Ultralytics YOLO modellerini Pixelabs AI-Engine'e entegre ederek Pixelabs, görsel iş akışlarını otomatikleştirebildi. Örneğin, Alzheimer'ı erken tespit etmeye yönelik retina görüntülemede, bu yaklaşım göstergelerin belirlenme tutarlılığını artırdı ve duyarlılık %95'e kadar ulaştı.
Günümüzde birçok endüstriyel, operasyonel ve araştırma iş akışında süreçleri kontrol etmek veya örüntüleri saptamak için görüntüler hâlâ insanlar tarafından elle inceleniyor. Veri arttıkça bu süreç hızla yavaşlıyor, tutarsızlaşıyor ve ölçeklendirilmesi zorlaşıyor.
Bu durum, görüntülerdeki küçük göstergeleri belirlemenin zor ve zaman alıcı olabildiği, Alzheimer'ı erken tespit etmeye yönelik retina görüntüleme gibi araştırma ortamlarında özellikle geçerlidir.
Pixelabs, gerçek zamanlı görüntü ve video analizi için tasarlanmış görsel bir AI platformu olan Pixelabs AI-Engine ile bu sorunun çözümüne yardımcı oluyor. Bilgisayarlı görü modellerinden, örneğin Ultralytics YOLO modellerinden yararlanan platform; görsel iş akışlarını otomatikleştirmeyi, tutarlılığı artırmayı ve analizleri ölçeklendirmeyi kolaylaştırıyor.
Gerçek dünyadaki iş akışlarını otomatikleştirmek için bilgisayarlı görüden yararlanma#
Pixelabs, şirketlerin bilgisayarlı görü kullanarak mevcut süreçleri otomatikleştirmesini ve iyileştirmesini sağlayan görsel AI çözümleri geliştiriyor. Merkezi Madrid'de bulunan ve Barselona ile Birleşik Krallık'ta ofisleri olan şirket, sektörler genelinde uygulanabilecek pratik AI araçları geliştirmeye odaklanıyor.
Platformu Pixelabs AI-Engine; nesne algılama, kusur tespiti, yüzey analizi ve optik karakter tanıma (OCR) gibi görevler için gerçek zamanlı görüntü ve video analizi sağlıyor. Bu özellikler, kullanıcıların görsel verileri daha verimli işlemesine ve elle incelemeye olan bağımlılığı azaltmasına olanak tanıyor.
Platform, mevcut sistemlere entegre olacak şekilde tasarlandığından kuruluşların operasyonları aksatmadan bilgisayarlı görü teknolojisini benimsemesini kolaylaştırıyor. Bu esneklik, Pixelabs'ın çok çeşitli kullanım alanlarını desteklemesini ve gereksinimler arttıkça çözümleri ölçeklendirmesini sağlıyor.
Bilgisayarlı görü teknolojisini entegre etme ve ölçeklendirme zorlukları#
Birçok sektörde günlük operasyonlar hâlâ elle yürütülen iş akışlarına ve sınırlı otomasyona dayanıyor. Operatörler, mühendisler ve araştırmacılar çoğu zaman görüntüleri elle inceliyor, sonuçları doğruluyor ve verileri birden fazla araç üzerinden yönetiyor.
Bu durum süreçleri yavaşlatıyor, standartlaştırmayı zorlaştırıyor ve özellikle veri hacmi arttıkça tutarsızlık olasılığını yükseltiyor. Kuruluşlar bilgisayarlı görü teknolojisini kullanmaya yönelse bile geçiş her zaman kolay olmuyor.
AI'ı mevcut sistemlere entegre etmek, yerleşik iş akışlarında değişiklikler, yeni altyapı veya ek mühendislik çalışmaları gerektirebilir. Bu nedenle birçok çözümün zaman içinde ölçeklendirilmesi veya bakımı zorlaşıyor.
Örneğin, Alzheimer'ı erken tespit etmeye yönelik retina görüntüleme gibi araştırma ortamlarında bu zorluklar daha karmaşık hâle geliyor. Araştırmacıların çok küçük özellikleri tespit etmesi, büyük görüntü veri kümelerini yönetmesi ve farklı koşullarda sonuçların tutarlı kalmasını sağlaması gerekiyor.
Şekil 1. Bir farenin gözünde retina görüntüleme örneği.
Analiz, veri yönetimi ve çıktıları düzenli biçimde yönetmenin bir yolu olmadığında bu iş akışlarını ölçeklendirmek ve güvenilir sonuçları korumak zorlaşıyor.
Ultralytics YOLO modelleriyle retina görüntüsü analizini otomatikleştirme#
Pixelabs, Ultralytics YOLO modellerini Pixelabs AI-Engine'e entegre ederek bu zorlukların üstesinden geldi. Platform, görsel AI çözümlerinin temelini oluşturuyor ve mevcut iş akışlarını aksatmadan farklı uygulamalarda gerçek zamanlı görüntü ve video analizini daha sorunsuz hâle getiriyor.
Platform; nesne ve kusur algılama, yüzey ve doku analizi, renk yönetimi ve OCR dâhil çeşitli görevleri destekliyor. Donanımdan bağımsız olduğu ve API'ler aracılığıyla entegre edilecek şekilde tasarlandığı için farklı ortamlarda devreye alınabiliyor ve ölçeklendirilebiliyor.
Bu yaklaşım, Pixelabs'ın retina görüntüleme kullanarak farelerde Alzheimer'ın erken tespitini destekleyen bir sistem geliştirdiği CIBIR Alzheimer araştırma ekibiyle yakın tarihli iş birliğinde uygulandı. Amaç, hastalığın erken evrelerine işaret edebilecek amiloid beta birikintileri gibi küçük göstergeleri belirlemekti.
