ultralytics YOLO26, kilit noktaları tahmin etmek üzere özel olarak tasarlanmış adanmış bir mimari başlıkla poz tahminini yerleşik bir görev olarak içerir.

Bu, Ultralytics YOLO26-pose modellerinin tespit ve bölütlemeyle aynı birleşik iş akışı içinde eğitilebileceği, doğrulanabileceği ve dağıtılabileceği anlamına gelir. Yapılandırılmış kilit noktası tespitine odaklanan projeler için YOLO26, YOLOv5'in kullanıma hazır olarak sunmadığı yerel poz desteğini ve göreve özgü bir mimariyi sağlar.

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

Ultralytics YOLOv8, birleşik Ultralytics çerçevesi içinde yerel poz tahminini kullanıma sunarak kilit noktası modellerinin tespit ve bölütlemeyle aynı iş akışı kullanılarak kolayca eğitilmesini ve dağıtılmasını sağladı. Maksimum olmayan bastırma (NMS) içeren geleneksel bir son işleme işlem hattına dayanır ve sınırlayıcı kutu regresyonu ile eğitim için önceki kayıp formülasyonlarını kullanır.

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

Bir diğer önemli iyileştirme eğitim metodolojisindedir. Ultralytics YOLO26, güncellenmiş kayıp stratejilerinin yanı sıra MuSGD optimizer'ını kullanıma sunar. Poz görevleri için, kilit noktası belirsizliğinin modellenme biçimini iyileştiren Residual Log-Likelihood Estimation'ı entegre eder. Bu değişiklikler birlikte, özellikle karmaşık veya kısmen örtülü sahnelerde daha hızlı yakınsamaya ve daha kararlı kilit noktası tahminlerine yol açabilir.

Kısacası Ultralytics YOLOv8-pose, güçlü ve çok yönlü bir temel oluşturdu. YOLO26-pose ise bu temeli daha verimli eğitim, örtülmelerin daha iyi ele alınması ve gerçek dünyadaki insan olmayan poz uygulamaları için daha yüksek esneklikle geliştirir.

YOLO26-pose ile Ultralytics YOLO11-pose: Neler iyileştirildi?#

Ultralytics YOLO11, omurga ve özellik çıkarma katmanlarını iyileştirerek Ultralytics YOLOv8 üzerine kuruludur. FLOPs sayısını azalttı, parametre verimliliğini iyileştirdi ve güçlü gerçek zamanlı performansı korurken daha yüksek mAP sağladı. Poz görevleri için bu, daha hafif bir mimariyle daha iyi kilit noktası doğruluğu anlamına geliyordu.

YOLO26-pose, daha temel bir mimari değişimle bu ilerlemeyi sürdürür. Basitçe söylemek gerekirse YOLO11, YOLOv8'in verimliliğini ve doğruluğunu iyileştirdi; YOLO26 ise daha hızlı yakınsama, daha kararlı çıkarım ve karmaşık senaryolarda daha iyi poz doğruluğu hedefleyen mimari ve eğitim güncellemeleriyle bu temel üzerine kuruludur.

Poz tahmini için Ultralytics YOLO26 modelini kullanmaya neden başlamalısın?#

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

Kısa cevap, bunun kolay bir yükseltme olduğudur. Halihazırda Ultralytics YOLOv8-pose veya Ultralytics YOLO11-pose kullanıyorsan YOLO26-pose'a geçmek genellikle işlem hattını yeniden oluşturmak yerine yalnızca model sürümünü değiştirmek anlamına gelir.

Aynı Ultralytics çerçevesinde kalırken insan olmayan kilit noktaları için daha iyi destekten, eğitim sırasında daha hızlı yakınsamadan ve örtülü noktaların daha iyi ele alınmasından yararlanabilirsin. Çoğu yeni ve mevcut poz projesi için YOLO26-pose'a geçmek, bu iyileştirmeleri en az zahmetle elde etmenin kolay bir yoludur.

Bunların yanı sıra YOLO26-pose, PyTorch üzerine kurulmuş ve eğitimi, doğrulamayı ve dağıtımı basitleştiren Ultralytics Python paketi içinde tam olarak desteklenir. Modeller ONNX, TensorRT, OpenVINO, CoreML ve TFLite gibi biçimlere aktarılabilir; böylece genel iş akışını değiştirmeden GPU'lar, CPU'lar ve uç cihazlar arasında dağıtım yapmak kolaylaşır.

Önemli çıkarımlar#

Ultralytics YOLO26-pose, özellikle insan olmayan kilit noktalarıyla veya karmaşık sahnelerle çalışırken poz tahminini daha esnek ve güvenilir hale getirir. Daha hızlı eğitilir, örtülmeleri daha iyi ele alır ve farklı veri kümelerinde daha tutarlı sonuçlar sağlar. Halihazırda Ultralytics YOLO poz modellerini kullanan ekipler için YOLO26, mevcut iş akışlarını değiştirmeden belirgin iyileştirmeler sunar.

AI hakkında daha fazla bilgi edinmek ister misin? Topluluğumuza ve GitHub depomuza göz at. Robotikte AI ve tarımda bilgisayarlı görüntüleme hakkında bilgi edinmek için çözüm sayfalarımızı incele. Lisanslama seçeneklerimizi keşfet ve bugün bilgisayarlı görüntülemeyle geliştirmeye başla!