Toplu çıkarım çalıştırmak için Ultralytics YOLO11 kullanma

Otonom bir otomobili çalışırken gördüysen gerçek zamanlı yapay zekâ çıkarımına tanık olmuşsundur. Otonom otomobiller çevrelerini işlemek ve neredeyse anında kararlar almak için genellikle kameralar, sensörler ve yapay zekâ kullanır. Ancak hızlı yanıtların gerekmediği durumlarda gerçek zamanlı çıkarım, kaynakları yoğun biçimde tüketebilir.

Bu durumlarda daha iyi bir seçenek toplu çıkarımdır. Verileri gerçek zamanlı olarak sürekli işlemek yerine toplu çıkarım, büyük veri kümelerini planlanmış aralıklarla işleyebilir. Bu yaklaşım kaynak tasarrufu sağlar, güç tüketimini azaltır ve altyapı maliyetlerini düşürür.

Örneğin bilgisayarlı görü uygulamalarında Ultralytics YOLO11 gibi modeller nesne algılama ve örnek segmentasyonu gibi gerçek zamanlı görevlerde kullanılabilir. Ancak büyük miktarda görsel veriyi gerçek zamanlı işlemek yüksek kaynak gerektirebilir.

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

Toplu çıkarım sayesinde Ultralytics YOLO11 görsel verileri gruplar hâlinde işleyebilir; böylece performanstan ödün vermeden sistem üzerindeki yük azalır ve verimlilik artar. Bu da donanımı aşırı zorlamadan veya maliyetleri artırmadan Görsel Yapay Zekâ çözümlerini geniş ölçekte dağıtmayı kolaylaştırır.

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

Bilgisayarlı görüde toplu çıkarıma genel bakış#

Toplu çıkarımı, gelen verileri parça parça işlemek yerine büyük bir işi tek seferde tamamlamak gibi düşünebilirsin. Toplu çıkarım, verileri gerçek zamanlı olarak sürekli işlemek yerine büyük veri gruplarını belirli aralıklarla işlemene olanak tanır. Anında yanıtların gerekmediği durumlarda bu yaklaşım çok daha verimlidir; işlem kaynaklarından tasarruf etmeye, enerji kullanımını azaltmaya ve maliyetleri düşürmeye yardımcı olur.

Bilgisayarlı görüde düşük gecikmenin hayati önem taşıdığı bazı uygulamalar vardır. Düşük gecikme, bir girdi (örneğin görüntü veya video karesi) alındıktan sistemin yanıt vermesine kadar geçen sürenin çok kısa olması anlamına gelir. Örneğin gerçek zamanlı güvenlik izlemede küçük gecikmeler bile güvenlik risklerine yol açabilir.

Ancak bilgisayarlı görü senaryolarının çoğunda düşük gecikme o kadar kritik değildir. Sistemin anında tepki vermesi gerekmediğinde toplu çıkarım öne çıkar. Toplu çıkarım, sistemin büyük veri kümelerini sürekli gerçek zamanlı işlemek yerine tek seferde işlemesini sağlamak için görsel verileri bilgisayarlı görü modeline gruplar veya yığınlar hâlinde aktarır.

Toplu çıkarımın nasıl çalıştığını anlama#

Toplu çıkarım sürecindeki adımlara yakından bakalım:

• Veri toplama: Görsel veriler belirli bir süre boyunca toplanır. Uygulamaya bağlı olarak bu veriler güvenlik görüntülerini, ürün görsellerini veya müşteri verilerini içerebilir.
• Toplu iş hazırlığı: Toplanan veriler daha sonra gruplar hâlinde düzenlenir. Bu adımda veriler, modelin gerektirdiği biçime dönüştürülür. Örneğin görüntüler yeniden boyutlandırılabilir, normalleştirilebilir veya modelin işleyebileceği uygun biçime dönüştürülebilir.
• Tahmin: Veriler hazırlandıktan sonra tüm yığın, (Ultralytics YOLO11 gibi) modele aktarılır ve model yığının tamamını tek seferde işler. Böylece model, yığındaki tüm veriler için eşzamanlı tahminler yapabilir ve her veri noktasını ayrı ayrı işlemeye kıyasla süreç daha verimli hâle gelir.

Toplu çıkarım ne zaman kullanılmalı?#

Toplu çıkarımın ne olduğunu ve gerçek zamanlı çıkarımdan nasıl farklılaştığını ele aldığımıza göre, şimdi hangi durumlarda kullanılması gerektiğine yakından bakalım.

