Özel veriler üzerinde ince ayar yapılan ve birden fazla dışa aktarma biçimi için optimize edilen Ultralytics YOLO modellerinin entegrasyonu, Videologic Analytics'in maliyetleri ve pazara çıkış süresini azaltmasını sağladı.
Videologic Analytics, endüstriyel tesisler, güneş enerjisi parkları ve konut kompleksleri için güvenlik ve gözetimi geliştiren ileri düzey video analitiği çözümleri üreten İspanya merkezli bir geliştiricidir. Çevreleri izlemek ve izinsiz girişleri gerçek zamanlı algılamak için güvenlik kameralarıyla bütünleşen yapay zekâ destekli çözümler kullanıyor.
Önceki modellerin yüksek maliyetleri ve yavaş devreye alınma süreçleriyle karşılaşan şirket, algılama doğruluğunu artırmak, geliştirme maliyetlerini ve pazara çıkış süresini azaltmak, perakende ve iş zekâsı gibi yeni alanlara açılmak için Ultralytics YOLO modellerini entegre etti.
Yapay zekâ kameralarıyla güvenlik için bilgisayarlı görü#
30 yılı aşkın deneyime sahip uzmanların liderliğindeki Videologic Analytics, gerçek zamanlı izleme ve otomatik tehdit tespiti için yapay zekâyı bilgisayarlı görüyle güvenlik kameralarına entegre etme konusunda uzmanlaşmıştır. Çözümleri; büyük tesisleri, yenilenebilir enerji kurulumlarını ve yerleşim bölgelerini güvenilir performansla koruyor.
Prosegur, Securitas ve Sabico gibi tanınmış müşterilere ve İspanya'daki 4.000'den fazla sertifikalı güvenlik şirketine hizmet veriyor. Maliyetli ve zaman alan yapay zekâ modeli geliştirme ve devreye alma süreçleriyle karşılaşan şirket, yenilikçi Vision AI çözümlerinde Ultralytics YOLO modellerini kullanmaya başladı. Böylece güvenlik uygulamalarını geliştirebildi ve yeni sektörlere de açılabildi.
Yapay zekâyla maliyet verimli otomatik tehdit tespitine duyulan ihtiyaç#
Videologic Analytics daha önce müşterilerine sunduğu güvenlik kameralarına yapay zekâ modelleri entegre etmişti. Bu ilk modeller; genel araçlar, insanlar ve küçük hayvanlar dâhil sınırlı sayıda nesne kategorisini tespit edecek şekilde programlanmıştı. Bu temel yaklaşım gelişmiş güvenlik sistemlerinin önünü açsa da özellikle hassasiyeti artırma ve yanlış pozitif oranlarını düşürme konusunda daha fazla iyileştirme fırsatı sunuyordu.
Müşterileri, daha geniş bir nesne ve senaryo yelpazesinde daha geniş ve daha doğru nesne algılama yetenekleri sunabilecek daha kapsamlı bir çözüm arıyordu. Bu müşteri ihtiyaçlarını karşılamak için Videologic Analytics’in araştırma ve geliştirme ekibi, daha gelişmiş yapay zekâ modelleri geliştirmeye başladı.
Videologic Analytics, bu modelleri geliştirirken mevcut yaklaşımın yüksek maliyetler ve uzun geliştirme süreleri gibi sorunları olduğunu kısa sürede fark etti. Şirket, daha esnek ve verimli bir yaklaşıma ihtiyaç duyduğunu anladı. Bu yeni yaklaşımın söz konusu zorlukları ele alması ve müşterilerinin değişen güvenlik ihtiyaçlarını daha iyi karşılaması gerekiyordu.
Özellikle, Vision AI çözümlerinin güvenilirliğini artırabilecek ve müşteri memnuniyetini yükseltebilecek bir bilgisayarlı görü modeli bulmak istiyorlardı. Modelin uygun maliyetli olması ve gelecekteki ihtiyaçlara uyum sağlayabilmesi de önemliydi.
Yapay zekâ destekli anomali tespitiyle gözetimi yeniden tanımlamak#
Videologic Analytics, çeşitli yapay zekâ modellerini test ettikten sonra Ultralytics YOLO modellerinin ihtiyaç duyduğu esneklik ve performansı sunduğunu keşfetti. Şirket, çok çeşitli yaygın nesneleri içeren COCO veri kümesi kullanılarak geliştirilmiş, önceden eğitilmiş YOLO modelleriyle işe başladı. Modeller birçok temel öğeyi zaten tanıyabildiği için bu ön eğitim güçlü bir temel oluşturdu ve belirli güvenlik ihtiyaçlarına uyarlamayı kolaylaştırdı.
Örneğin Videologic Analytics, güneş enerjisi parklarını izleme gibi uygulamalar için bu önceden eğitilmiş modellerde kendi özel verilerini kullanarak ince ayar yaptı.
