Yeşil çek
Panoya kopyalanan bağlantı

Görüntü Sınıflandırması için Ultralytics YOLO11 Nasıl Kullanılır?

Yeni Ultralytics YOLO11 modelinin görüntü sınıflandırmasını nasıl geliştirdiğini ve tarım, perakende ve vahşi yaşam izleme alanlarındaki görevler için daha iyi doğruluk sunduğunu öğrenin.

Diyelim ki bir robot biri siyah diğeri beyaz iki kediye bakıyor ve hangisinin hangisi olduğunu bulması gerekiyor. Bunu yapmak için, bir görüntüdeki nesneleri veya sahneleri tanımlamaya ve kategorize etmeye yardımcı olan bir bilgisayarla görme görevi olan görüntü sınıflandırmasını kullanabilir. Aslında, yapay zeka (AI) alanındaki son gelişmeler sayesinde, görüntü sınıflandırması hayvan izlemeden üretime ve mahsul hastalığı tespitiyle tarıma kadar çok çeşitli uygulamalarda kullanılabilir.

Görüntü sınıflandırma alanındaki en son gelişmelerden biri Ultralytics YOLO11 modelidir. Ultralytics 'un yıllık hibrit etkinliği olan YOLO Vision 2024'te (YV24) lanse edildi, YOLO11görüntü sınıflandırması da dahil olmak üzere çok çeşitli Görme Yapay Zekası görevlerinin üstesinden kolaylıkla ve hassasiyetle gelmek için tasarlanmıştır.

Bu makalede, görüntü sınıflandırmanın temellerini inceleyecek, gerçek dünya uygulamalarını tartışacak ve görüntü sınıflandırmayı nasıl kullanabileceğinizi göstereceğiz. YOLO11Ultralytics Python paketi aracılığıyla görüntü sınıflandırması için. Ayrıca YOLO11'un yeteneklerini Ultralytics HUB üzerinde birkaç kolay adımda nasıl deneyebileceğinize de bir göz atacağız. Haydi başlayalım!

Şekil 1. Bir İran kedisini sınıflandırmak için Ultralytics YOLO11 adresini kullanma örneği.

Görüntü Sınıflandırma Nedir?

Görüntü sınıflandırma, daha önce etiketlenmiş görüntülerden öğrenilen kalıplara dayalı olarak bir görüntüye bir etiket veya etiket atayarak çalışır. Bir bilgisayarla görme modeli, bir görüntünün piksellerini dikkatlice analiz ederek görüntü için en iyi eşleşmeyi bulabilir. Aşağıdaki gibi güvenilir modeller YOLO11 bu süreci sorunsuz bir şekilde gerçekleştirebilir. YOLO11'nin model mimarisi, görüntüleri veya video karelerini neredeyse anında işlemeyi mümkün kılarak hızlı ve doğru görüntü sınıflandırması gerektiren uygulamalar için idealdir.

Görüntü sınıflandırmanın kapsamını gerçekten anlamak için, onu nesne algılama gibi diğer görevlerden ayırmak yardımcı olur. Görüntü sınıflandırma tüm görüntüyü etiketlerken, nesne algılama görüntüdeki her bir nesneyi tanımlar ve yerini belirler. 

Şekil 2. Görüntü sınıflandırma, nesne algılama ve görüntü segmentasyonunun karşılaştırılması.

Bir zürafa görüntüsünü ele alalım. Görüntü sınıflandırmada model, genel içeriğine dayanarak tüm görüntüyü sadece zürafa olarak etiketleyebilir. Ancak nesne algılamada model zürafayı tanımlamakla yetinmez; aynı zamanda zürafanın etrafına bir sınırlayıcı kutu yerleştirerek görüntüdeki tam konumunu belirler.