Toplu çıkarım, geçmiş verileri analiz etmek için idealdir. Diyelim ki son bir aya ait bir metro istasyonu güvenlik görüntülerine sahipsin ve günün farklı saatlerinde giriş çıkış yapan kişi sayısı gibi belirli düzenleri belirlemeye çalışıyorsun.

Her kareyi gerçek zamanlı işlemek yerine toplu çıkarım, bir aylık görüntülerin tamamını toplu işler hâlinde işlemene ve anında sonuç gerektirmeden önemli olayları veya eğilimleri belirlemene olanak tanır. Bu sayede sistemi aşırı zorlamadan veya sürekli izleme gerektirmeden büyük miktarda veriyi daha verimli analiz edebilir ve uzun vadeli düzenler hakkında içgörü elde edebilirsin.

Toplu çıkarım, sistem kaynaklarının sınırlı olduğu durumlarda da en uygun çözümdür. Çıkarımı yoğun olmayan saatlerde (örneğin gece) çalıştırarak işlem maliyetlerinden tasarruf edebilir ve sistemin yoğun kullanım saatlerinde aşırı yüklenmesini önleyebilirsin. Bu yaklaşım, büyük veri kümelerini işlemesi gereken ancak gerçek zamanlı analiz gerektirmeyen işletmeler veya projeler için verimli ve uygun maliyetlidir.

Ultralytics YOLO11 ile toplu çıkarım#

Ultralytics Python paketi, YOLO11 gibi modeller için toplu çıkarımı destekler. YOLO11 ile, bir kerede kaç görüntünün veya video karesinin işleneceğini belirleyen batch çıkarım bağımsız değişkenini belirterek kolayca toplu çıkarım çalıştırabilirsin.

Toplu çıkarım sırasında yığındaki tüm görüntüler için eşzamanlı olarak tahminler oluşturulur. Varsayılan yığın boyutu 1'dir, ancak istediğin herhangi bir sayıya ayarlayabilirsin. Kaynak bir dizin, video dosyası veya kaynakların listesini içeren bir .txt dosyası olduğunda toplu işleme uygulanır.

Örneğin yığın boyutu 5 olarak ayarlanırsa Ultralytics YOLO11 aynı anda beş görüntüyü veya video karesini işler ve bu beşinin tümü için tahminler oluşturur. Birden fazla görüntüyü yığın hâlinde işlemek, görüntüleri tek tek işlemekten daha verimli olduğundan daha büyük yığın boyutları genellikle verimi artırır ve toplam işlem süresini kısaltır.

Toplu çıkarımla mümkün olan bilgisayarlı görü uygulamaları#

Şimdi toplu çıkarımın gerçek dünyadaki bilgisayarlı görü kullanım örneklerinden bazılarını inceleyelim.

Sağlık hizmetlerinde tanılama ve araştırmayı geliştirme#

Tıbbi araştırmalarda büyük miktarda görsel veriyle çalışmak oldukça yaygındır. Toplu çıkarım burada bilim insanlarının kimya, biyoloji ve genetik gibi alanlardaki verileri daha kolay analiz etmesine yardımcı olabilir. Veriler tek tek incelenmek yerine yığınlar 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 toplu işler hâlinde işleyebilir.

Bu yaklaşım hastanelerin donanım ve personelden daha iyi yararlanmasına, operasyonel maliyetleri azaltmasına ve tüm taramaların tutarlı ve standart biçimde incelenmesini sağlamasına olanak tanır. Büyük miktarda verinin işlenmesinin gerekli olduğu kapsamlı araştırma projeleri ve uzun vadeli çalışmalar için de yararlıdır.

Şekil 2. Ultralytics YOLO11 kullanarak tıbbi görüntülemede bir bulgunun algılanması.

Simülasyonlarla otonom araçları geliştirme#

Otonom otomobiller çevrelerindeki dünyayı işlemek için bilgisayarlı görü gibi yapay zekâ teknolojilerinden yararlanır. Ultralytics YOLO11 gibi gelişmiş modeller sayesinde otomobildeki yerleşik sistemler diğer araçları, şerit çizgilerini, trafik işaretlerini ve yayaları tanıyabilir. Gerçek zamanlı çıkarım yolda kritik önem taşısa da otonom sürüş teknolojisi perde arkasında büyük ölçüde toplu çıkarıma da dayanır.

Şekil 3. YOLO11 yoldaki yayaları kolayca algılayabilir.

Bir araç yolculuğunu tamamladıktan sonra saatlerce kamera kaydı, sensör okumaları ve LiDAR taramaları gibi topladığı veriler daha sonra büyük yığınlar hâlinde işlenebilir. Bu sayede mühendisler aracın yapay zekâ modellerini güncelleyebilir, sistem güvenliğini artırabilir ve aracın çeşitli sürüş koşullarını ele alma becerisini geliştirebilir.

