Toplu çıkarımlar çalıştırmak için Ultralytics YOLO11'i kullanma

Kendi kendine giden bir aracın çalışırken nasıl göründüğünü izlediysen, gerçek zamanlı yapay zekâ çıkarımına tanık olmuşsundur. Kendi kendine giden bir araç genellikle çevresini işlemek ve neredeyse anında kararlar almak için kameralar, sensörler ve yapay zekâ kullanır. Ancak hızlı yanıtların gerekli olmadığı durumlarda gerçek zamanlı çıkarım kaynakları yoğun şekilde tüketebilir.

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

Örneğin bilgisayarlı görü uygulamalarında Ultralytics YOLO11, nesne algılama ve örnek bölütleme gibi gerçek zamanlı görevlerde kullanılabilir. Ancak büyük hacimli görsel verileri gerçek zamanlı işlemek zorlayıcı olabilir.

Şekil 1. Ultralytics YOLO11 kullanarak bir görüntüdeki nesneleri bölütleme örneği.

Toplu çıkarımla Ultralytics YOLO11, görsel veriler üzerinde gruplar hâlinde çalıştırılabilir; böylece sistem üzerindeki yük azaltılır ve performanstan ödün vermeden verimlilik artırılır. Bu sayede donanımı aşırı yüklemeden veya maliyetleri artırmadan Görsel Yapay Zekâ çözümlerini geniş ölçekte dağıtmak kolaylaşır.

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

Bilgisayarlı görüde toplu çıkarıma bakış#

Toplu çıkarımı, büyük bir görevi geldikçe parça parça ele almak yerine tek seferde tamamlamak olarak düşünebilirsin. Verileri sürekli gerçek zamanlı işlemek yerine toplu çıkarım, büyük veri gruplarını belirli aralıklarla işlemene olanak tanır. Anında yanıtların gerekli olmadığı durumlarda bu yaklaşım çok daha verimlidir; işlem kaynaklarından tasarruf etmeye, enerji kullanımını azaltmaya ve maliyetleri düşürmeye yardımcı olur.

Bilgisayarlı görü söz konusu olduğunda düşük gecikmenin hayati önem taşıdığı bazı uygulamalar vardır. Düşük gecikme, girdinin (görüntü veya video karesi gibi) alınması ile sistemin yanıtı arasındaki en kısa gecikmeyi ifade eder. Örneğin gerçek zamanlı güvenlik izleme uygulamalarında küçük gecikmeler bile güvenlik risklerine yol açabilir.

Ancak diğer pek çok bilgisayarlı görü senaryosunda düşük gecikme o kadar kritik değildir. Sistem anında tepki vermek zorunda olmadığında toplu çıkarım öne çıkar. Toplu çıkarım, görsel verileri bir bilgisayarlı görü modeline gruplar veya toplu işler hâlinde aktararak sistemin büyük veri kümelerini sürekli gerçek zamanlı işlemek yerine tek seferde işlemesini sağlar.

Toplu çıkarımın nasıl çalıştığını anlama#

Toplu çıkarımda yer alan adımlara daha yakından bakalım:

• Veri toplama: Görsel veriler belirli bir süre boyunca toplanır. Uygulamaya bağlı olarak bunlar güvenlik görüntüleri, ürün görüntüleri veya müşteri verilerini içerebilir.

• Toplu hazırlama: Toplanan veriler daha sonra toplu işler hâlinde gruplandırılır. Bu adım sırasında veriler, modelin gerektirdiği şekilde biçimlendirilir. Örneğin görüntüler yeniden boyutlandırılabilir, normalleştirilebilir veya modelin işleyebileceği uygun biçime dönüştürülebilir.

• Tahmin: Veriler hazırlandıktan sonra tüm toplu iş, toplu işin tamamını tek seferde işleyen modele (Ultralytics YOLO11 gibi) aktarılır. Bu, modelin toplu işteki tüm veriler için aynı anda tahminler yapmasını sağlayarak süreci her veri noktasını ayrı ayrı işlemeye kıyasla daha verimli hâle getirir.

Toplu çıkarım ne zaman kullanılmalı?#

Toplu çıkarımın ne olduğunu ve gerçek zamanlı çıkarımdan farkını ele aldığımıza göre şimdi ne zaman kullanılması gerektiğine daha yakından bakalım.

Toplu çıkarım, geçmiş verileri analiz etmek için idealdir. Bir metro istasyonuna ait son bir aylık güvenlik görüntülerine sahip olduğunu ve günün farklı saatlerinde girip çıkan kişi sayısı gibi belirli örüntüleri belirlemeye çalıştığını düşün.

Her kareyi gerçek zamanlı işlemek yerine toplu çıkarım, bir aylık görüntülerin tamamını toplu işler hâlinde işlemene ve anında sonuçlara ihtiyaç duymadan önemli olayları veya eğilimleri belirlemene olanak tanır. Böylece sistemi aşırı yüklemeden veya sürekli izleme gerektirmeden büyük hacimli verileri daha verimli analiz edebilir ve uzun vadeli örüntüler hakkında içgörüler elde edebilirsin.

Toplu çıkarım, sistem kaynaklarının sınırlı olduğu durumlarda da ideal bir çözümdür. Çıkarımı yoğun olmayan saatlerde (örneğin gece boyunca) çalıştırarak işlem maliyetlerinden tasarruf edebilir ve yoğun kullanım saatlerinde sistemin aşırı yüklenmemesini sağlayabilirsin. Bu, büyük veri kümelerini işlemesi gereken ancak gerçek zamanlı analize ihtiyaç duymayan işletmeler veya projeler için verimli ve uygun maliyetli 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’ bağımsız değişkenini belirterek toplu çıkarımı kolayca çalıştırabilirsin.

Toplu çıkarım sürecinde tahminler, toplu işteki tüm görüntüler için aynı anda oluşturulur. Varsayılan olarak toplu iş boyutu 1 olarak ayarlanır, ancak bunu istediğin herhangi bir sayıya değiştirebilirsin.

Örneğin toplu iş boyutu 5 olarak ayarlanırsa Ultralytics YOLO11 aynı anda beş görüntüyü veya video karesini işler ve beşi için de eş zamanlı tahminler oluşturur. Bir toplu işte birden çok görüntüyü işlemek, bunları tek tek işlemekten daha verimli olduğundan daha büyük toplu iş boyutları genellikle daha hızlı çıkarım süreleri sağlar.

Toplu çıkarımla mümkün hâle gelen bilgisayarlı görü uygulamaları#

Şimdi toplu çıkarım için bazı gerçek dünya bilgisayarlı görü kullanım alanlarını inceleyelim.

Sağlık hizmetlerinde tanı ve araştırmayı geliştirme#

Tıbbi araştırmalarda büyük miktarda görsel veriyle çalışmak oldukça yaygındır. Bu alanda toplu çıkarım, bilim insanlarının kimya, biyoloji ve genetik gibi alanlardaki verileri daha kolay analiz etmesine yardımcı olabilir. Veriler tek tek analiz edilmek yerine toplu işler hâlinde işlenerek zamandan ve emekten tasarruf edilir.

Örneğin sağlık kuruluşlarında toplu çıkarım, MR veya BT taramaları gibi büyük tıbbi görüntü kümelerini analiz etmek için özellikle yararlı olabilir. Hastaneler bu taramaları gün boyunca toplayıp gece boyunca toplu işler hâlinde işleyebilir.

Bu yaklaşım hastanelerin donanımlarını ve personelini daha verimli kullanmasına, işletme maliyetlerini azaltmasına ve tüm taramaların tutarlı ve standart bir şekilde incelenmesini sağlamasına olanak tanır. Büyük araştırma projeleri ve uzun vadeli çalışmalar için de faydalıdır; çünkü bu tür çalışmalarda çok büyük miktarda verinin işlenmesi gerekir.

Şekil 2. Ultralytics YOLO11 kullanarak tıbbi tarama algılama.

Simülasyonlarla otonom araçları geliştirme#

Kendi kendine giden araçlar çevrelerindeki dünyayı işlemek için bilgisayarlı görü gibi yapay zekâ teknolojilerini kullanır. Ultralytics YOLO11 gibi gelişmiş modellerin yardımıyla aracın yerleşik sistemleri diğer araçları, şerit çizgilerini, yol işaretlerini ve yoldaki insanları tanıyabilir. Gerçek zamanlı çıkarım yolda kritik olsa da kendi kendine sürüş teknolojisi perde arkasında büyük ölçüde toplu çıkarıma da dayanır.

Şekil 3. YOLO11 yoldaki yayaları kolayca algılayabilir.

Bir araç yolculuğunu tamamladıktan sonra kamera görüntülerinin saatleri, sensör okumaları ve LIDAR taramaları gibi topladığı veriler daha sonra büyük toplu işler hâlinde işlenebilir. Bu sayede mühendisler aracın yapay zekâ modellerini güncelleyebilir, sistem güvenliğini geliştirebilir ve aracın çeşitli sürüş koşullarını yönetme becerisini iyileştirebilir.

Toplu çıkarım, kendi kendine giden araçların yoğun kavşaklarda ilerleme veya öngörülemeyen yaya hareketlerine tepki verme gibi farklı durumlarda nasıl tepki vereceğini test etmek için otonom sürüş simülasyonlarında da kullanılır. Bu yaklaşım zamandan tasarruf sağlar, maliyetleri azaltır ve her senaryoyu gerçek hayatta test etmenin getirdiği riskleri ortadan kaldırır.

Toplu çıkarımla desteklenen perakende verisi analizi#

Benzer şekilde perakende mağazalarında Ultralytics 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 boyunca toplu işler hâlinde işlenebilir.

Bu, mağazaların gerçek zamanlı işlemeye ihtiyaç duymadan müşteri davranışları, ziyaretçi trafiği örüntüleri ve ürün etkileşimleri gibi mağazada olup bitenleri analiz etmesini sağlar; gerçek zamanlı işleme küçük mağazalar için zorlayıcı olabilir.

Bir başka ilginç örnek, mağaza içinde müşteri etkinliğinin yoğun ve düşük olduğu alanları görselleştiren ısı haritaları oluşturmak için toplu çıkarımın kullanılmasıdır. Perakendeciler bu ısı haritalarını analiz ederek hangi alanların en fazla yaya trafiğini çektiğini ve mağazanın hangi bölümlerinin daha fazla ilgiye veya ürün yerleşimi optimizasyonuna ihtiyaç duyabileceğini belirleyebilir. Bu veriler, müşteri deneyimini ve satışları geliştirmek için perakendecilerin mağaza düzeni, ürün konumlandırması ve hatta tanıtım stratejileri konusunda daha iyi kararlar almasına yardımcı olabilir.

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

Toplu çıkarımın avantajları ve dezavantajları#

Toplu çıkarımın çeşitli sektörlere sağlayabileceği temel avantajlardan bazıları şunlardır:

• Entegrasyon kolaylığı: Toplu çıkarım, özellikle büyük miktarda verinin toplu olarak işlenmesi gereken perakende, güvenlik veya sağlık hizmetleri gibi sektörlerde mevcut iş akışlarına kolayca entegre edilebilir.
• Daha kolay veri yönetimi: Büyük miktarda veriyle çalışırken toplu çıkarım, verileri yönetilebilir parçalara ayırdığı için veri yönetimini kolaylaştırabilir. Bu, verileri zaman içinde izlemeyi, incelemeyi ve düzenlemeyi kolaylaştırır.
• Azaltılmış ağ yükü: Veriler toplu işler hâlinde işlendiğinde herhangi bir anda aktarılan veri miktarı en aza indirilebilir; böylece bulut tabanlı sistemlerde veya dağıtık bilgi işlem ortamlarında ağ kaynakları üzerindeki yük azaltılır.

Toplu çıkarım kullanmanın birçok avantajı olsa da dikkate alınması gereken bazı sınırlamalar da vardır. Göz önünde bulundurman gereken birkaç faktör şunlardır:

• Depolama gereksinimleri: Büyük veri kümelerini toplu işleme için depolamak, özellikle yüksek çözünürlüklü görüntüler, videolar veya büyük miktarda veri söz konusu olduğunda depolama maliyetlerini önemli ölçüde artırabilir.
• Birikme olasılığı: Veriler hızla birikirse veya büyük toplu işler zamanında işlenmezse bir iş kuyruğu oluşabilir. Bu durum içgörülerin sunulmasında ve yeni verilerin zamanında işlenmesinde gecikmelere yol açabilir.
• Kaynak kullanımında ani artışlar: Büyük toplu işler, özellikle yüksek çözünürlüklü görüntüler içerenler, bellek veya işlem kullanımında ani artışlara neden olabilir. Bu artışlar uygun şekilde yönetilmezse sistemleri aşırı yükleyerek yavaşlamalara veya çökmelere yol açabilir.

Önemli çıkarımlar#

Toplu çıkarım, anında sonuç gerektirmeyen büyük hacimli görsel verileri işlemek için verimli bir yöntemdir. Her görüntüyü gerçek zamanlı analiz etmek yerine görüntüleri gece boyunca olduğu gibi planlanmış zamanlarda toplu işler hâlinde işler.

Bu yöntem uygun maliyetlidir, işlem yükünü azaltır ve yine de doğru sonuçlar sunar. Mağazaların envanter yönetimine yardımcı olmaktan doktorların tıbbi tarama analizlerine destek olmaya ve kendi kendine giden araç teknolojilerini geliştirmeye kadar toplu çıkarım, bilgisayarlı görüyü gerçek dünya uygulamaları için daha erişilebilir, uygun maliyetli ve pratik hâle getirir.

Yapay zekâyı derinlemesine keşfetmeye hazır mısın? GitHub depomuzu incele, topluluğumuzla bağlantı kur ve bilgisayarlı görü yolculuğuna başlamak için lisans seçeneklerimize göz at. Çözümler sayfalarımızda üretimde yapay zekâ ve lojistik sektöründe bilgisayarlı görü gibi yenilikler hakkında daha fazla bilgi edin.