Computer Vision (CV)

Bilgisayarlı Görü (CV), bilgisayarların ve sistemlerin dijital görüntülerden, videolardan ve diğer görsel girdilerden anlamlı bilgiler elde etmesini sağlayan gelişmiş bir Yapay Zeka (AI) alanıdır. İnsan görüşü çevresini anında algılama ve anlama yeteneğine sahipken, bilgisayarların desenleri tanıması ve pikselleri yorumlaması için eğitilmesi gerekir. Makine Öğrenimi (ML) ve özellikle Derin Öğrenme (DL) algoritmalarından yararlanan CV sistemleri, görsel verileri alıp işleyebilir ve bu bilgilere dayanarak önerilerde bulunabilir veya eylemler gerçekleştirebilir.

Link to this sectionBilgisayarlı Görü Nasıl Çalışır#

Temelde bir bilgisayar görüntüyü, pikselleri temsil eden sayısal değerlerden oluşan bir dizi olarak görür. Modern CV, büyük ölçüde insan beynindeki nöronların bağlantı modelini taklit etmek üzere tasarlanmış Evrişimli Sinir Ağlarına (CNN'ler) dayanır. Bu ağlar, özellik çıkarımı adı verilen bir süreç aracılığıyla basit kenarlar ve dokulardan karmaşık şekillere ve nesnelere kadar bir özellik hiyerarşisini tanımlamayı öğrenirler.

Bu modellerin etkili bir şekilde çalışması için çok miktarda eğitim verisine ihtiyaç duyulur. Örneğin, bir arabayı tanımak için bir modelin, çeşitli koşullardaki binlerce etiketlenmiş araba görüntüsünü işlemesi gerekir. Ultralytics Platform gibi araçlar, kullanıcıların veri kümelerini açıklamalarına, bulutta modelleri eğitmelerine ve bunları verimli bir şekilde dağıtmalarına olanak tanıyarak bu iş akışını kolaylaştırır.

Link to this sectionBilgisayarlı Görünün Temel Görevleri#

Bilgisayarlı görü tek bir işlev değil, her biri belirli bir sorunu çözen farklı görevler bütünüdür:

• Görüntü Sınıflandırma: Bu görev, "Bu resimde ne var?" sorusuna yanıt vererek (örneğin, kedi ile köpek arasında ayrım yapmak gibi) tüm bir görüntüye bir sınıf etiketi atar.
• Nesne Algılama: Bir adım daha ileri giderek, algılama bir görüntüdeki farklı nesneleri tanımlar ve etraflarına bir sınırlayıcı kutu çizer. Bu, öğeleri saymak veya belirli özellikleri bulmak için çok önemlidir.
• Örnek Bölütleme: Bu, aynı sınıfa ait bireysel örnekleri birbirinden ayırarak, algılanan her nesne için hassas bir piksel düzeyinde maske sağlar. Tıbbi görüntü analizi gibi yüksek hassasiyet gerektiren uygulamalar için hayati önem taşır.
• Poz Tahmini: Bu, hareketi ve duruşu takip etmek için insan vücudunun eklemleri gibi bir nesne üzerindeki belirli anahtar noktaların tespit edilmesini içerir.

Link to this sectionGerçek Dünya Uygulamaları#

Bilgisayarlı görünün sağladığı yararlar, daha önce insan gözü gerektiren görevleri otomatikleştirerek neredeyse tüm sektörlere yayılmaktadır.

• Üretim ve Kalite Kontrol: Endüstriyel ortamlarda CV genellikle Makine Görüsü olarak adlandırılır. Montaj hattındaki ürünlerdeki küçük kusurları insan denetçilerden daha hızlı ve daha doğru bir şekilde tespit ederek kalite denetimini otomatikleştirmek için kullanılır. Örneğin, Üretimde Yapay Zeka, arızaları önlemek için ekipmanın gerçek zamanlı izlenmesine olanak tanır.
• Otonom Ulaşım: Kendi kendine giden araçlar, güvenli bir şekilde yön bulmak için tamamen CV'ye güvenir. Kameralardan ve LiDAR sensörlerinden gelen girdileri işleyerek bu araçlar, yayaları, diğer araçları ve trafik işaretlerini gerçek zamanlı olarak tanımlamak için 3D Nesne Algılama gerçekleştirir. Bu, yüksek seviyeli araç otomasyonuna ulaşmanın kritik bir bileşenidir.
• Sağlık ve Tanı: Radyologlar, X-ışınları, MR'lar ve BT taramalarındaki anormallikleri belirlemeye yardımcı olması için CV'yi kullanır. Sağlık Hizmetlerinde Yapay Zeka, çıplak gözle kaçırılabilecek ilgi alanlarını vurgulayarak tümörleri tanımlamak gibi erken teşhislere yardımcı olur.

Link to this sectionBilgisayarlı Görü ile Görüntü İşleme Karşılaştırması#

Genellikle birlikte çalışsalar da, CV'yi Görüntü İşlemeden ayırt etmek önemlidir.

• Görüntü İşleme, bir görüntüyü geliştirmek veya bilgi çıkarmak için üzerinde değişiklik yapmayı içerir (örneğin, parlaklığı, kontrastı ayarlamak veya Adobe Photoshop gibi uygulamalardaki filtreleri kullanmak). Çıktı genellikle başka bir görüntüdür.
• Bilgisayarlı Görü, bir görüntüyü girdi olarak alır ve bilgi veya yorum çıktısı verir (örneğin, "Bu odada üç kişi var"). CV, görüntüleri Sinir Ağları tarafından analiz edilmeye hazırlamak için görüntü işleme tekniklerini kullanır.

Link to this sectionPython ile Bilgisayarlı Görü Uygulama#

Modern libraries have made implementing powerful CV models accessible. The example below demonstrates how to load the state-of-the-art YOLO26 model to detect objects in an image using the ultralytics package.

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Run inference on a standard example image
# The model identifies objects and their locations
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting image with bounding boxes
results[0].show()

Bu basit komut dosyası, karmaşık çıkarım görevlerini gerçekleştirmek için önceden eğitilmiş bir modelden yararlanarak modern yapay zeka araçlarının erişilebilirliğini göstermektedir. Statik görüntülerin ötesine geçmek isteyen geliştiriciler için CV, güvenlik ve spor analizlerinde kullanılan Video Anlama ve gerçek zamanlı takip sistemlerine de güç verir. OpenCV gibi kütüphanelerle entegre olarak, geliştiriciler görsel dünyayı yakalayan, işleyen ve analiz eden kapsamlı uygulamalar oluşturabilirler.