Ultralytics YOLO11 kullanarak bilgisayarla görme uygulamalarında mesafe hesaplamanın nesnelerin yakınlığını gerçek zamanlı olarak ölçmeye nasıl yardımcı olduğunu öğrenin.
Yolda karşıdan karşıya geçerken size doğru gelen bir araba gördüğünüzde, yaklaşık olarak ne kadar uzakta olduğunu anında anlayabilirsiniz. Bu hızlı, neredeyse içgüdüsel yargı, çevrenizin uzamsal anlayışı sayesinde gerçekleşir. Bu algıya dayanarak hızlanmaya, durmaya ya da yürümeye devam etmeye karar verebilirsiniz.
Benzer şekilde, bilgisayar görüşü de makinelerin görsel verileri yorumlayarak çevrelerini anlamalarını mümkün kılan bir yapay zeka (AI) dalıdır. Tıpkı hızlı kararlar almak için bir arabanın yakınlığını değerlendirebilmeniz gibi, bilgisayarla görme modelleri de görüntüleri ve videoları analiz ederek makinelerin çevrelerindeki dünyayı algılamalarına ve tepki vermelerine yardımcı olabilir.
Örneğin, Ultralytics YOLO11 görüntü ve videolardaki nesneleri gerçek zamanlı olarak tespit ve takip edebilen bir bilgisayarla görme modelidir. Basitçe söylemek gerekirse, YOLO11 parça parça değil, görüntünün tamamına bir kerede bakarak çalışır, bu da onu daha hızlı ve daha verimli hale getirir. Ayrıca örnek segmentasyonu, poz tahmini ve görüntü sınıflandırması gibi bilgisayarla görme görevlerini de yerine getirebilir.
Özellikle YOLO11'in yetenekleri, nesnelerin birbirinden ne kadar uzakta olduğunu hesaplamak için kullanılabilir; bu da üretim, perakende ve kalabalık yönetimi gibi birçok alanda yararlıdır ve güvenliği ve verimliliği artırmaya yardımcı olur.
Bu makalede, YOLO11 'in bilgisayarla görme uygulamalarında mesafe hesaplama için nasıl kullanılabileceğini, neden önemli olduğunu ve farklı endüstrilerdeki etkisini inceleyeceğiz.
Bilgisayarla görmede mesafe hesaplaması, bir görüntüdeki iki nesne arasındaki piksellerin tespit edilmesini, konumlandırılmasını ve ölçülmesini içerir. Pikseller, dijital bir görüntüyü oluşturan ve her biri belirli bir renk veya yoğunluk değerine sahip tek bir noktayı temsil eden ayrı birimlerdir.
Piksel ölçümlerini gerçek dünya mesafelerine dönüştürmek için kalibrasyon çok önemlidir. Bunu bir şeyi ölçmek için cetvel kullanmak ve daha sonra bu ölçümü diğer nesnelerin boyutunu anlamak için kullanmak olarak düşünebilirsiniz. Boyutları bilinen nesneleri referans alarak kalibrasyon, pikseller ve gerçek fiziksel mesafeler arasında bir bağlantı oluşturur.
Bunun nasıl çalıştığını görmek için bir örneğe bakalım. Aşağıdaki resimde madeni para referans nesnesidir ve boyutu (0,9 inç x 1,0 inç) bilinmektedir. Diğer nesnelerin piksel ölçümlerini madeni paranın boyutuyla karşılaştırarak gerçek dünyadaki boyutlarını hesaplayabiliriz.
Ancak mesafe hesaplaması iki boyutlu (2D) bir düzlemde yapılır, yani yalnızca nesneler arasındaki yatay ve dikey mesafeleri ölçer. Bu, nesnelerin kameraya olan uzaklıkları da dahil olmak üzere üç boyutlu uzaydaki uzaklıklarını ölçen derinlik tahmininden farklıdır.
Derinlik kameraları gerçek derinliği ölçebilir ve daha ayrıntılı uzamsal bilgiler verebilirken, çoğu durumda basit bir kalibre edilmiş mesafe yeterlidir. Örneğin, nesnelerin 2 boyutlu bir düzlemde birbirinden ne kadar uzakta olduğunu bilmek, nesneleri izlemek veya kuyrukları yönetmek gibi görevlerde işe yarar, bu nedenle bu durumlarda derinlik tahminine gerek yoktur.
Daha sonra, YOLO11'in nesne algılama ve izleme desteğini kullanarak iki nesne arasındaki mesafeyi nasıl hesaplayacağımızı inceleyelim. İşte bir döküm:
Bu yöntem kullanılarak hesaplanan mesafelerin, 2B piksel ölçümlerine dayandığı için yalnızca tahmini olduğunu akılda tutmak önemlidir.
YOLO11 kullanarak mesafeleri hesaplamanın bir tahmin olduğunu düşünürsek, merak ediyor olabilirsiniz: Bu nerede kullanılabilir ve nasıl bir fark yaratabilir?
Bu mesafe tahminlerine ulaşmak için kalibrasyonlar kullanıldığından, birçok pratik durumda yardımcı olacak kadar doğrudurlar. YOLO11'in mesafe tahmini özellikle nesnelerin sürekli hareket halinde olduğu ve işlerin sorunsuz yürümesi için gerçek zamanlı ayarlamaların gerekli olduğu depolar gibi dinamik ortamlarda kullanışlıdır.
İlginç bir örnek, bir konveyör bandındaki paketleri izlemek ve aralarındaki mesafeyi gerçek zamanlı olarak tahmin etmek için YOLO11 'in kullanılmasıdır. Bu, depo yöneticilerinin paketlerin düzgün aralıklarla yerleştirildiğinden emin olmalarına, çarpışmaları önlemelerine ve işlerin sorunsuz yürümesini sağlamalarına yardımcı olur.
Bu gibi durumlarda, kesin bir mesafe her zaman gerekli değildir. Tipik olarak, optimum mesafe için bir aralık veya eşik belirlenir, bu nedenle bir tahmin bu tür uygulamalar için iyi çalışır.
Çeşitli bilgisayarla görme uygulamaları, YOLO11 kullanarak nesneler arasındaki mesafenin hesaplanmasından faydalanabilir. Örneğin perakende analitiğinde, müşteri pozisyonlarını gerçek zamanlı olarak takip ederek kuyruk yönetimini iyileştirmeye yardımcı olur. Bu, işletmelerin kaynakları daha iyi tahsis etmesini, bekleme sürelerini azaltmasını ve daha sorunsuz bir alışveriş deneyimi yaratmasını mümkün kılar. Personel seviyelerini dinamik olarak ayarlayarak ve müşteri akışını yöneterek mağazalar aşırı kalabalıklaşmayı önleyebilir ve alan kullanımını optimize edebilir.
Benzer şekilde, trafik yönetiminde mesafe tahmini, araç aralıklarının izlenmesine ve trafik düzenlerinin analiz edilmesine yardımcı olur. Bu, arka arkaya geçme gibi tehlikeli davranışları tespit etmek ve trafiğin sorunsuz bir şekilde akmasını sağlamak için trafik sinyallerini ayarlamak için kullanılabilir. Potansiyel sorunları belirleyerek ve genel trafik yönetimini gerçek zamanlı olarak iyileştirerek yolların daha güvenli hale getirilmesine yardımcı olabilir.
Bu teknolojinin bir başka benzersiz kullanımı da COVID-19 salgını sırasında sosyal mesafenin korunmasına yardımcı olmasıyla ortaya çıktı. İnsanların kamusal alanlarda, mağazalarda ve hastanelerde güvenli bir mesafede durmasını sağlayarak virüsün yayılma riskini azalttı.
Mesafeleri gerçek zamanlı olarak takip ederek, bireyler çok yakın olduğunda uyarılar gönderilebilir, bu da işletmelerin ve sağlık hizmeti sağlayıcılarının hızlı bir şekilde yanıt vermesini ve herkes için daha güvenli bir ortam sağlamasını kolaylaştırır.
Bilgisayarla görmeyi kullanarak mesafe hesaplama uygulamalarından bazılarını tartıştığımıza göre, şimdi de bunun ilgili faydalarına daha yakından bakalım:
Bu avantajlara rağmen, bu tür sistemleri uygularken akılda tutulması gereken bazı sınırlamalar da vardır. İşte bilgisayarlı görü kullanarak mesafe hesaplama söz konusu olduğunda göz önünde bulundurulması gereken temel faktörlere hızlı bir bakış:
YOLO11 kullanarak nesneler arasındaki mesafeyi hesaplamak, karar vermeyi destekleyebilecek güvenilir bir çözümdür. Özellikle nesnelerin yakınlığını takip etmenin verimliliği ve güvenliği artırabileceği depolar, perakende ve trafik yönetimi gibi dinamik ortamlarda kullanışlıdır.
YOLO11 , normalde manuel çaba gerektiren görevlerin otomatikleştirilmesini mümkün kılıyor. Çevresel faktörlere duyarlılık ve gizlilik endişeleri gibi bazı zorluklar olsa da otomasyon, ölçeklenebilirlik ve kolay entegrasyon gibi faydaları onu etkili kılıyor. Bilgisayar görüşü, özellikle mesafe hesaplama gibi alanlarda gelişmeye devam ettikçe, makinelerin çevreleriyle etkileşim kurma ve çevrelerini anlama biçimlerinde gerçek bir değişim görmemiz muhtemeldir.
Topluluğumuza katılın! Vision AI hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfedin. Yapay görme teknolojisinden yararlanmakla ilgileniyorsanız lisanslama seçeneklerimize göz atın. Çözüm sayfalarımızı ziyaret ederek sağlık hizmetlerinde bilgisayar la görmenin verimliliği nasıl artırdığını öğrenin ve tarımda yapay zekanın etkisini görün!
Makine öğreniminin geleceği ile yolculuğunuza başlayın
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI