Anomali tespiti için görsel yapay zekâ: Kısa bir genel bakış

Bir uçak kanadındaki küçücük bir çatlak, ilaç üzerindeki yanlış basılmış bir etiket ya da olağan dışı bir finansal işlem, fark edilmediğinde ciddi sorunlara yol açabilir. Her sektör; arızaları, mali kayıpları veya güvenlik risklerini önlemek için risk oluşturabilecek sorunları erkenden tespit etme zorluğuyla karşı karşıyadır.

Özellikle anormalliklerin tespit edilmesi gerekir. Anomali tespiti, beklenen davranışlarla uyuşmayan örüntüleri belirlemeye odaklanır. Aksi takdirde fark edilmeyebilecek kusurları, hataları veya olağan dışı faaliyetleri işaretlemeyi amaçlar. Geleneksel yöntemler bu anomalileri bulmak için sabit kurallara dayanır; ancak genellikle yavaştır ve karmaşık değişkenlerle baş etmekte zorlanır. İşte bu noktada bilgisayarlı görü kritik bir rol oynar.

Büyük görsel veri kümelerinden öğrenen Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, düzensizlikleri geleneksel yöntemlerden daha doğru tespit edebilir.

Bu makalede, görüntü tabanlı anomali tespitinin nasıl çalıştığını ve Ultralytics YOLO11'in nasıl yardımcı olabileceğini inceleyeceğiz.

Anomali tespitine neden ihtiyaç duyulur?#

Bilgisayarlı görü bağlamında anomaliler veya düzensizlikler genellikle görüntü ve videolardaki kusurlar ya da olağan dışı örüntüler olarak ortaya çıkar. İşletmeler yıllarca kusurları tespit etmek için manuel denetimlere veya kural tabanlı sistemlere güvendi.

Örneğin, ilaç üretiminde tabletlerdeki anomaliler; kaliteyi ve güvenliği tehlikeye atabilecek çatlaklar, hatalı şekiller, renk değişimleri veya eksik baskılar olabilir. Kusurlu ürünlerin tüketicilere ulaşmasını önlemek için bu kusurları erkenden tespit etmek hayati önem taşır. Ancak manuel anomali tespit yöntemleri genellikle yavaştır, tutarsız sonuçlar verir ve gerçek dünyadaki düzensizliklerin karmaşıklığıyla baş edemez.

Şekil 1. İlaç sektöründe anomali tespiti.

Yapay zekâ tabanlı anomali tespiti, büyük veri kümelerinden örüntüler öğrenerek bu zorlukları ele alır. Sabit kural tabanlı yöntemlerin aksine yapay zekâ sistemleri, yeni veriler geldikçe yeniden eğitilebilir ve iyileştirilebilir.

Ultralytics YOLO11 gibi gelişmiş modeller, yüksek hassasiyetle gerçek zamanlı görüntü analizi yaparak anomali tespitini iyileştirir. Görüntü tabanlı yapay zekâ sistemleri; şekil, doku ve yapı gibi ayrıntıları analiz ederek düzensizlikleri hızlı ve doğru biçimde bulmayı kolaylaştırabilir.

Bilgisayarlı görü anomali tespitini nasıl mümkün kılar?#

Görüntü tabanlı yapay zekâyla çalışan anomali tespit sistemleri, öncelikle kameralar, sensörler veya dronlar aracılığıyla yüksek kaliteli görüntüler ya da videolar yakalar. İster fabrika hattındaki kusurlu bir ürünü bulmak, ister güvenli bir alandaki yetkisiz bir kişiyi tespit etmek, ister kamusal alandaki olağan dışı hareketleri belirlemek olsun, net görsel veriler kritik önem taşır.

Toplanan görüntü veya videolar, gürültü azaltma, kontrast iyileştirme ve eşikleme gibi görüntü işleme tekniklerinden geçirilir. Bu ön işleme adımları, arka plan gürültüsünü filtrelerken görüntü tabanlı yapay zekâ modellerinin önemli ayrıntılara odaklanmasına yardımcı olur ve güvenlik izlemeden tıbbi tanılara ve trafik kontrolüne kadar çeşitli uygulamalarda doğruluğu artırır.

Ön işlemenin ardından bilgisayarlı görü, görüntüleri analiz etmek ve olağan dışı durumları belirlemek için kullanılabilir. Bir anomali işaretlendiğinde sistem; kusurlu bir ürünü kaldırması için bir çalışana bildirim göndermek, olası bir tehdide karşı güvenlik personelini uyarmak veya trafik yoğunluğunu yönetmeleri için trafik operatörlerini bilgilendirmek gibi bir uyarıyı tetikleyebilir.

Şekil 2. Görüntü tabanlı yapay zekâyla tespit edilebilecek kusur örnekleri.

Ultralytics YOLO11'in yetenekleriyle anomali tespiti#

Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin anomalileri tespit etmek için görüntüleri nasıl analiz edebildiğine daha yakından bakalım.

Ultralytics YOLO11; nesne tespiti, görüntü sınıflandırma, örnek segmentasyonu, nesne takibi ve poz tahmini gibi çeşitli bilgisayarlı görü görevlerini destekler. Bu görevler, farklı gerçek dünya uygulamalarında anomali tespitini kolaylaştırır.