Şimdi, zürafanın diğer hayvanlarla birlikte bir savanda bir ağacın yanında durduğunu hayal edin. Bir görüntü sınıflandırma modeli tüm sahneyi savan veya sadece vahşi yaşam olarak etiketleyebilir. Ancak nesne algılama ile model her bir öğeyi ayrı ayrı tanımlayacak, zürafayı, ağacı ve diğer hayvanları her biri kendi sınırlayıcı kutularıyla tanıyacaktır.

YOLO11 Görüntü Sınıflandırma Uygulamaları

Görüntü sınıflandırması için Ultralytics YOLO11 modelinin doğruluğu ve performansı, onu çok çeşitli sektörlerde kullanışlı kılmaktadır. Görüntü sınıflandırmada YOLO11 'un bazı temel uygulamalarını inceleyelim.

YOLO11 Tarımda Görüntü Sınıflandırma

Görüntü sınıflandırma, tarım ve çiftçilik endüstrisindeki birçok işlevi kolaylaştırmaya yardımcı olabilir. Özellikle, YOLO11 gibi görüntü sınıflandırma modellerini kullanarak çiftçiler mahsullerinin sağlığını sürekli olarak izleyebilir, ciddi hastalıkları tespit edebilir ve herhangi bir haşere istilasını yüksek doğrulukla belirleyebilir. 

İşte bunun nasıl çalıştığına bir göz atın:

  • Görüntü yakalama: Kameralar ve dronlar gibi Nesnelerin İnterneti (IoT) cihazları, tarlalardaki mahsullerin çeşitli açılardan ve konumlardan gerçek zamanlı görüntülerini yakalamak için kullanılabilir.
  • İşleme: Mevcut kaynaklara ve bağlantıya bağlı olarak, görüntüler uç bilişim yoluyla yerinde işlenebilir veya daha yoğun analiz için buluta yüklenebilir.
  • YOLO11 ile görüntü sınıflandırma: YOLO11 modeli, çeşitli mahsul koşullarını sınıflandırmak için bu görüntüleri analiz edebilir. Yaygın sınıflar arasında sağlıklı, hastalıklı, haşere istilasına uğramış veya besin eksikliği olabilir, bu da tarlanın farklı alanlarını etkileyen belirli sorunların belirlenmesine yardımcı olur.
  • İçgörü oluşturma: Sınıflandırmalara dayalı olarak YOLO11 , mahsul sağlığı göstergeleri hakkında içgörüler sağlayarak çiftçilerin erken hastalık belirtilerini tespit etmelerine, haşere noktalarını belirlemelerine veya besin eksikliklerini tespit etmelerine yardımcı olur.
  • Bilgilendirilmiş karar verme: Bu bilgiler sayesinde çiftçiler sulama, gübreleme ve haşere kontrolü konularında hedefe yönelik kararlar alabilir ve kaynakları yalnızca en çok ihtiyaç duyulan yerlere uygulayabilir.
Şekil 3. Sağlıklıdan Enfekte Olana Farklı Yaprak Sınıflarına Bir Örnek.

YOLO11 Perakendede Görüntü Sınıflandırma

Görüntü sınıflandırma, perakende alışveriş deneyimini önemli ölçüde iyileştirerek daha kişiselleştirilmiş ve kullanıcı dostu hale getirebilir. Perakendeciler, envanterlerindeki ürünleri tanımak için özel eğitimli bilgisayarla görme modellerini kullanabilir ve bu özelliği mobil uygulamalarına veya web sitelerine entegre edebilir. Müşteriler daha sonra sadece bir fotoğraf yükleyerek ürünleri arayabilir, böylece alışverişi daha hızlı ve daha kolay hale getirebilirler.

Bir müşteri görsel arama sistemine bir resim yüklediğinde, arama sonuçları görünmeden önce perde arkasında birkaç işlem gerçekleşir. 

İlk olarak, nesne algılama, bir giysi parçasını veya bir mobilya parçasını tanımlamak ve arka plandan ayırmak gibi görüntüdeki ana öğeleri seçmek için kullanılabilir. Daha sonra, görüntü sınıflandırma, her bir öğeyi daha fazla kategorize etmek için kullanılabilir, bunun bir ceket, gömlek, kanepe veya masa olup olmadığını tanır. 

