Bilgisayarlı Görü (CV)

Bilgisayarlı Görü (CV), dönüştürücü bir yapay zeka (AI) bilgisayarları görsel dünyayı algılama, yorumlama ve anlama konusunda güçlendirir. Dijital görüntüleri, videoları ve diğer görsel girdiler, makineler anlamlı bilgiler çıkarabilir ve bunlara dayanarak harekete geçebilir veya önerilerde bulunabilir Analiz. İnsan görüşü, çevreyi anında bağlamsallaştırmak için göze ve beyne dayanırken, bilgisayar görüşü gelişmiş yazılımlar kullanır ve çoğaltmak için makine öğrenimi (ML) algoritmaları Bu yetenek, sistemlerin daha önce insan görüşü gerektiren görevleri otomatikleştirmesine olanak tanıyor.

Bilgisayarlı Görü Nasıl Çalışır?

Bilgisayarla görme, özünde aşağıdakilere dayanır görselleri anlamak için örüntü tanıma teknikleri Veri. İlk girişimler nesneleri tanımlamak için kuralları manuel olarak kodlamayı içeriyordu, ancak modern CV derin öğrenme (DL) ve büyük miktarda eğitim Veri. Günümüzde kullanılan en yaygın mimari Görüntüleri piksel piksel işleyen Evrişimsel Sinir Ağı (CNN). Bu ağlar, görüntüdeki kenarlar ve dokular gibi düşük seviyeli özellikleri tanımlar. İlk katmanlar ve daha derin katmanlarda yüzler veya araçlar gibi karmaşık kavramları tanımak için bunları birleştirin. Bu süreç modele nasıl yapılacağını öğretmek için büyük etiketli veri kümeleri gerektirir. farklı kategoriler arasında etkili bir şekilde ayrım yapabilir.

Bilgisayarla Görme Alanındaki Temel Görevler

Bilgisayarla görme tek bir eylem değil, farklı sorunları çözen belirli görevler topluluğudur:

• Nesne Algılama: Bu görev şunları içerir Bir görüntü veya video akışı içindeki nesneleri tanımlama ve konumlandırma. Bu çizer tespit edilen öğelerin etrafındaki sınırlayıcı kutular ve onlara "kişi" veya "bisiklet" gibi bir sınıf etiketi verin.
• Görüntü Sınıflandırması: Görüntü Sınıflandırma sistem bir görüntünün tamamını analiz eder ve baskın içeriğine göre tek bir etiket atar. Örneğin, bir fotoğrafın "manzara" veya "portre" olarak sınıflandırılması.
• Örnek Segmentasyonu: Daha derine inmek algılama, her bir nesnenin piksel mükemmelliğindeki ana hatlarını belirleyerek, nesnelerin tek tek örneklerini ayırır. arka plandan aynı sınıf.
• Poz Tahmini: Bu teknik şunları algılar Hareket ve duruşu gerçek zamanlı olarak track için bir insan vücudundaki eklemler gibi bir figür üzerindeki belirli anahtar noktalar.

Bilgisayarlı Görü ve Görüntü İşleme

Bilgisayarla görmeyi aşağıdakilerle karıştırmak yaygındır dijital görüntü işleme, ancak farklı amaçlara hizmet ederler. Görüntü işleme, kalitesini artırmak için bir giriş görüntüsünü manipüle etmeye odaklanır veya bilgiyi "anlamak" zorunda olmadan ayıklamak. Yaygın örnekler arasında parlaklığın ayarlanması yer alır, filtreler uygulamak veya gürültü azaltma. Buna karşılık, CV, görüntünün neyi temsil ettiğini yorumlamak için insan bilişini taklit etmeyi amaçlayan görüntü anlamaya odaklanır.

Gerçek Dünya Uygulamaları

Bilgisayarla görmenin faydası, verimlilik ve güvenliği artırarak neredeyse her sektöre yayılıyor:

• Sağlık Teşhisi: Tıp uzmanları CV'yi X-ışınlarını, MRI'ları ve CT taramalarını analiz etmek için kullanır. Algoritmalar aşağıdaki gibi anomalileri detect edebilir tıbbi görüntülemede tümörler yüksek hassasiyetle, genellikle erken teşhiste doktorlara yardımcı olur.
• Akıllı Tarım: Çiftçiler Ürün sağlığını izlemek, zararlıları detect etmek ve hasadı otomatikleştirmek için drone görüntülerini ve CV modellerini kullanır. Gibi sistemler gerçek zamanlı ürün izleme verimi optimize etmeye ve kaynak israfını azaltmaya yardımcı olur.
• Otonom Araçlar: Sürücüsüz araçlar yollarda gezinmek için büyük ölçüde CV'ye güvenir. Birden fazla kameradan gelen girdileri işleyerek trafik işareti algılama, yaya takibi ve şerit koruma.
• Üretim Kalite Kontrolü: Montaj hatlarındaki otomatik denetim sistemleri, ürünlerdeki kusurları insanlardan daha hızlı ve daha doğru bir şekilde tespit eder müfettişler, tutarlı kalite kontrol.

YOLO11 ile Bilgisayarla Görme Uygulaması

Geliştiriciler, güçlü bilgisayarla görme görevlerini ultralytics Python paketi. Örnek nasıl yükleneceği aşağıda gösterilmektedir YOLO11 modeli-en son Bir görüntüdeki nesneleri detect etmek için tüm standart kullanım durumları için önerilen kararlı sürüm.

from ultralytics import YOLO

# Load the pretrained YOLO11 model (nano version for speed)
model = YOLO("yolo11n.pt")

# Run inference on an online image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results to see bounding boxes and labels
results[0].show()

Temel Araçlar ve Kütüphaneler

CV ekosistemi sağlam açık kaynak kütüphaneleri tarafından desteklenmektedir. OpenCV için binlerce algoritma sağlayan temel bir kütüphanedir. gerçek zamanlı bilgisayar görüşü. Derin öğrenme modelleri oluşturmak ve eğitmek için PyTorch ve TensorFlow endüstri standartları. Ultralytics , kurulumu kolay, son teknoloji modeller sağlamak için bu temeller üzerine inşa edilmiştir. İleriye baktığımızda Ultralytics Platformu bir Veri yönetiminden dağıtıma kadar tüm Vision AI yaşam döngüsünü yönetmek için kapsamlı bir ortam.