Örneğin, montaj hattındaki kusurlu ürünleri, kısıtlı alanlardaki yetkisiz kişileri veya depodaki yanlış konumlandırılmış öğeleri belirlemek için nesne tespitinden yararlanılabilir. Benzer şekilde, örnek segmentasyonu; makinelerdeki çatlaklar veya yenilebilir ürünlerdeki kontaminasyon gibi anomalilerin sınırlarını hassas biçimde belirlemeyi mümkün kılar.

Şekil 3. Ultralytics YOLO11 yardımıyla çatlakların segmentasyonu.

Anomali tespitinde kullanılan bilgisayarlı görü görevlerine başka örnekler:

• Nesne takibi: Güvenlik tehditlerini tespit etmek için hareket örüntülerini izleme, trafikteki araç anormalliklerini takip etme veya sağlık hizmetlerinde hasta hareketlerini değerlendirme amacıyla kullanılabilir.
• Poz tahmini: Ultralytics YOLO11, iş yerlerindeki güvenlik tehlikelerini belirlemek veya sağlık hizmetlerinde rehabilitasyonun ilerleyişini takip etmek için olağan dışı vücut hareketlerini tespit edebilir.
• Yönlendirilmiş sınırlayıcı kutu (OBB) tespiti: Döndürülmüş veya eğik nesneleri doğru biçimde belirleyip konumlandırarak anomali tespitini iyileştirir; bu özelliğiyle hava görüntülerinin analizi, otonom sürüş ve endüstriyel denetimler için kullanışlıdır.

Neden Ultralytics YOLO11 kullanmalısın?#

Diğer bilgisayarlı görü modelleri arasında Ultralytics YOLO modelleri, hızları ve doğruluklarıyla öne çıkar. Ultralytics YOLOv5, PyTorch tabanlı çerçevesiyle dağıtımı basitleştirerek daha geniş bir kullanıcı kitlesinin erişimini sağladı. Ultralytics YOLOv8 ise örnek segmentasyonu, nesne takibi ve poz tahmini gibi görevler için destek sunarak esnekliği daha da artırdı ve farklı uygulamalara daha iyi uyum sağladı.

Yazının yazıldığı sırada en yeni sürüm olan YOLO11 (yerini daha sonra Ultralytics YOLO26 aldı), önceki sürümlerine kıyasla daha yüksek hassasiyet ve performans sunuyor. Örneğin YOLO11m, YOLOv8m'den %22 daha az parametreyle COCO veri kümesinde daha yüksek ortalama kesinlik (mAP) elde ederek daha hassas ve verimli nesne tespitine olanak tanıyor.

Anomali tespiti için Ultralytics YOLO11 nasıl özel olarak eğitilir?#

Anomali tespiti için Ultralytics YOLO11'i özel olarak eğitmek kolaydır. Belirli uygulaman için hazırlanmış bir veri kümesiyle modeli hassas ayarlayarak anomalileri doğru biçimde tespit etmesini sağlayabilirsin.

Başlamak için şu basit adımları izle:

• Veri kümeni hazırla: Hem normal hem de anomali içeren örneklerden oluşan yüksek kaliteli görüntüler topla. Modelin daha iyi uyum sağlamasına yardımcı olmak için farklı ışıklandırma, açılar ve çözünürlükler eklediğinden emin ol. Endüstriyel kusurları ele almak için MVTec AD gibi herkese açık kıyaslama veri kümeleri iyi bir başlangıç noktasıdır.
• Verilerini etiketle: Modelin ne arayacağını bilmesi için anomalileri sınırlayıcı kutular, bölütleme veya anahtar noktalar kullanarak işaretle. Etiketleme araçları bu süreci hızlandırıp kolaylaştırır.
• Modeli eğit: Model birden fazla döngü boyunca öğrenerek normal ve anomali durumlarını gerçek zamanlı belirleme becerisini geliştirir.
• Test et ve doğrula: Performansını değerlendirmek ve dağıtımdan önce iyi sonuç verdiğinden emin olmak için eğitilmiş modeli daha önce görmediği yeni görüntüler üzerinde çalıştır.

Ayrıca, anomali tespit sistemi oluştururken özel eğitimin gerçekten gerekli olup olmadığını değerlendirmek önemlidir. Bazı durumlarda önceden eğitilmiş bir model zaten yeterli olabilir.

Örneğin, trafik yönetim sistemi geliştiriyorsan ve tespit etmen gereken anomali karşıdan karşıya kurallara aykırı biçimde geçen yayalarsa, önceden eğitilmiş Ultralytics YOLO11 modeli insanları zaten yüksek doğrulukla tespit edebilir. COCO veri kümesinde iyi temsil edilen bir sınıf olan "person" (model bu veri kümesi üzerinde önceden eğitilmiştir) için ek eğitime gerek yoktur.

Tespit etmen gereken anomaliler veya nesneler COCO veri kümesinde yer almadığında özel eğitim zorunlu hâle gelir. Uygulaman üretimde nadir kusurları, görüntülerdeki belirli tıbbi durumları veya standart veri kümelerinin kapsamadığı benzersiz nesneleri tanımayı gerektiriyorsa, modeli alana özgü verilerle eğitmek daha iyi performans ve doğruluk sağlar.

Görüntü tabanlı anomali tespitinin gerçek dünya uygulamaları#

Anomali tespiti, gerçek dünyadaki birçok uygulamayı kapsayan geniş bir kavramdır. Bilgisayarlı görünün farklı sektörlerde düzensizlikleri belirlemeye, verimliliği artırmaya ve karar alma süreçlerini iyileştirmeye nasıl yardımcı olduğunu görmek için birkaç örneği inceleyelim.

Üretimde anomali tespiti#

Üretimde bilgisayarlı görü, üretim hatlarındaki kusurları, hizalama bozukluklarını ve eksik bileşenleri bularak yüksek kalite standartlarının korunmasına yardımcı olur. Bilgisayarlı görü modelleri hatalı ürünleri anında işaretleyip üretim hattında ilerlemelerini durdurabilir ve israfı azaltabilir. Ham madde kusurları, ambalaj hataları veya zayıf yapısal bileşenler gibi sorunların erken tespiti, maliyetli ürün geri çağırmalarını ve finansal kayıpları önlemeye yardımcı olur.

Anomali tespiti, kalite kontrolün yanı sıra iş yeri güvenliğini de iyileştirebilir. Fabrikalarda yangın tehlikesine yol açabilecek sıcaklık, duman ve tehlikeli emisyonlarla sıkça karşılaşılır. Görüntü tabanlı yapay zekâ modelleri olağan dışı duman örüntülerini, aşırı ısınan makineleri ve hatta bir yangının erken belirtilerini tespit ederek üreticilerin kazalar meydana gelmeden önce harekete geçmesini sağlayabilir.

Şekil 4. Yangın ve duman tespitinde kullanılan bilgisayarlı görü.

Otomotivde uç durumları belirleme#

Otomotiv sektörü, kritik arızalara yol açmadan önce motorlardaki, fren sistemlerindeki ve şanzıman bileşenlerindeki kusurları tespit etmek için Ultralytics YOLO11 gibi modellerden yararlanabilir. YOLO11'in nesne tespiti ve örnek segmentasyonu desteği sayesinde manuel denetimlerin gözden kaçırabileceği anomalileri hassas biçimde belirlemek kolaylaşır.

Otomotiv sektöründe anomali tespitine başka örnekler:

• Trafik anomalisi tespiti: Trafiğin ters yönünde ilerleyen araçları, ani şerit değişikliklerini veya kısıtlı alanlara yetkisiz girişi tanıma.
• Sürücü davranışını izleme: Yol güvenliğini artırmak için uykulu araç kullanma, dikkati dağılmış davranışlar veya düzensiz direksiyon hareketlerini belirleme.
• Otonom araç güvenliği: Çarpışmaları önlemek için yayaları, bisikletlileri ve beklenmedik engelleri tespit etme.

Elektronikteki düzensizlikleri tespit etme#

Elektronik bileşenleri elle incelemek yavaş ve tutarsız olabilir, ayrıca insan hatasına açıktır; bu da mikroçiplerdeki, devre kartlarındaki ve lehim bağlantılarındaki kusurların gözden kaçabileceği anlamına gelir. Çatlamış bir lehim bağlantısı veya yanlış hizalanmış bir bileşen gibi küçük kusurlar bile sinyal kesintilerine, sistem arızalarına veya kısa devrelere yol açarak cihazların güvenilirliğini düşürebilir.

Ultralytics YOLO11 destekli anomali tespitiyle üreticiler bu süreci otomatikleştirebilir ve hizasız parçalar, kusurlu lehimleme veya elektrik arızaları gibi sorunları geleneksel yöntemlerden çok daha yüksek doğrulukla hızla belirleyebilir. Örneğin insan denetçilerin gözden kaçırabileceği bir lehim bağlantısındaki küçücük boşluk, YOLO11'in nesne tespitiyle kolayca saptanabilir. Ultralytics Platform'da ayrıca YOLO26s'ten hassas ayarlamayla elde edilmiş bir PCB kusur tespit modeli bulunuyor.

Önemli çıkarımlar#

Endüstriler bilgisayarlı görü destekli anomali tespitine yöneldikçe Ultralytics YOLO11 gibi modeller; kaliteyi korumak, güvenliği artırmak ve operasyonel riskleri azaltmak için vazgeçilmez hâle geliyor.

Üretimden tarıma kadar yapay zekâ destekli anomali tespiti doğruluğu artırabilir, incelemeleri hızlandırabilir ve insan hatalarını en aza indirebilir. Gelecekte yapay zekâdaki gelişmelerin anomali tespitini daha hassas hâle getirmesi bekleniyor.

Büyüyen topluluğumuza katıl! Yapay zekâ hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet. Kendi bilgisayarlı görü projelerine başlamaya hazır mısın? Lisans seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek tarımda yapay zekâyı ve sağlık hizmetlerinde görsel yapay zekâyı keşfet!