Toplu çıkarım, otonom sürüş simülasyonlarında da otonom otomobillerin yoğun kavşaklarda ilerlemek veya yayaların öngörülemeyen hareketlerine karşılık vermek gibi farklı durumlarda nasıl tepki vereceğini test etmek için kullanılır. Bu yaklaşım zaman kazandırır, maliyetleri azaltır ve her senaryoyu gerçek hayatta test etmenin beraberinde getirdiği riskleri ortadan kaldırır.

Toplu çıkarımla desteklenen perakende veri 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 bunlar gece toplu işler hâlinde işlenebilir.

Bu sayede mağazalar, özellikle küçük mağazalar için gerçek zamanlı işlemeyi zorlaştırabilecek bir gereksinim olmadan müşteri davranışları, trafik düzenleri ve ürün etkileşimleri gibi mağazada olup bitenleri analiz edebilir.

Bir başka ilginç örnek, mağaza içindeki müşteri hareketliliğinin yüksek ve düşük olduğu alanları görselleştiren ısı haritalarını toplu çıkarımla oluşturmaktır. Perakendeciler bu ısı haritalarını analiz ederek en çok yaya trafiği çeken alanları ve mağazanın hangi bölümlerinin daha fazla ilgiye veya ürün yerleşimi optimizasyonuna ihtiyaç duyabileceğini belirleyebilir. Bu veriler, müşteri deneyimini ve satışları iyileştirmek amacıyla mağaza düzeni, ürün konumlandırması ve hatta tanıtım stratejileri hakkında daha iyi kararlar almalarına yardımcı olabilir.

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

Toplu çıkarımın artıları ve eksileri#

Toplu çıkarımın çeşitli sektörlere sağlayabileceği başlıca faydalardan bazıları şunlardır:

• Kolay entegrasyon: Toplu çıkarım, özellikle perakende, güvenlik veya sağlık hizmetleri gibi büyük miktarda verinin toplu olarak işlenmesi gereken 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 sayede verileri zaman içinde izlemek, incelemek ve düzenlemek kolaylaşır.
• Ağ yükünün azalması: Veriler yığınlar hâlinde işlendiğinde herhangi bir anda aktarılan veri miktarı en aza indirilebilir; böylece bulut tabanlı sistemlerde veya dağıtık bilgi işlem ortamlarında ağ kaynakları üzerindeki yük azalır.

Toplu çıkarım kullanmanın birçok avantajı olsa da dikkate alınması gereken bazı sınırlamalar da vardır. Akılda tutulması gereken birkaç faktör şunlardır:

• Depolama gereksinimleri: Toplu işleme için büyük veri kümelerini saklamak, özellikle yüksek çözünürlüklü görüntüler, videolar veya büyük miktarda veri söz konusu olduğunda depolama maliyetlerini önemli ölçüde artırabilir.
• İş kuyruğunda birikme olasılığı: Veriler hızla birikirse veya büyük yığınlar zamanında işlenmezse iş kuyruğunda birikme oluşabilir. Bu durum, içgörülerin sunulmasında ve yeni verilerin zamanında işlenmesinde gecikmelere yol açabilir.
• Kaynak kullanımında ani artışlar: Büyük yığınlar, özellikle yüksek çözünürlüklü görüntüler içeriyorsa bellek veya işlem gücü kullanımında ani artışlara neden olabilir. Bu artışlar gerektiği gibi yönetilmezse sistemleri zorlayarak yavaşlamalara veya çökmelere yol açabilir.

Önemli çıkarımlar#

Toplu çıkarım, anında sonuç gerektirmeyen büyük hacimli görsel verileri işlemenin verimli bir yoludur. Her görüntüyü gerçek zamanlı analiz etmek yerine verileri gece boyunca olduğu gibi planlanmış zamanlarda yığınlar hâlinde işler.

Bu yöntem uygun maliyetlidir, hesaplama yükünü azaltır ve yine de doğru sonuçlar sunar. Mağazaların envanter yönetimine yardımcı olmaktan doktorların tıbbi tarama analizini desteklemeye ve otonom otomobil teknolojilerini geliştirmeye kadar toplu çıkarım, bilgisayarlı görüyü gerçek dünya uygulamaları için daha erişilebilir, uygun fiyatlı ve kullanışlı hâle getirir.

Yapay zekâ hakkında daha fazla bilgi edinmek ister misin? GitHub depomuzu keşfet, topluluğumuza katıl 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.