Toplu çıkarımları çalıştırmak için Ultralytics YOLO11'i kullanmak

Eğer iş başında otonom bir araç gördüyseniz, gerçek zamanlı yapay zeka çıkarımına tanık olmuşsunuzdur. Otonom bir araç genellikle çevresini işlemek ve neredeyse anında kararlar almak için kameralar, sensörler ve yapay zeka kullanır. Ancak, hızlı yanıtların gerekmediği durumlarda gerçek zamanlı çıkarım kaynak açısından yoğun olabilir.

Bu gibi durumlarda daha iyi bir seçenek toplu çıkarımdır (batch inference). Verileri sürekli olarak gerçek zamanlı işlemek yerine, toplu çıkarım büyük veri setlerini planlanmış aralıklarla işleyebilir. Bu yaklaşım kaynak tasarrufu sağlamaya, güç tüketimini azaltmaya ve altyapı maliyetlerini düşürmeye yardımcı olur.

Örneğin, bilgisayarlı görü uygulamalarında, Ultralytics YOLO11 gibi modeller nesne tespiti ve örnek bölütleme gibi gerçek zamanlı görevler için kullanılabilir. Ancak, büyük hacimli görsel verileri gerçek zamanlı olarak işlemek zorlayıcı olabilir.

Şekil 1. Ultralytics YOLO11 kullanarak bir görüntüdeki nesneleri segmentlere ayırma örneği.

Toplu çıkarım ile Ultralytics YOLO11, görsel veriler üzerinde toplu olarak çalıştırılabilir; böylece performanstan ödün vermeden sistem üzerindeki yük azaltılır ve verimlilik artırılır. Bu, donanımı aşırı yüklemeden veya maliyetleri artırmadan Vision AI çözümlerini ölçeklenebilir bir şekilde dağıtmayı kolaylaştırır.

Bu makalede, toplu çıkarımı, avantajlarını ve Ultralytics YOLO11 kullanarak toplu çıkarımın bilgisayarlı görü uygulamalarında nasıl uygulanabileceğini inceleyeceğiz. Hadi başlayalım!

Bilgisayarlı görüde toplu çıkarıma genel bakış#

Toplu çıkarımı, veriler geldikçe parça parça ele almak yerine büyük bir görevi tek seferde halletmek olarak düşünebilirsin. Verileri sürekli gerçek zamanlı işlemek yerine, toplu çıkarım büyük veri gruplarını belirli aralıklarla işlemeni sağlar. Bu yaklaşım, acil yanıtların gerekmediği durumlarda çok daha verimlidir; bilgi işlem kaynaklarından tasarruf etmeye, enerji kullanımını azaltmaya ve maliyetleri düşürmeye yardımcı olur.

Bilgisayarlı görü söz konusu olduğunda, düşük gecikme süresinin hayati önem taşıdığı belirli uygulamalar vardır. Düşük gecikme, girdi (bir görüntü veya video karesi gibi) alındığı an ile sistemin yanıtı arasındaki minimum süreyi ifade eder. Örneğin, gerçek zamanlı güvenlik izlemede küçük gecikmeler bile güvenlik risklerine yol açabilir.

Ancak diğer birçok bilgisayarlı görü senaryosunda, düşük gecikme o kadar kritik değildir. Toplu çıkarımın parladığı yer de tam burasıdır; yani sistemin anında tepki vermesinin gerekmediği durumlar. Toplu çıkarım, görsel verileri gruplar veya partiler halinde bir bilgisayarlı görü modeline besleyerek çalışır ve sistemin büyük veri kümelerini gerçek zamanlı olarak sürekli işlemek yerine tek seferde işlemesini sağlar.

Toplu çıkarımın nasıl çalıştığını anlamak#

İşte toplu çıkarımda yer alan adımlara daha yakından bir bakış:

• Veri toplama: Görsel veriler bir süre boyunca toplanır. Bu, uygulamaya bağlı olarak güvenlik görüntülerini, ürün fotoğraflarını veya müşteri verilerini içerebilir.