Bu bilgilerle sistem, satın alınabilecek benzer ürünleri ortaya çıkarabilir; bu da özellikle yalnızca kelimelerle tanımlanması zor olan benzersiz veya modaya uygun ürünleri bulmak için yararlıdır. Aynı teknoloji, ürünleri otomatik olarak tanıyıp kategorize ederek envanter yönetimi gibi diğer perakende görevlerini de kolaylaştırmaya yardımcı olabilir.

Şekil 4. Görüntü sınıflandırma tabanlı bir görsel arama platformu iş başında.

YOLO11 Görüntü Sınıflandırması ile Yaban Hayatı İzleme

Geleneksel olarak, vahşi doğadaki hayvanları izlemek, binlerce fotoğrafı manuel olarak sıralayan ve analiz eden birçok insanı içeren sıkıcı bir iştir. YOLO11 gibi bilgisayarla görme modları sayesinde araştırmacılar hayvanları daha hızlı bir şekilde otomatik olarak izleyebilirler. Kameralar fotoğraf çekmek için doğal yaşam alanlarına yerleştirilebilir. Görme yapay zeka modeli daha sonra bu fotoğrafları analiz etmek ve içlerindeki hayvanları (varsa) sınıflandırmak için kullanılabilir. Böyle bir sistem, araştırmacıların hayvan popülasyonlarını, göç düzenlerini vb. incelemesine ve izlemesine yardımcı olabilir.

YOLO11 gibi yapay zeka ve bilgisayarla görme modellerinin bu alanda yardımcı olabileceği bir diğer yol da nesli tükenmekte olan türlerin sınıflandırılması sürecini kolaylaştırmaktır. Bu modeller, bir hayvanın ait olabileceği potansiyel türleri veya cins kategorilerini belirleyerek araştırmacılar için önemli veriler sağlayabilir. Örneğin, Tazmanya Üniversitesi (UTAS) farklı Tazmanya yaban hayatını izlemek için görüntü sınıflandırma tabanlı bir sistem geliştirdi. Modellerden elde edilen tahminler daha sonra bilim insanlarının ve araştırmacıların, kaçak avlanma veya habitat kaybı gibi tehditlere işaret edebilecek hayvan faaliyetlerini ve davranışlarını takip etmelerine yardımcı olabilir. 

Şekil 5. YOLO11 bir köpeğin ait olabileceği olası ırkları tahmin etme.

YOLO11 Modeli ile Görüntü Sınıflandırmayı Denemek

Şimdi görüntü sınıflandırmanın ne olduğunu tartıştık ve bazı uygulamalarını keşfettik. Şimdi yeni YOLO11 modeli ile görüntü sınıflandırmayı nasıl deneyebileceğinize bir göz atalım. Başlamak için iki kolay yol var: Ultralytics Python paketini kullanmak veya Ultralytics HUB aracılığıyla. Her iki seçeneği de inceleyeceğiz.

Kullanarak Çıkarımları Çalıştırma YOLO11

Ultralytics Python paketini kullanmaya başlamak için pip, conda veya Docker kullanarak yüklemeniz yeterlidir. Herhangi bir sorunla karşılaşırsanız, yararlı sorun giderme ipuçları için Ortak Sorunlar Kılavuzumuza göz atın.

Paket yüklendikten sonra, YOLO11 görüntü sınıflandırma modelinin bir varyantını yüklemek ve bir görüntü üzerinde bir çıkarım çalıştırmak için aşağıdaki kodu kullanabilirsiniz. Bir çıkarım çalıştırmak, yeni, görülmemiş veriler üzerinde tahminler yapmak için eğitilmiş bir model kullanmak anlamına gelir. İstediğiniz bir görüntü ile deneyebilirsiniz!

Şekil 6. YOLO11 Modelini kullanarak çıkarımların çalıştırılması.

Özel Bir YOLO11 Sınıflandırma Modelinin Eğitimi

Aynı Python paketini özel bir YOLO11 sınıflandırma modelini eğitmek için de kullanabilirsiniz. Özel eğitim, özel ihtiyaçlarınız için bir YOLO11 modeline ince ayar yapmanızı mümkün kılar. Örneğin, farklı kedi cinslerini sınıflandırmak için bir uygulama geliştiriyorsanız, sadece bu amaç için bir YOLO11 modelini özel olarak eğitebilirsiniz.

Aşağıdaki kod, bir YOLO11 görüntü sınıflandırma modelinin nasıl yükleneceğini ve eğitileceğini göstermektedir. Kendi modelinizin performansını artırmak için mevcut bir modelden bilgi kullanarak önceden eğitilmiş ağırlıkları aktarmanıza olanak tanır. Giyim eşyalarının (gömlek, pantolon, ayakkabı vb.) gri tonlamalı görüntülerinden oluşan iyi bilinen bir küme olan "fashion-mnist" veri kümesi gibi bir veri kümesi belirleyebilirsiniz. Modeli bu veri kümesi üzerinde eğitmek, ona farklı giyim kategorilerini tanımayı öğretir. "fashion-mnist" yerine kedi cinsleri veya bitki türleri gibi projenize uyan herhangi bir veri kümesini kullanabilirsiniz.

Şekil 7. Görüntü sınıflandırması için bir YOLO11 modelinin özel olarak eğitilmesi.

YOLO11 adresini Ultralytics HUB'da deneyin

Ultralytics paketini kullanmak basit olsa da, Python hakkında biraz bilgi sahibi olmayı gerektirir. Daha acemi dostu bir seçenek arıyorsanız, farklı YOLO modellerinin eğitimini ve dağıtımını basit ve erişilebilir hale getirmek için tasarlanmış bir platform olan Ultralytics HUB'ı kullanabilirsiniz. Başlamak için bir hesap oluşturmanız gerekir.

Oturum açtıktan sonra, 'Modeller' bölümüne gidin ve görüntü sınıflandırması için YOLO11 modelini seçin. Çeşitli model boyutlarının mevcut olduğunu göreceksiniz: nano, küçük, orta, büyük ve ekstra büyük. Bir model seçtikten sonra, görüntü işlendikten sonra tahminlerin sayfanın sol tarafında görüneceği 'Önizleme' bölümüne bir görüntü yükleyebilirsiniz.

Şekil 8. Bir çıkarımı çalıştırmak için Ultralytics HUB'ı kullanma.

Önemli Çıkarımlar

YOLO11 çeşitli sektörlerde yeni olanaklar sunan güçlü görüntü sınıflandırma özellikleri sunar. Tarımda mahsul izlemenin iyileştirilmesinden perakendede ürün aramalarının geliştirilmesine ve vahşi yaşamın korunmasının desteklenmesine kadar YOLO11'un hızı ve doğruluğu onu çeşitli uygulamalar için ideal kılmaktadır. Ultralytics Python paketi aracılığıyla özel eğitim seçenekleri veya Ultralytics HUB'da kullanıcı dostu, kodsuz bir kurulum ile kullanıcılar YOLO11 'u iş akışlarına kolayca dahil edebilirler. Daha fazla sektör yapay zeka çözümlerini benimsedikçe, YOLO11 inovasyonu ve pratik gelişmeleri destekleyen esnek, yüksek performanslı bir araç sunuyor.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret edin ve topluluğumuzla etkileşime geçin. Çözüm sayfalarımızda sürücüsüz otomobiller ve sağlık alanındaki yapay zeka uygulamalarını keşfedin. 🚀

Facebook logosuTwitter logosuLinkedIn logosuKopya-bağlantı sembolü

Bu kategoride daha fazlasını okuyun

Yapay zekanın gelecekteki
adresini birlikte inşa edelim!

Makine öğreniminin geleceği ile yolculuğunuza başlayın