Bu senaryoda modeller, yapay zekâ destekli anormallik algılaması için kullanıldı ve gerçek tehditleri (yetkisiz kişiler veya araçlar gibi) küçük hayvanlar ya da rüzgârın savurduğu döküntüler gibi zararsız unsurlardan ayırdı. Bu net ayrım, yanlış alarmları azaltmak ve genel güvenlik performansını iyileştirmek açısından kritikti.
Güneş enerjisi çiftliklerini izlemenin yanı sıra YOLO kullanarak hem endüstriyel hem de konut güvenliği çözümleri ve perakende ile iş zekâsındaki bilgisayarlı görü yenilikleri için kavram kanıtı modülleri geliştirdiler. Öncelikli olarak nesne algılama kullansalar da poz tahmini ve nesne takibi gibi YOLO'nun desteklediği bilgisayarlı görü görevlerinden de yararlanıyorlar.
Şekil 1. Videologic Analytics, güneş enerjisi santrallerini izlemek için Ultralytics YOLO modellerini kullanıyor.
Neden Ultralytics YOLO modellerini seçmeli?#
Videologic Analytics, çok sayıda kamera kanalını desteklerken hızlı ve doğru çıkarım sunabilecek sağlam bir çözüme ihtiyaç duyduğu için Ultralytics YOLO modellerini tercih etti.
YOLO, çeşitli dışa aktarma biçimlerini destekler ve CUDA, TensorRT, ONNX ve OpenVINO gibi çerçevelerle sorunsuz biçimde entegre olur. Bu esneklik, Videologic Analytics'in PyTorch kullanarak modellere ince ayar yapmasını ve modelleri üretime verimli biçimde dağıtmasını sağlar. Donanıma özel optimizasyonlarla YOLO, gerçek zamanlı video analitiğinin zorlu ihtiyaçlarını önceki modellerden daha iyi karşılar.
Akıllı video izleme için kolaylaştırılmış model dağıtımı#
Ultralytics YOLO modellerini entegre ettiğinden beri Videologic Analytics hem performans hem de verimlilik açısından etkileyici gelişmeler kaydetti. Yeni Vision AI çözümü, güneş enerjisi parklarından ve endüstriyel tesislerden konut komplekslerine kadar çok çeşitli kurulumlarda hızlı ve gerçek zamanlı tehdit tespitini mümkün kıldı.
Videologic Analytics yılda yaklaşık 10.000 lisans dağıtıyor; her lisans belirli bir kamera kanalına karşılık geliyor ve artık tüm lisanslar Ultralytics YOLO modellerini destekleyecek şekilde yükseltildi. YOLO'ya geçiş, yanlış alarmları önemli ölçüde azalttı ve genel algılama doğruluğunu artırdı. Sonuç olarak müşteriler daha güvenilir güvenlik sistemlerinden yararlanıyor ve operasyonel maliyetleri düştü.
Ultralytics YOLO modellerinin daha hızlı çıkarım yapması ve ölçeklenebilirliği, yeni yapay zekâ özelliklerinin pazara çıkış süresini de kısalttı. Böylece Videologic Analytics, temel güvenlik hizmetlerini geliştirebildi ve perakende ile iş zekâsı gibi sektörlerde yeni fırsatları değerlendirebildi. Genel olarak Ultralytics YOLO modellerinin benimsenmesi, şirkette hem operasyonel açıdan anında iyileşmeler sağladı hem de uzun vadeli büyüme fırsatlarının önünü açtı.
Şekil 2. Videologic Analytics, kentsel ortamları izlemek için Ultralytics YOLO modellerini kullanıyor.
Güvenlik ve emniyet için akıllı video analitiği: Gelecek#
Videologic Analytics, temel izinsiz giriş tespitinin ötesine geçmek için Ultralytics YOLO modellerinden yararlanarak çözümünü genişletme çalışmalarını sürdürüyor. Sonraki adımlar arasında davranış analizi, eğilim takibi ve öngörücü zekâ gibi gelişmiş analitiklerle daha kapsamlı ve eyleme dönüştürülebilir öngörüler sunmak yer alıyor.
Bu iyileştirmeler, müşterilerin güvenlik operasyonlarını optimize etmelerine ve perakende ile iş zekâsında yeni olanaklardan yararlanmalarına yardımcı olacak; gerçek zamanlı video analitiğinde sürekli yenilik ve büyümeyi destekleyecek.
Bilgisayarlı görünün işini nasıl dönüştürebileceğini merak ediyor musun? Ultralytics'in yapay zekâ çözümlerinin perakendede yapay zekâ ve tarımda bilgisayarlı görü gibi yenilikleri nasıl dönüştürdüğünü görmek için GitHub depomuzu keşfet. YOLO modellerimiz ve lisanslama seçeneklerimiz hakkında daha fazla bilgi edin ve daha akıllı, daha verimli otomasyona doğru yolculuğuna bugün başla.
Yazan
İçerik Üreticisi · Ultralytics
