Çeşitli bilgisayarla görme uygulamaları için Ultralytics YOLO11 kullanırken gerçek zamanlı çıkarım ve toplu çıkarım arasındaki farkı keşfedin.
Kendi kendine giden bir arabayı çalışırken gördüyseniz, gerçek zamanlı yapay zeka çıkarımına tanık olmuşsunuzdur. Sürücüsüz bir otomobil, çevresini işlemek ve neredeyse anında kararlar almak için genellikle kameralar, sensörler ve yapay zeka kullanır. Ancak, hızlı yanıtlara ihtiyaç duyulmadığında, gerçek zamanlı çıkarım yapmak kaynak açısından ağır olabilir.
Bu durumlarda daha iyi bir seçenek toplu çıkarımdır. Verileri gerçek zamanlı olarak sürekli işlemek yerine, bir toplu çıkarım planlanan aralıklarla büyük veri kümelerini işleyebilir. Bu yaklaşım, kaynaklardan tasarruf edilmesine, güç tüketiminin azaltılmasına ve altyapı maliyetlerinin düşürülmesine yardımcı olur.
Örneğin, bilgisayarla görme uygulamalarında, aşağıdaki gibi modeller Ultralytics YOLO11 nesne algılama ve örnek segmentasyonu gibi gerçek zamanlı görevler için kullanılabilir. Ancak, büyük hacimli görsel verilerin gerçek zamanlı olarak işlenmesi zorlu olabilir.
Toplu çıkarım ile YOLO11 , görsel veriler üzerinde toplu olarak çalıştırılabilir, sistem üzerindeki yükü azaltır ve performanstan ödün vermeden verimliliği artırır. Bu, Vision AI çözümlerinin donanımı zorlamadan veya maliyetleri artırmadan geniş ölçekte dağıtılmasını kolaylaştırır.
Bu makalede, toplu çıkarım yapmayı, faydalarını ve YOLO11 kullanarak toplu çıkarım yapmanın bilgisayarla görme uygulamalarında nasıl uygulanabileceğini inceleyeceğiz. Hadi başlayalım!
Toplu çıkarım yapmayı, büyük bir görevi geldikçe parça parça işlemek yerine tek seferde ele almak olarak düşünebilirsiniz. Verileri gerçek zamanlı olarak sürekli işlemek yerine, toplu çıkarım büyük veri gruplarını belirli aralıklarla işlemenize olanak tanır. Bu yaklaşım, anında yanıtların gerekli olmadığı durumlarda çok daha verimlidir ve bilgi işlem kaynaklarından tasarruf edilmesine, enerji kullanımının azaltılmasına ve maliyetlerin düşürülmesine yardımcı olur.
Bilgisayarla görme söz konusu olduğunda, düşük gecikmenin hayati önem taşıdığı bazı uygulamalar vardır. Düşük gecikme, girdinin (görüntü veya video karesi gibi) alınması ile sistemin yanıt vermesi arasındaki minimum gecikmeyi ifade eder. Örneğin, gerçek zamanlı güvenlik izlemede, küçük gecikmeler bile güvenlik risklerine neden olabilir.
Ancak, diğer birçok bilgisayarla görme senaryosunda, düşük gecikme süresi o kadar kritik değildir. Sistemin anında tepki vermesi gerekmediğinde, toplu çıkarımın parladığı yer burasıdır. Toplu çıkarım, görsel verileri bir bilgisayarla görme modeline gruplar veya partiler halinde besleyerek çalışır ve sistemin büyük veri kümelerini gerçek zamanlı olarak sürekli işlemek yerine bir kerede işlemesini sağlar.
İşte toplu çıkarımda yer alan adımlara daha yakından bir bakış:
Toplu çıkarımın ne olduğunu ve gerçek zamanlı çıkarımdan farkını ele aldığımıza göre, şimdi ne zaman kullanılacağına daha yakından bakalım.
