Object Detection

Nesne algılama, bilgisayar sistemlerinin görsel veriler içindeki belirli öğeleri tanımlamasını ve konumlandırmasını sağlayan Bilgisayarlı Görü (CV) alanındaki en önemli teknolojilerden biridir. Tüm resme tek bir etiket atayan daha basit görüntü sınıflandırma görevlerinin aksine, nesne algılama, bir nesnenin sınıfını (örneğin "kişi", "araba", "köpek") ve konumsal yerini eş zamanlı olarak tahmin ederek ayrıntılı bir anlayış sunar. Bu konum, genellikle nesneyi çevreleyen dikdörtgen bir sınırlayıcı kutu ile temsil edilir ve modele ait kesinliği gösteren bir güven puanı ile desteklenir. Tanıma ve konumlandırmayı birleştiren bu ikili yetenek, makinelerin çevreleriyle anlamlı bir şekilde etkileşime girmesini sağlayarak modern Yapay Zeka (AI) uygulamaları için duyusal bir temel oluşturur.

Link to this sectionAlgılamanın Mekanikleri#

Modern detectors rely heavily on Deep Learning (DL) architectures, specifically Convolutional Neural Networks (CNNs), to extract complex features from input images. The process begins with a training phase, where a model learns to recognize patterns using massive, labeled collections like the COCO dataset. During this phase, the algorithm optimizes its model weights to minimize prediction errors.

When the model is deployed for inference, it scans new images to propose potential objects. Advanced algorithms then apply Non-Maximum Suppression (NMS) to filter out duplicate detections, ensuring that each distinct entity is highlighted only once. The accuracy of these predictions is often evaluated using the Intersection over Union (IoU) metric, which measures the overlap between the predicted box and the ground truth. Recent advancements have led to end-to-end architectures like YOLO26, which streamline this pipeline for exceptional speed and real-time inference capabilities on edge devices.

Link to this sectionTemel Terimleri Ayırt Etme#

Bir proje için doğru aracı seçmek amacıyla nesne algılamayı ilgili kavramlardan ayırt etmek çok önemlidir:

• Nesne Algılama ve Görüntü Sınıflandırma: Görüntü sınıflandırma "Bu resimde ne var?" sorusuna yanıt verirken, nesne algılama "Ne, nerede?" sorusuna yanıt verir.
• Nesne Algılama ve Örnek Bölütleme (Instance Segmentation): Algılama, bir öğenin etrafına bir kutu çizer. Buna karşılık, örnek bölütleme her nesnenin tam piksel hassasiyetindeki anahatlarını (maskesini) belirler.
• Nesne Algılama ve Nesne Takibi: Algılama, tek bir karedeki nesneleri bulur. Nesne takibi, hareketi zaman içinde izlemek için bu algılamaları bir video dizisi boyunca birbirine bağlar.

Link to this sectionGerçek Dünya Uygulamaları#

Nesne algılamanın çok yönlülüğü, büyük endüstrilerde inovasyonu tetiklemektedir. Otomotiv sektöründe, otonom araçlarda yapay zeka, güvenli bir şekilde yol alabilmek için yayaları, trafik işaretlerini ve diğer araçları anında tanımlamak amacıyla büyük ölçüde algılama modellerine güvenir. Bu sistemler, araç içi kameralardan gelen video beslemelerini işleyerek kazaları önleyen saliselik kararlar alırlar.

Bir diğer önemli kullanım alanı ise Perakendede Yapay Zeka alanında bulunur. Otomatik ödeme sistemleri ve akıllı envanter yönetimi robotları, rafları taramak, ürünleri tanımak ve stok eksikliklerini veya yanlış yerleştirilmiş ürünleri tespit etmek için nesne algılamayı kullanır. Bu otomasyon, ürünlerin her zaman mevcut olmasını sağlayarak tedarik zincirlerini iyileştirir ve müşteri deneyimini geliştirir.

Link to this sectionNesne Algılamayı Uygulama#

Geliştiriciler, ultralytics Python paketini kullanarak algılama iş akışlarını kolayca uygulayabilirler. Aşağıdaki örnek, önceden eğitilmiş bir YOLO26 modelinin nasıl yükleneceğini ve bir görüntü üzerinde nasıl çıkarım yapılacağını göstermektedir.

from ultralytics import YOLO

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

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

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

Operasyonlarını ölçeklendirmek isteyen ekipler için Ultralytics Platform, verileri etiketlemek, bulutta özel modeller eğitmek ve bunları ONNX veya TensorRT gibi çeşitli formatlarda dağıtmak için kapsamlı bir ortam sunar. Bu tür platformlardan yararlanmak, mühendislerin altyapıyı yönetmek yerine uygulamalarını geliştirmeye odaklanmalarını sağlayarak MLOps yaşam döngüsünü basitleştirir.