• Toplu hazırlık: Toplanan veriler daha sonra gruplar (batch) halinde düzenlenir. Bu adım sırasında veriler, modelin gerektirdiği şekilde biçimlendirilir. Örneğin, görüntüler yeniden boyutlandırılabilir, normalleştirilebilir veya modelin işlemesi için uygun formata dönüştürülebilir.

• Tahmin: Veriler hazırlandıktan sonra, tüm parti (batch) modele (Ultralytics YOLO11 gibi) beslenir ve model tüm partiyi tek seferde işler. Bu, modelin partideki tüm veriler için aynı anda tahmin yapmasını sağlayarak süreci, her veri noktasını ayrı ayrı ele almaya kıyasla daha verimli hale getirir.

Toplu çıkarım ne zaman kullanılır?#

Artık toplu çıkarımın ne olduğunu ve gerçek zamanlı çıkarımdan farkını ele aldığımıza göre, ne zaman kullanılacağına daha yakından bakalım.

Toplu çıkarım, geçmiş verileri analiz etmek için idealdir. Diyelim ki geçen aya ait bir metro istasyonundan güvenlik görüntüleriniz var ve günün farklı saatlerinde giren ve çıkan insan sayısı gibi belirli örüntüleri belirlemeye çalışıyorsunuz.

Her kareyi gerçek zamanlı işlemek yerine, toplu çıkarım tüm ayın görüntülerini gruplar halinde işleyerek acil sonuçlara ihtiyaç duymadan önemli olayları veya trendleri tanımlamanı sağlar. Bu sayede, büyük veri hacimlerini daha verimli bir şekilde analiz edebilir ve sistemi zorlamadan ya da sürekli izleme gerektirmeden uzun vadeli kalıplar hakkında içgörüler elde edebilirsin.

Toplu çıkarım, sistem kaynakları kısıtlı olduğunda da en uygun çözümdür. Çıkarımı yoğun olmayan saatlerde (gece yarısı gibi) çalıştırarak bilgi işlem maliyetlerinden tasarruf edebilir ve sistemin yoğun kullanım saatlerinde aşırı yüklenmemesini sağlayabilirsin. Bu, büyük veri setlerini işlemesi gereken ancak gerçek zamanlı analize ihtiyaç duymayan işletmeler veya projeler için verimli ve maliyet etkin bir yaklaşımdır.

Ultralytics YOLO11 kullanarak toplu çıkarım#

Ultralytics Python paketi, YOLO11 gibi modeller için toplu çıkarımı destekler. YOLO11 ile, aynı anda kaç görüntünün veya video karesinin işleneceğini belirleyen 'batch' argümanını belirterek kolayca toplu çıkarım çalıştırabilirsiniz.

Toplu çıkarım süreci sırasında, partideki tüm görüntüler için tahminler aynı anda üretilir. Varsayılan olarak parti boyutu 1 olarak ayarlanmıştır, ancak bunu tercih ettiğiniz herhangi bir sayıya ayarlayabilirsiniz.

Örneğin, parti boyutu 5 olarak ayarlanırsa, Ultralytics YOLO11 aynı anda beş görsel veya video kare işler ve beşi için de tek seferde tahmin üretir. Birden fazla görseli bir arada işlemek ayrı ayrı ele almaktan daha verimli olduğu için, daha büyük parti boyutları genellikle daha hızlı çıkarım süreleri sağlar.

Toplu çıkarımın sağladığı bilgisayarlı görü uygulamaları#

Şimdi, toplu çıkarım için bazı gerçek dünya bilgisayarlı görü kullanım durumlarını keşfedelim.

Sağlık hizmetlerinde teşhis ve araştırmaları geliştirme#

Tıbbi araştırmalarda, büyük miktarda görsel veriyle çalışmak oldukça yaygındır. Burada toplu çıkarım; bilim insanlarının kimya, biyoloji ve genetik gibi alanlarda verileri daha kolay analiz etmesine yardımcı olabilir. Veriler tek tek analiz edilmek yerine partiler halinde işlenir, bu da zamandan ve emekten tasarruf sağlar.

Örneğin, tıbbi tesislerde toplu çıkarım, MRI veya BT taramaları gibi büyük tıbbi görüntü setlerini analiz etmek için özellikle yararlı olabilir. Hastaneler bu taramaları gün boyunca toplayabilir ve gece gruplar halinde işleyebilir.

Bu yaklaşım, hastanelerin donanımlarını ve personellerini daha iyi kullanmalarını, operasyonel maliyetleri düşürmelerini ve tüm taramaların tutarlı ve tek tip bir şekilde gözden geçirilmesini sağlamalarını mümkün kılar. Ayrıca, çok büyük miktarda veriyi işlemenin gerekli olduğu büyük araştırma projeleri ve uzun vadeli çalışmalar için de faydalıdır.

Şekil 2. Ultralytics YOLO11 kullanarak tıbbi bir tarama tespiti.

Simülasyonlar kullanarak otonom araçları iyileştirme#

Otonom araçlar, çevrelerindeki dünyayı işlemek için computer vision gibi yapay zeka teknolojilerini kullanır. Ultralytics YOLO11 gibi gelişmiş modellerin yardımıyla, araç üzerindeki sistemler diğer araçları, şerit çizgilerini, trafik işaretlerini ve sokaktaki insanları tanıyabilir. Yolda gerçek zamanlı çıkarım kritik önem taşıırken, otonom sürüş teknolojisi arka planda büyük ölçüde toplu çıkarıma da dayanır.

Şekil 3. YOLO11 yoldaki yayaları kolayca tespit edebilir.

Bir araba yolculuğunu tamamladıktan sonra, topladığı kamera görüntüleri, sensör okumaları ve LIDAR taramaları gibi veriler daha sonra büyük gruplar halinde işlenebilir. Bu, mühendislerin arabanın yapay zeka modellerini güncellemesini, sistem güvenliğini artırmasını ve çeşitli sürüş koşullarını yönetme yeteneğini geliştirmesini mümkün kılar.

Toplu çıkarım aynı zamanda otonom sürüş simülasyonlarında, sürücüsüz araçların yoğun kavşaklarda gezinmek veya öngörülemeyen yaya hareketlerine yanıt vermek gibi farklı durumlarda nasıl tepki vereceğini test etmek için de kullanılır. Bu yaklaşım zamandan tasarruf sağlar, maliyetleri düşürür ve her senaryoyu gerçek hayatta test etmenin getirdiği riskleri ortadan kaldırır.

Toplu çıkarım ile desteklenen perakende veri analizi#

Benzer şekilde perakende mağazaları için de, Ultralytics YOLO11 gibi bilgisayarlı görü modelleriyle yapılan toplu çıkarım operasyonel verimliliği önemli ölçüde artırabilir. Örneğin mağazalardaki kamera sistemleri gün boyunca binlerce görsel yakalayabilir ve bu görseller daha sonra gece boyunca partiler halinde işlenebilir.

Bu, mağazaların müşteri davranışları, trafik kalıpları ve ürün etkileşimleri gibi mağazada neler olup bittiğini, küçük mağazalar için zorlayıcı olabilecek gerçek zamanlı işleme gerektirmeden analiz etmelerini sağlar.

Bir diğer ilginç örnek de mağaza içindeki yüksek ve düşük müşteri hareketliliği alanlarını görselleştiren ısı haritaları oluşturmak için toplu çıkarım kullanmaktır. Perakendeciler bu ısı haritalarını analiz ederek hangi alanların en çok yaya trafiği çektiğini ve mağazanın hangi bölümlerinin daha fazla ilgiye veya ürün yerleşimi optimizasyonuna ihtiyaç duyabileceğini belirleyebilir. Bu veriler, perakendecilerin müşteri deneyimini ve satışları artırmak için mağaza düzeni, ürün konumlandırma ve hatta promosyon stratejileri konusunda daha iyi kararlar almasına yardımcı olabilir.

Şekil 4. Isı haritaları, perakendecilerin mağazalardaki popüler alanları belirlemesine yardımcı olabilir.

Toplu çıkarımın avantajları ve dezavantajları#

İşte toplu çıkarımın çeşitli endüstrilere getirebileceği temel avantajlardan bazıları:

• Entegrasyon kolaylığı: Toplu çıkarım; perakende, güvenlik veya sağlık hizmetleri gibi büyük veri hacimlerinin toplu olarak işlenmesi gereken sektörler başta olmak üzere, mevcut iş akışlarına kolayca entegre edilebilir.
• Daha kolay veri yönetimi: Büyük miktarda veriyle çalışırken, veriler yönetilebilir parçalar halinde gruplandığı için toplu çıkarım veri yönetimini kolaylaştırabilir. Bu, verileri zaman içinde izlemeyi, gözden geçirmeyi ve düzenlemeyi daha basit hale getirir.
• Azaltılmış ağ yükü: Veriler gruplar halinde işlendiğinde, herhangi bir anda aktarılan veri miktarı minimize edilebilir ve bu da bulut tabanlı sistemlerde veya dağıtık bilgi işlem ortamlarında ağ kaynakları üzerindeki yükü azaltır.

Toplu çıkarım kullanmanın birçok avantajı olsa da, dikkate alınması gereken bazı sınırlamalar da vardır. İşte akılda tutulması gereken birkaç faktör:

• Depolama gereksinimleri: Toplu işleme için büyük veri setlerini depolamak, özellikle yüksek çözünürlüklü görüntüler, videolar veya büyük veri hacimleri söz konusu olduğunda depolama maliyetlerini önemli ölçüde artırabilir.
• Birikme potansiyeli: Veriler hızla birikirse veya büyük gruplar zamanında işlenmezse bir birikme (backlog) oluşabilir. Bu, içgörülerin teslim edilmesinde ve yeni verilerin zamanında işlenmesinde gecikmelere yol açabilir.
• Kaynak sıçramaları: Özellikle yüksek çözünürlüklü görüntüler içeren büyük gruplar, bellek veya işlemci kullanımında ani yükselmelere neden olabilir. Doğru yönetilmezse, bu sıçramalar sistemleri zorlayarak yavaşlamalara veya çökmelere yol açabilir.

Öne çıkanlar#

Toplu çıkarım, acil sonuç gerektirmeyen büyük hacimli görsel verileri işlemek için verimli bir yoldur. Her görüntüyü gerçek zamanlı analiz etmek yerine, gece yarısı gibi planlanmış zamanlarda gruplar halinde işler.

Bu yöntem maliyet etkindir, bilgi işlem yükünü azaltır ve yine de doğru sonuçlar sağlar. Mağazaların envanter yönetimine yardımcı olmaktan doktorlara tıbbi tarama analizinde destek vermeye ve sürücüsüz araba teknolojilerini geliştirmeye kadar, toplu çıkarım bilgisayarlı görüyü gerçek dünya uygulamaları için daha erişilebilir, uygun maliyetli ve pratik hale getirir.

Yapay zekanın derinliklerine dalmaya hazır mısın? Bilgisayarlı görü yolculuğuna başlamak için GitHub deponumuzu keşfet, topluluğumuzla bağlantı kur ve lisanslama seçeneklerimize göz at. Çözüm sayfalarımızda üretimde yapay zeka ve lojistikte bilgisayarlı görü gibi yenilikler hakkında daha fazla bilgi edin.