Toplu çıkarım, geçmiş verileri analiz etmek için idealdir. Diyelim ki elinizde bir metro istasyonunun geçen ayki güvenlik kamerası görüntüleri var ve günün farklı saatlerinde giriş çıkış yapan kişi sayısı gibi belirli kalıpları belirlemeye çalışıyorsunuz.
Her bir kareyi gerçek zamanlı olarak işlemek yerine, toplu çıkarım, tüm ayın görüntülerini toplu olarak işlemenize ve anında sonuçlara ihtiyaç duymadan önemli olayları veya eğilimleri belirlemenize olanak tanır. Bu şekilde, sistemi zorlamadan veya sürekli izleme gerektirmeden büyük hacimli verileri daha verimli bir şekilde analiz edebilir ve uzun vadeli modeller hakkında içgörüler elde edebilirsiniz.
Toplu çıkarım, sistem kaynakları sınırlı olduğunda da en uygun çözümdür. Çıkarsamayı yoğun olmayan saatlerde (örneğin gece boyunca) çalıştırarak bilgi işlem maliyetlerinden tasarruf edebilir ve yoğun kullanım zamanlarında sistemin aşırı yüklenmemesini sağlayabilirsiniz. Bu, büyük veri kümelerini işlemesi gereken ancak gerçek zamanlı analiz gerektirmeyen işletmeler veya projeler için verimli ve uygun maliyetli bir yaklaşımdır.
Ultralytics Python paketi, YOLO11 gibi modeller için toplu çıkarımı destekler. YOLO11 ile, bir kerede kaç görüntü veya video karesinin işleneceğini belirleyen 'batch' argümanını belirterek toplu çıkarımı kolayca çalıştırabilirsiniz.
Toplu çıkarım işlemi sırasında, toplu işteki tüm görüntüler için aynı anda tahminler oluşturulur. Varsayılan olarak, toplu iş boyutu 1 olarak ayarlanmıştır, ancak bunu tercih ettiğiniz herhangi bir sayıya ayarlayabilirsiniz.
Örneğin, toplu iş boyutu 5 olarak ayarlanırsa, YOLO11 bir seferde beş görüntü veya video karesini işleyecek ve beşi için de aynı anda tahminler üretecektir. Daha büyük toplu iş boyutları tipik olarak daha hızlı çıkarım sürelerine yol açar, çünkü bir toplu işte birden fazla görüntüyü işlemek, bunları ayrı ayrı işlemekten daha verimlidir.
Daha sonra, toplu çıkarım için bazı gerçek dünya bilgisayarla görme kullanım durumlarını inceleyelim.
Tıbbi araştırmalarda, büyük miktarlarda görsel veri ile çalışmak çok yaygındır. Burada, toplu çıkarım bilim insanlarının kimya, biyoloji ve genetik gibi alanlarda verileri daha kolay analiz etmesine yardımcı olabilir. Veriler teker teker analiz edilmek yerine gruplar halinde işlenerek zamandan ve emekten tasarruf edilir.
Örneğin, tıbbi tesislerde, toplu çıkarım özellikle MRI veya CT taramaları gibi büyük tıbbi görüntü setlerini analiz etmek için yararlı olabilir. Hastaneler bu taramaları gün boyunca toplayabilir ve gece boyunca gruplar halinde işleyebilir.
Bu yaklaşım, hastanelerin donanımlarını ve personellerini daha iyi kullanmalarına, operasyonel maliyetleri azaltmalarına ve tüm taramaların tutarlı ve tek tip bir şekilde incelenmesini sağlamalarına olanak tanır. Ayrıca, büyük miktarda verinin işlenmesinin gerekli olduğu büyük araştırma projeleri ve uzun vadeli çalışmalar için de faydalıdır.
Kendi kendine giden otomobiller, etraflarındaki dünyayı işlemek için bilgisayar görüşü gibi yapay zeka teknolojilerini kullanıyor. YOLO11 gibi gelişmiş modellerin yardımıyla, araçtaki yerleşik sistemler diğer araçları, şerit çizgilerini, yol işaretlerini ve sokaktaki insanları tanıyabilir. Yolda gerçek zamanlı çıkarım yapmak kritik öneme sahip olsa da, sürücüsüz araç teknolojisi de perde arkasında büyük ölçüde toplu çıkarıma dayanıyor.
