Pixelabs, Ultralytics YOLO tabanlı otomasyonla %95 geri çağırma elde ediyor

Günümüzde birçok endüstriyel, operasyonel ve araştırma iş akışı hâlâ süreçleri kontrol etmek veya kalıpları tespit etmek için görüntüleri manuel olarak inceleyen insanlara güveniyor. Veriler büyüdükçe, bu durum hızla yavaş, tutarsız ve ölçeklendirilmesi zor bir hale geliyor.

Bu durum, özellikle görüntülerdeki küçük göstergeleri tanımlamanın zor ve zaman alıcı olabileceği, erken Alzheimer teşhisi için retina görüntüleme gibi araştırma ortamlarında geçerlidir.

Pixelabs helps solve this with the Pixelabs AI-Engine, a visual AI platform designed for real-time image and video analysis. Using computer vision models like Ultralytics YOLO models, the platform makes it easier to automate visual workflows, improve consistency, and scale analysis.

Link to this sectionGerçek dünya iş akışlarını otomatikleştirmek için bilgisayarlı görü uygulamak#

Pixelabs, işletmelerin bilgisayarlı görü kullanarak mevcut süreçleri otomatikleştirmesini ve iyileştirmesini mümkün kılan görsel yapay zeka çözümleri geliştiriyor. Madrid merkezli olan ve Barselona ile İngiltere'de ofisleri bulunan şirket, endüstriler genelinde uygulanabilecek pratik yapay zeka araçları oluşturmaya odaklanıyor.

Özellikle Pixelabs AI-Engine adlı platformu, nesne tespiti, kusur tanımlama, yüzey analizi ve optik karakter tanıma (OCR) gibi görevler için gerçek zamanlı görüntü ve video analizi sağlıyor. Bu yetenekler, kullanıcıların görsel verileri daha verimli bir şekilde işlemesine ve manuel incelemeye olan bağımlılığı azaltmasına olanak tanıyor.

Platform, mevcut sistemlere entegre olacak şekilde tasarlandığından, organizasyonların operasyonları aksatmadan bilgisayarlı görü teknolojisini benimsemesini kolaylaştırıyor. Bu esneklik, Pixelabs'ın çok çeşitli kullanım örneklerini desteklemesine ve gereksinimler arttıkça çözümleri ölçeklendirmesine olanak tanıyor.

Link to this sectionBilgisayarlı görü entegrasyonu ve ölçeklendirme zorlukları#

Birçok endüstride günlük operasyonlar hâlâ manuel iş akışlarına ve sınırlı otomasyona dayanıyor. Operatörler, mühendisler ve araştırmacılar genellikle görüntüleri elle gözden geçiriyor, sonuçları doğruluyor ve verileri birden fazla araç üzerinde yönetiyor.

Bu durum, özellikle veri hacimleri arttıkça süreçleri daha yavaş, standartlaştırılması daha zor ve tutarsızlıklara daha açık hale getiriyor. Organizasyonlar bilgisayarlı görü teknolojisini getirmeyi düşünseler bile, geçiş her zaman kolay olmuyor.

Yapay zekayı mevcut sistemlere entegre etmek; kurulu iş akışlarında değişiklikler, yeni altyapı veya ek mühendislik çabası gerektirebilir. Bu yüzden birçok çözümün ölçeklendirilmesi veya zaman içinde sürdürülmesi zordur.

Örneğin, erken Alzheimer teşhisi için retina görüntüleme gibi araştırma ortamlarında bu zorluklar daha karmaşık hale geliyor. Araştırmacıların çok küçük özellikleri tespit etmesi, büyük görüntü veri setlerini yönetmesi ve sonuçların farklı koşullar altında tutarlı kalmasını sağlaması gerekiyor.

Şekil 1. Bir farenin gözündeki retina görüntülemesine dair örnek bir görüntü.

Analiz, veri yönetimi ve çıktıları işlemek için modern bir yöntem olmadan, bu iş akışlarını ölçeklendirmek ve güvenilir sonuçlar elde etmek zorlaşıyor.

Link to this sectionRetina görüntü analizini Ultralytics YOLO modelleri ile otomatikleştirmek#

Pixelabs, Ultralytics YOLO modellerini Pixelabs AI-Engine'e entegre ederek bu zorlukların üstesinden geldi. Platform, görsel yapay zeka çözümlerinin çekirdeği olarak hareket ederek, mevcut iş akışlarını bozmadan farklı uygulamalar genelinde gerçek zamanlı görüntü ve video analizi yapmayı daha sorunsuz hale getiriyor.

Nesne ve kusur tespiti, yüzey ve doku analizi, renk yönetimi ve OCR dahil olmak üzere çeşitli görevleri destekliyor. Donanımdan bağımsız olduğundan ve API'ler aracılığıyla entegre olacak şekilde tasarlandığından, farklı ortamlarda dağıtılabiliyor ve ölçeklenebiliyor.

Bu yaklaşım, Pixelabs'ın retina görüntüleme kullanarak farelerde Alzheimer'ın erken teşhisini desteklemek için bir sistem geliştirdiği CIBIR Alzheimer araştırma ekibiyle yapılan son bir iş birliğinde uygulandı. Amaç, hastalığın erken evrelerine işaret edebilen amiloid beta birikintileri gibi küçük göstergeleri tanımlamaktı.

Bunu yapmak için Pixelabs; veri depolamayı, görüntü işlemeyi ve bir kullanıcı arayüzünü birbirine bağlayan bir iş akışı oluşturdu. Laboratuvara özgü fundus görüntüleme cihazları kullanılarak yakalanan retina görüntüleri, önce Güvenli Dosya Aktarım Protokolü (SFTP) aracılığıyla aktarılıyor ve merkezi bir sistemde saklanıyor, bu da büyük veri setlerinin yönetilmesini ve bunlara erişilmesini kolaylaştırıyor.

Tutarlı sonuçlar sağlamak için görüntü kalitesi ve aydınlatmadaki farklılıkları yönetmek amacıyla ön işleme adımları uygulanıyor. Bu, sistemin farklı örnekler ve koşullar altında doğruluğunu korumasına yardımcı oluyor.

Görüntüler daha sonra özel olarak eğitilmiş Ultralytics YOLOv8 modelleri de dahil olmak üzere vizyon yapay zeka modelleri kullanılarak analiz ediliyor. Performans ve doğruluk dengesini sağlamak için YOLOv8'in orta ve büyük varyantları kullanılıyor.

Bu boru hattı içerisinde Ultralytics YOLO modelleri, retina görüntüleri içindeki amiloid beta birikintileri gibi küçük ilgi alanlarını tanımlamak ve yerelleştirmek için nesne tespiti ve görüntü sınıflandırması amacıyla kullanılıyor.

Şekil 2. Ultralytics YOLOv8 gibi bilgisayarlı görü modelleri, amiloid beta birikintilerini tespit etmeye yardımcı olabilir.

Son olarak sonuçlar, kullanıcıların görüntü yükleyebildiği, verileri yaş, cinsiyet veya fenotip gibi özelliklere göre filtreleyebildiği ve tespit edilen özellikleri güven puanlarıyla birlikte görüntüleyebildiği web tabanlı bir platform aracılığıyla sunuluyor. Bu, ham görüntü verilerinden net ve kullanılabilir içgörülere geçişi daha basit hale getiriyor.

Link to this sectionNeden Ultralytics YOLO modellerini seçmelisin?#

Pixelabs için Ultralytics YOLO modelleri, farklı kullanım durumlarına hızlı bir şekilde uyarlanabilen bilgisayarlı görü çözümleri oluşturmak için pratik ve esnek bir temel sağlayarak mükemmel bir uyum sergiledi. Eğitilmesi ve iyileştirilmesi kolay olduğundan ekibin daha hızlı yineleme yapmasına ve sistemi yeniden tasarlamaya gerek kalmadan yeni gereksinimlere yanıt vermesine olanak tanıyor.

Bu esnekliğin geliştirme hızı üzerinde doğrudan bir etkisi oldu. YOLO'dan yararlanarak Pixelabs, geliştirme döngülerini hızlandırmayı ve çözümleri daha hızlı bir şekilde üretime geçirmeyi başardı, böylece yeni uygulamalar için pazara sunma süresini kısalttı. Aynı zamanda modeller daha doğru ve tutarlı sonuçlar sundu.

Link to this sectionVerimliliği artırırken %95'e varan geri çağırma (recall) oranı sunmak#

Ultralytics YOLO modellerinin Pixelabs AI-Engine'e entegrasyonu, analiz performansında net iyileşmelere yol açtı. Alzheimer araştırması kullanım örneğinde sistem, %90 civarında geri çağırma oranları elde etti ve hastalık ilerleyip göstergeler daha görünür hale geldikçe bu oran %95'e kadar yükseldi.

Bu, araştırmacıların amiloid beta birikintileri gibi küçük özellikleri büyük görüntü veri setlerinde daha güvenilir bir şekilde tespit etmelerine olanak tanıdı. Sonuç olarak analiz daha tutarlı hale geldi, değişkenliği azalttı ve önemli göstergelerin gözden kaçmamasını sağlamaya yardımcı oldu.

Bu kullanım örneğinin ötesinde Pixelabs, çözümlerini farklı uygulamalarda kullanan müşterilerden de sürekli olarak olumlu geri bildirimler alıyor. Kullanıcılar, özellikle verimlilik ve güvenilirlik açısından süreçlerin yürütülmesindeki iyileştirmelerin altını çiziyor.

Etki, platformun esnekliğini ve farklı operasyonel ihtiyaçlara uyum sağlama yeteneğini yansıtacak şekilde kullanım örneğine göre değişiyor. Genel olarak bu geliştirmeler, görsel verileri ölçekli bir şekilde yönetmeyi ve analiz etmeyi kolaylaştırarak daha güvenilir sonuçları ve daha verimli iş akışlarını destekliyor.

Link to this sectionGörsel yapay zekayı endüstriler genelinde ilerletmek#

Pixelabs, görsel yapay zeka platformunun yeteneklerini yeni kullanım durumları ve endüstriler genelinde genişletmeye devam ediyor. Alzheimer teşhisi gibi araştırma uygulamalarındaki çalışmalarının üzerine inşa ederek ekip, modellerini iyileştirmeye ve Ultralytics YOLO modelleri gibi teknolojileri kullanarak görsel analizi geliştirmeye odaklanıyor.

Teknolojisini sürekli olarak iyileştirerek Pixelabs, organizasyonların süreçleri daha etkili bir şekilde otomatikleştirmesine ve bilgisayarlı görü teknolojisini daha geniş bir gerçek dünya iş akışı yelpazesinde uygulamasına yardımcı olmayı hedefliyor.

Şirketinin iş akışlarını modernleştirmekle ilgileniyor musun? Vizyon Yapay Zeka hakkında daha fazla bilgi edinmek için GitHub depomuza göz at. YOLO modellerinin sağlık hizmetlerinde yapay zeka ve perakendede bilgisayarlı görü gibi alanlarda yenilikleri nasıl desteklediğini keşfet. YOLO ile uygulamalı çalışmaya başlamak için lisanslama seçeneklerimizin projeni nasıl destekleyebileceğini öğren.