Toplu çıkarımları çalıştırmak için Ultralytics YOLO11'i kullanmak

Eğer hareket halindeki sürücüsüz bir araba gördüysen, gerçek zamanlı yapay zeka çıkarımına şahit olmuşsun demektir. Sürücüsüz bir araba genellikle çevresini işlemek ve neredeyse anlık kararlar vermek için kameralar, sensörler ve yapay zeka kullanır. Ancak, hızlı yanıtların gerekli olmadığı durumlarda gerçek zamanlı çıkarım yapmak 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 bölümleme gibi gerçek zamanlı görevler için kullanılabilir. Ancak, büyük hacimli görsel verileri gerçek zamanlı işlemek zorlayıcı olabilir.

Şekil 1. YOLO11 kullanarak bir görüntüdeki nesneleri bölümlemeye bir örnek.

Toplu çıkarım ile YOLO11, görsel veriler üzerinde gruplar halinde çalıştırılabilir; bu da sistem üzerindeki yükü azaltır ve performanstan ödün vermeden verimliliği artırır. Bu, Vision AI çözümlerini donanımı zorlamadan veya maliyetleri artırmadan ölçekli bir şekilde dağıtmayı kolaylaştırır.

Bu makalede toplu çıkarımı, faydalarını ve YOLO11 ile toplu çıkarımın bilgisayarlı görü uygulamalarında nasıl uygulanabileceğini keşfedeceğiz. Hadi başlayalım!

Link to this sectionBilgisayarlı 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 tam olarak burasıdır: sistemin anında tepki vermesinin gerekmediği durumlar. Toplu çıkarım, görsel verileri bir bilgisayarlı görü modeline gruplar veya yığınlar halinde besleyerek çalışır ve sistemin büyük veri setlerini sürekli gerçek zamanlı işlemek yerine bir kerede işlemesini sağlar.

Link to this sectionToplu 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 hazırlandığında, tüm grup (YOLO11 gibi) modele beslenir ve model tüm grubu tek seferde işler. Bu, modelin gruptaki tüm veriler için eş zamanlı olarak tahmin yapmasını sağlar ve her veri noktasını ayrı ayrı ele almaya kıyasla süreci daha verimli hale getirir.

Link to this sectionToplu 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. Örneğin, bir metro istasyonundan geçtiğimiz aya ait güvenlik görüntülerin olduğunu ve günün farklı saatlerinde giriş-çıkış yapan insan sayısı gibi belirli kalıpları belirlemeye çalıştığını varsayalım.

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.

Link to this sectionUltralytics 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' bağımsız değişkenini belirterek kolayca toplu çıkarım çalıştırabilirsin.

Toplu çıkarım sürecinde, gruptaki tüm görüntüler için tahminler eş zamanlı olarak oluşturulur. Varsayılan olarak toplu iş boyutu 1 olarak ayarlanmıştır, ancak bunu dilediğin herhangi bir sayıya ayarlayabilirsin.

Örneğin, toplu iş boyutu 5 olarak ayarlanırsa, YOLO11 aynı anda beş görüntü veya video karesini işler ve beşinin de tahminlerini tek seferde üretir. Bir gruptaki birden fazla görüntüyü işlemek, bunları tek tek ele almaktan daha verimli olduğu için daha büyük toplu iş boyutları genellikle daha hızlı çıkarım sürelerine yol açar.

Link to this sectionToplu çıkarımın sağladığı bilgisayarlı görü uygulamaları#

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

Link to this sectionSağlık hizmetlerinde teşhis ve araştırmaları geliştirme#

Tıbbi araştırmalarda, büyük miktarlarda görsel veriyle çalışmak çok yaygındır. Burada toplu çıkarım, bilim insanlarının kimya, biyoloji ve genetik gibi alanlarda verileri daha kolay analiz etmelerine yardımcı olabilir. Tek tek analiz etmek yerine, veriler gruplar halinde işlenerek zamandan ve emekten tasarruf edilir.

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. YOLO11 kullanarak bir tıbbi taramayı tespit etme.

Link to this sectionSimülasyonlar kullanarak otonom araçları iyileştirme#

Sürücüsüz arabalar, dünyayı işlemek için bilgisayarlı görü gibi yapay zeka teknolojileri kullanır. YOLO11 gibi gelişmiş modellerin yardımıyla, araç üzerindeki sistemler diğer araçları, şerit çizgilerini, yol işaretlerini ve sokaktaki insanları tanıyabilir. Yolda gerçek zamanlı çıkarım kritik olsa da, sürücüsüz 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.

Link to this sectionToplu çıkarım ile desteklenen perakende veri analizi#

Benzer şekilde, perakende mağazaları için YOLO11 gibi bilgisayarlı görü modelleriyle toplu çıkarım, operasyonel verimliliği önemli ölçüde artırabilir. Örneğin, mağazalardaki kamera sistemleri gün boyunca binlerce görüntü yakalayabilir ve bu görüntüler daha sonra gece gruplar 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, mağaza içindeki yüksek ve düşük müşteri etkinliği alanlarını görselleştiren ısı haritaları oluşturmak için toplu çıkarım kullanılmasıdır. Bu ısı haritalarını analiz ederek, perakendeciler hangi alanların en çok ayak trafiğini çektiğini ve mağazanın hangi bölümlerinin daha fazla ilgiye veya ürün yerleşimi optimizasyonuna ihtiyaç duyabileceğini belirleyebilirler. Bu veriler, perakendecilerin müşteri deneyimini ve satışları iyileştirmek 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.

Link to this sectionToplu çıkarımın avantajları ve dezavantajları#

İşte toplu çıkarımın çeşitli endüstrilere getirebileceği temel avantajlardan bazıları:

• Entegrasyon kolaylığı: Toplu çıkarım, perakende, güvenlik veya sağlık gibi büyük veri hacimlerinin toplu halde işlenmesi gereken endüstriler için 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.

Link to this sectionÖne 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 zekaya derinlemesine dalmaya hazır mısın? GitHub depomuzu keşfet, topluluğumuzla bağlantı kur ve bilgisayarlı görü yolculuğuna başlamak için lisanslama seçeneklerimize göz at. Üretimde yapay zeka ve lojistik sektöründe bilgisayarlı görü gibi inovasyonlar hakkında daha fazla bilgiyi çözüm sayfalarımızda bulabilirsin.