Bir araç bir yolculuğu tamamladıktan sonra, saatlerce süren kamera görüntüleri, sensör okumaları ve LIDAR taramaları gibi topladığı veriler daha sonra büyük gruplar halinde işlenebilir. Bu da mühendislerin otomobilin yapay zeka modellerini güncellemesini, sistem güvenliğini artırmasını ve çeşitli sürüş koşullarıyla başa çıkma becerisini geliştirmesini mümkün kılıyor.
Toplu çıkarım, otonom sürüş simülasyonlarında, sürücüsüz araçların yoğun kavşaklarda gezinme veya öngörülemeyen yaya hareketlerine yanıt verme gibi farklı durumlarda nasıl tepki vereceğini test etmek için de kullanılır. Bu yaklaşım zamandan tasarruf sağlar, maliyetleri azaltır ve her senaryoyu gerçek hayatta test etmekle ilişkili riskleri önler.
Benzer şekilde, perakende mağazaları için YOLO11 gibi bilgisayarla görme modelleriyle toplu çıkarım yapmak operasyonel verimliliği önemli ölçüde artırabilir. Örneğin, mağazalardaki kamera sistemleri gün boyunca binlerce görüntü yakalayabilir ve bunlar daha sonra gece boyunca toplu olarak işlenebilir.
Bu sayede mağazalar, küçük mağazalar için zorlayıcı olabilecek gerçek zamanlı işleme gerek kalmadan müşteri davranışları, trafik modelleri ve ürün etkileşimleri gibi mağazada olup bitenleri analiz edebilir.
Bir başka ilginç örnek de, mağaza içindeki yüksek ve düşük müşteri aktivitesi alanlarını görselleştiren ısı haritaları oluşturmak için toplu çıkarım kullanmaktır. Perakendeciler bu ısı haritalarını analiz ederek hangi alanların en fazla yaya trafiğini çektiğini ve mağazanın hangi bölümlerinin daha fazla ilgiye veya ürün yerleştirme optimizasyonuna ihtiyaç duyabileceğini belirleyebilir. Bu veriler, perakendecilerin müşteri deneyimini ve satışları iyileştirmek için mağaza düzeni, ürün konumlandırma ve hatta promosyon stratejileri hakkında daha iyi kararlar almasına yardımcı olabilir.
İşte toplu çıkarım yapmanın çeşitli sektörlere sağlayabileceği temel faydalardan bazıları:
Toplu çıkarım kullanmanın birçok avantajı olsa da, dikkate alınması gereken bazı sınırlamalar da vardır. İşte akılda tutulması gereken birkaç faktör:
Toplu çıkarım, anında sonuç gerektirmeyen büyük hacimli görsel verileri işlemenin etkili bir yoludur. Her bir görüntüyü gerçek zamanlı olarak analiz etmek yerine, gece boyunca olduğu gibi planlanan zamanlarda toplu olarak işler.
Bu yöntem uygun maliyetlidir, hesaplama yükünü azaltır ve yine de doğru sonuçlar sağlar. Toplu çıkarım, mağazaların envanter yönetimine yardımcı olmaktan doktorlara tıbbi tarama analizinde yardımcı olmaya ve sürücüsüz araç teknolojilerini geliştirmeye kadar, bilgisayarla görmeyi gerçek dünya uygulamaları için daha erişilebilir, uygun fiyatlı ve pratik hale getirir.
Yapay zekanın derinliklerine dalmaya hazır mısınız? Bilgisayarla görme yolculuğunuza başlamak için GitHub depomuzu keşfedin, topluluğumuzla bağlantı kurun ve lisanslama seçeneklerimize göz atın. Çözüm sayfalarımızda üretimde yapay zeka ve lojistik sektöründe bilgisayarla görme gibi yenilikler hakkında daha fazla bilgi edinin.
Makine öğreniminin geleceği ile yolculuğunuza başlayın
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI