19 Şubat 2025
Bilgisayar görüşünün çeşitli sektörlerdeki hassas anomali tespitini nasıl sağladığını keşfedin. Ultralytics YOLO11 gibi modelleri anomali tespiti için nasıl özel olarak eğitebileceğinizi öğrenin.
Bir uçak kanadındaki minik bir çatlak, ilaç üzerindeki hatalı basılmış bir etiket veya olağandışı bir finansal işlem, tespit edilmediği takdirde ciddi sorunlara neden olabilir. Her sektör, başarısızlıkları, finansal kayıpları veya güvenlik risklerini önlemek için riskli sorunları erken tespit etme zorluğuyla karşı karşıyadır.
Özellikle, anomalilerin tespit edilmesi gerekir. Anomali tespiti, beklenen davranışlarla eşleşmeyen kalıpları belirlemeye odaklanır. Gözden kaçabilecek kusurları, hataları veya düzensiz faaliyetleri işaretlemeyi amaçlar. Geleneksel yöntemler, bu anomalileri bulmak için sabit kurallara dayanır, ancak genellikle yavaştırlar ve karmaşık varyasyonlarla mücadele ederler. İşte bu noktada bilgisayar görüşü önemli bir rol oynar.
Geniş görsel veri kümelerinden öğrenerek, Ultralytics YOLO11 gibi bilgisayar görüşü modelleri, geleneksel yöntemlere göre düzensizlikleri daha doğru bir şekilde tespit edebilir.
Bu makalede, vizyon tabanlı anomali tespitinin nasıl çalıştığını ve YOLO11'in nasıl yardımcı olabileceğini inceleyeceğiz.
Bilgisayar görüşü açısından, anomaliler veya düzensizlikler tipik olarak görüntülerde ve videolarda kusurlar veya olağandışı desenler olarak görünür. İşletmeler yıllardır kusurları tespit etmek için manuel denetimlere veya kural tabanlı sistemlere güvenmektedir.
Örneğin, ilaç üretiminde, tabletlerdeki anomaliler arasında çatlaklar, yanlış şekiller, renk bozulması veya eksik baskılar yer alabilir ve bu da kaliteyi ve güvenliği tehlikeye atabilir. Bu kusurların erken tespiti, kusurlu ürünlerin tüketicilere ulaşmasını önlemek için hayati öneme sahiptir. Bununla birlikte, manuel anomali tespit yöntemleri genellikle yavaştır, tutarsızdır ve gerçek dünyadaki düzensizliklerin karmaşıklığıyla başa çıkamaz.
Yapay zeka tabanlı anomali tespiti, geniş veri kümelerinden öğrenerek, zaman içinde kalıpları tanıma yeteneklerini sürekli olarak geliştirerek bu zorlukları çözer. Sabit kural tabanlı yöntemlerin aksine, yapay zeka sistemleri zaman içinde öğrenebilir ve gelişebilir.
YOLO11 gibi gelişmiş modeller, yüksek hassasiyetle gerçek zamanlı görüntü analizi sağlayarak anomali tespitini geliştirir. Yapay görme sistemleri, şekil, doku ve yapı gibi görüntülerdeki ayrıntıları analiz ederek düzensizlikleri hızlı ve doğru bir şekilde tespit etmeyi kolaylaştırır.
Yapay Görme tarafından yönlendirilen anomali tespit sistemleri, öncelikle kameralar, sensörler veya dronlar kullanarak yüksek kaliteli görüntüler veya video yakalayarak çalışır. İster bir fabrika hattında kusurlu bir ürünün tespit edilmesi, ister güvenli bir alanda yetkisiz bir kişinin tespit edilmesi veya halka açık bir alanda olağandışı bir hareketin belirlenmesi olsun, net görsel veriler çok önemlidir.
Toplandıktan sonra, görüntüler veya videolar gürültü azaltma, kontrast iyileştirme ve eşikleme gibi görüntü işleme tekniklerine tabi tutulur. Bu ön işleme adımları, Yapay Görme modellerinin önemli ayrıntılara odaklanmasına ve aynı zamanda arka plan gürültüsünü filtrelemesine yardımcı olarak, güvenlik izlemesinden tıbbi teşhislere ve trafik kontrolüne kadar çeşitli uygulamalarda doğruluğu artırır.
Ön işleme sonrasında, bilgisayar görüşü görüntüleri analiz etmek ve sıra dışı herhangi bir şeyi belirlemek için kullanılabilir. Bir anomali işaretlendiğinde, sistem kusurlu bir ürünü kaldırmak için bir çalışanı bilgilendirmek, güvenlik personelini potansiyel bir tehdide karşı uyarmak veya trafik operatörlerini tıkanıklığı yönetmek için bilgilendirmek gibi bir uyarıyı tetikleyebilir.
YOLO11 gibi bilgisayar görüşü modellerinin anomalileri tespit etmek için görüntüleri nasıl analiz edebildiğine daha yakından bakalım.
YOLO11, nesne tespiti, görüntü sınıflandırması, örnek segmentasyonu, nesne takibi ve poz tahmini gibi çeşitli bilgisayar görüşü görevlerini destekler. Bu görevler, farklı gerçek dünya uygulamalarında anomali tespitini kolaylaştırır.
Örneğin, nesne tespiti, bir montaj hattında kusurlu ürünleri, kısıtlı alanlarda yetkisiz kişileri veya bir depoda yanlış yerleştirilmiş öğeleri tanımlamak için kullanılabilir. Benzer şekilde, örnek segmentasyonu, makinelerdeki çatlaklar veya yenilebilir ürünlerdeki kontaminasyon gibi anomalileri hassas bir şekilde ana hatlarıyla belirtmeyi mümkün kılar.
İşte anomali tespiti için kullanılan diğer bazı bilgisayar görüşü görevleri örnekleri:
Diğer çeşitli bilgisayarlı görü modelleri arasında, Ultralytics YOLO modelleri hızları ve doğruluklarıyla öne çıkar. Ultralytics YOLOv5, PyTorch tabanlı çerçevesiyle dağıtımı basitleştirerek daha geniş bir kullanıcı kitlesi için erişilebilir hale getirdi. Bu arada, Ultralytics YOLOv8, örnek segmentasyonu, nesne takibi ve poz tahmini gibi görevler için destek sunarak esnekliği daha da artırdı ve farklı uygulamalara daha kolay uyum sağlamasına olanak tanıdı.
En son sürüm olan YOLO11, önceki sürümlerine kıyasla üstün hassasiyet ve performans sunar. Örneğin, YOLOv8m'den %22 daha az parametreye sahip olan YOLO11m, COCO veri kümesinde daha yüksek ortalama hassasiyet (mAP) sunarak daha hassas ve verimli nesne tespiti sağlar.
Anomali tespiti için YOLO11'i özel olarak eğitmek basit ve kolaydır. Belirli uygulamanız için tasarlanmış bir veri kümesiyle, modeli anormallikleri doğru bir şekilde tespit edecek şekilde ince ayar yapabilirsiniz.
Başlamak için şu basit adımları izleyin:
Ayrıca, bir anomali tespit sistemi oluştururken, özel eğitimin gerçekten gerekli olup olmadığını düşünmek önemlidir. Bazı durumlarda, önceden eğitilmiş bir model zaten yeterli olabilir.
Örneğin, bir trafik yönetim sistemi geliştiriyorsanız ve tespit etmeniz gereken anomali yaya geçidi ihlali yapanlar ise, önceden eğitilmiş YOLO11 modeli zaten insanları yüksek doğrulukla tespit edebilir. "Kişi", COCO veri kümesinde (üzerinde önceden eğitildiği) iyi temsil edilen bir kategori olduğundan, ek eğitime gerek yoktur.
Özel eğitim, tespit etmeniz gereken anomaliler veya nesneler COCO veri kümesinde yer almadığında gerekli hale gelir. Uygulamanız, üretimdeki nadir kusurları, görüntülerdeki belirli tıbbi durumları veya standart veri kümeleri tarafından kapsanmayan benzersiz nesneleri tanımlamayı gerektiriyorsa, bir modeli alana özgü veriler üzerinde eğitmek daha iyi performans ve doğruluk sağlar.