Bunun için Pixelabs, veri depolama, görüntü işleme ve kullanıcı arayüzünü birbirine bağlayan bir iş akışı oluşturdu. Laboratuvara özgü fundus görüntüleme cihazlarıyla çekilen retina görüntüleri önce Güvenli Dosya Aktarım Protokolü (SFTP) üzerinden aktarılıyor ve merkezi bir sistemde saklanıyor; bu da büyük veri kümelerinin yönetimini ve bunlara erişimi kolaylaştırıyor.
Tutarlı sonuçlar elde etmek için görüntü kalitesi ve aydınlatmadaki farklılıkları gidermek üzere ön işleme adımları uygulanıyor. Bu, sistemin farklı örneklerde ve koşullarda doğruluğunu korumasına yardımcı oluyor.
Ardından görüntüler, özel olarak eğitilmiş Ultralytics YOLOv8 modelleri dâhil görsel AI modelleri kullanılarak analiz ediliyor. Performans ve doğruluk arasında denge kurmak için YOLOv8'in orta ve büyük varyantları kullanılıyor.
Bu işlem hattında Ultralytics YOLO modelleri, amiloid beta birikintileri gibi küçük ilgi alanlarını doğrudan retina görüntülerinde belirlemek ve konumlarını tespit etmek amacıyla nesne algılama ve görüntü sınıflandırma görevlerinde kullanılıyor.
Şekil 2. Ultralytics YOLOv8 gibi bilgisayarlı görü modelleri amiloid beta birikintilerinin tespitine yardımcı olabilir.
Son olarak sonuçlar, kullanıcıların görüntü yükleyebildiği, verileri yaş, cinsiyet veya fenotip gibi özelliklere göre filtreleyebildiği ve tespit edilen özellikleri güven skorlarıyla birlikte görüntüleyebildiği web tabanlı bir platformda sunuluyor. Böylece ham görüntü verilerinden net ve kullanılabilir içgörülere ulaşmak kolaylaşıyor.
Neden Ultralytics YOLO modellerini seçmeli?#
Pixelabs için Ultralytics YOLO modelleri, farklı kullanım alanlarına hızla uyarlanabilen bilgisayarlı görü çözümleri geliştirmeye yönelik pratik ve esnek bir temel sunarak ideal bir seçenek oldu. Modellerin eğitilmesi ve iyileştirilmesi kolay; bu da ekibin daha hızlı yineleme yapmasını ve sistemi yeniden tasarlamaya gerek kalmadan yeni gereksinimlere yanıt vermesini sağlıyor.
Bu esneklik, geliştirme hızını doğrudan etkiledi. Pixelabs, YOLO'dan yararlanarak geliştirme döngülerini hızlandırabildi ve çözümleri daha hızlı üretime alarak yeni uygulamaların pazara sunulma süresini kısalttı. Aynı zamanda modeller daha doğru ve tutarlı sonuçlar verdi.
Verimliliği artırırken %95'e varan duyarlılık sağlama#
Ultralytics YOLO modellerinin Pixelabs AI-Engine'e entegrasyonu, analiz performansında belirgin iyileşmeler sağladı. Alzheimer araştırması kullanım alanında sistem, yaklaşık %90 duyarlılığa ulaştı; hastalık ilerleyip göstergeler daha görünür hâle geldikçe bu oran %95'e kadar yükseldi.
Bu sayede araştırmacılar, amiloid beta birikintileri gibi küçük özellikleri büyük görüntü veri kümelerinde daha güvenilir biçimde tespit edebildi. Sonuç olarak analiz daha tutarlı hâle geldi, değişkenlik azaldı ve önemli göstergelerin gözden kaçmaması sağlandı.
Pixelabs, bu kullanım alanının yanı sıra farklı uygulamalarda çözümlerini kullanan müşterilerinden de sürekli olumlu geri bildirimler alıyor. Kullanıcılar, özellikle verimlilik ve güvenilirlik açısından süreçlerin yürütülme biçimindeki iyileşmelere dikkat çekiyor.
Etki, platformun esnekliğini ve farklı operasyonel gereksinimlere uyum sağlama becerisini yansıtacak şekilde kullanım alanına göre değişiyor. Genel olarak bu iyileştirmeler, görsel verileri büyük ölçekte yönetmeyi ve analiz etmeyi kolaylaştırarak daha güvenilir sonuçları ve daha verimli iş akışlarını destekledi.
Sektörler genelinde görsel AI'ı ileriye taşımak#
Pixelabs, görsel AI platformunun yeteneklerini yeni kullanım alanlarına ve sektörlere taşıyarak genişletmeye devam ediyor. Alzheimer tespiti gibi araştırma uygulamalarındaki çalışmalarından yola çıkan ekip, Ultralytics YOLO modelleri gibi teknolojilerden yararlanarak modellerini geliştirmeye ve görsel analizi ilerletmeye odaklanıyor.
Pixelabs, teknolojisini sürekli geliştirerek kuruluşların süreçleri daha etkili biçimde otomatikleştirmesine ve bilgisayarlı görü teknolojisini daha geniş bir gerçek dünya iş akışı yelpazesinde uygulamasına yardımcı olmayı amaçlıyor.
Şirketinin iş akışlarını kolaylaştırmakla ilgileniyor musun? Vision AI hakkında daha fazla bilgi edinmek için GitHub depomuza göz at. YOLO modellerinin sağlık hizmetlerinde yapay zekâ ve perakendede bilgisayarlı görü gibi alanlarda yenilikleri nasıl desteklediğini keşfet. YOLO'yu uygulamalı olarak denemek ve projenin lisanslama seçeneklerimizin desteğinden nasıl yararlanabileceğini öğrenmek için.