Anomali tespiti, birçok gerçek dünya uygulamasını kapsayan geniş bir kavramdır. Bunlardan birkaçını inceleyelim ve bilgisayarlı görmenin farklı sektörlerdeki düzensizlikleri belirlemeye, verimliliği artırmaya ve karar almayı iyileştirmeye nasıl yardımcı olduğunu görelim.
Üretimde bilgisayarlı görme, üretim hatlarındaki kusurları, yanlış hizalamaları ve eksik bileşenleri tespit ederek yüksek kalite standartlarını korumaya yardımcı olur. Bilgisayarlı görme modelleri, hatalı ürünleri anında işaretleyerek hattın aşağısına doğru ilerlemelerini durdurur ve atığı azaltır. Ham madde kusurları, ambalaj hataları veya zayıf yapısal bileşenler gibi sorunların erken tespiti, maliyetli geri çağırmaları ve finansal kayıpları önlemeye yardımcı olur.
Kalite kontrolünün ötesinde, anomali tespiti iş yeri güvenliğini de artırabilir. Fabrikalar genellikle ısı, duman ve tehlikeli emisyonlarla uğraşır ve bu da yangın tehlikelerine yol açabilir. Görüntü yapay zeka modelleri, olağandışı duman desenlerini, aşırı ısınan makineleri ve hatta bir yangının erken belirtilerini tespit ederek üreticilerin kazalar olmadan harekete geçmelerini sağlar.
Otomotiv endüstrisi, kritik arızalara yol açmadan önce motorlardaki, fren sistemlerindeki ve şanzıman bileşenlerindeki hataları tespit etmek için YOLO11 gibi modelleri kullanabilir. YOLO11'in nesne tespiti ve örnek segmentasyonu desteğini kullanarak, manuel denetimlerin gözden kaçırabileceği anormallikleri hassas bir şekilde belirlemek kolaydır.
Otomotiv endüstrisindeki anomali tespitine ilişkin diğer bazı örnekler şunlardır:
Elektroniklerin manuel olarak incelenmesi yavaş, tutarsız ve insan hatasına açık olabilir; bu da mikroçiplerdeki, devre kartlarındaki ve lehim bağlantılarındaki kusurların fark edilmeden kalabileceği anlamına gelir. Çatlak bir lehim yeri veya yanlış hizalanmış bir bileşen gibi küçük kusurlar bile sinyal bozulmalarına, sistem arızalarına veya kısa devrelere neden olarak cihazların güvenilirliğini azaltabilir.
YOLO11 destekli anomali tespiti ile üreticiler bu süreci otomatikleştirebilir ve yanlış hizalanmış parçalar, kusurlu lehimleme veya elektriksel hatalar gibi sorunları geleneksel yöntemlere göre çok daha yüksek bir doğrulukla hızlı bir şekilde belirleyebilir. Örneğin, insan denetçiler tarafından kaçırılabilecek bir lehim yerindeki küçük bir boşluk, YOLO11'in nesne tespiti sayesinde kolayca tespit edilebilir.
Endüstriler bilgisayar görüşü destekli anomali tespitine yöneldikçe, YOLO11 gibi modeller kaliteyi korumak, güvenliği artırmak ve operasyonel riskleri azaltmak için vazgeçilmez hale geliyor.
Üretimden tarıma kadar, yapay zeka güdümlü anomali tespiti doğruluğu artırabilir, denetimleri hızlandırabilir ve insan hatalarını en aza indirebilir. İleriye dönük olarak, yapay zekadaki gelişmelerin anomali tespitini daha da hassas hale getirmesi muhtemeldir.
Büyüyen topluluğumuza katılın! AI hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfedin. Kendi bilgisayarlı görü projelerinize başlamaya hazır mısınız? Lisanslama seçeneklerimize göz atın. Çözüm sayfalarımızı ziyaret ederek tarımda yapay zeka ve sağlık hizmetlerinde Vision AI'yı keşfedin!
