Yeşil çek
Panoya kopyalanan bağlantı

Örnek Segmentasyonu için Ultralytics YOLO11 Nasıl Kullanılır?

Yeni Ultralytics YOLO11 modelinin atık yönetimi ve parlama izleme gibi uygulamalarda daha yüksek hassasiyet elde etmek için örnek segmentasyonunda nasıl kullanılabileceğini anlayın.

Yapay zeka (AI) içinde makinelerin görsel bilgileri yorumlamasına ve anlamasına yardımcı olan bir alan olan bilgisayarla görme, örnek segmentasyonu gibi görevleri mümkün kılar. Örnek segmentasyonu , aynı türden birden fazla nesne mevcut olsa bile, görüntüdeki her bir farklı nesnenin kesin sınırlarını işaretlemek için bir görüntüyü veya video karesini analiz etmek için kullanılabilir. Yüksek hassasiyet seviyesiyle örnek segmentasyonu, sürücüsüz araç ların yoldaki engelleri tespit etmesine yardımcı olmaktan tıbbi taramalarda tümörleri tanımlamaya kadar geniş bir uygulama yelpazesine sahiptir.

Yıllar içinde, örnek segmentasyonu önemli ölçüde gelişmiştir. Ultralytics 'un yıllık hibrit etkinliği olan YOLO Vision 2024 (YV24) sırasında Ultralytics YOLO11 modeli şeklinde yeni bir gelişme tanıtıldı. Yeni model, YOLO11 modeli ile aynı bilgisayarla görme görevlerini (örnek segmentasyonu dahil) desteklemektedir. Ultralytics YOLOv8 modeli sayesinde önceki sürümlere aşina olan kullanıcılar yeni modeli sorunsuz bir şekilde benimseyebilir.

Şekil 1. Örnek segmentasyonu için Ultralytics YOLO11 modelinin kullanımına bir örnek.

Bu makalede, örnek segmentasyonunu ve semantik segmentasyon gibi diğer bilgisayarla görme görevlerinden nasıl farklı olduğunu inceleyeceğiz ve bazı uygulamalarını tartışacağız. Ayrıca Ultralytics Python paketini ve Ultralytics HUB platformunu kullanarak YOLO11 örnek segmentasyon modelini nasıl kullanabileceğinizi anlatacağız. Haydi başlayalım!

Örnek Segmentasyonu Nedir?

Örnek segmentasyonu, bir görüntüdeki nesneleri tanımlamak ve bunları piksel düzeyinde ana hatlarıyla belirlemek için kullanılabilir. İşlem tipik olarak önce nesnelerin tespit edilmesini ve etraflarına sınırlayıcı kutular çizilmesini içerir. Ardından, bir segmentasyon algoritması her nesne için kesin bir maske oluşturmak üzere sınırlayıcı kutu içindeki her pikseli sınıflandırır.

Örnek segmentasyonu, semantik segmentasyon ve panoptik segmentasyon gibi görevlerden de farklıdır. Anlamsal segmentasyon, her bir pikseli tek tek örnekleri ayırt etmeden bir nesnenin genel kategorisine göre etiketler. Panoptik segmentasyon ise her pikseli hem bir sınıf hem de bir örnek kimliği ile etiketleyerek hem örnek hem de anlamsal segmentasyonu birleştirir ve her kategorideki ayrı nesneleri tanımlar.

Şekil 2. Bir insanı ve bir köpeği tespit etmek ve segmentlere ayırmak için YOLO11 kullanımı.

Örnek segmentasyonunun yetenekleri, farklı modeller gerektirebilecek çeşitli senaryolarda uygulanabilir. Örneğin, hafif bir model mobil uygulamalarda gerçek zamanlı işleme için ideal olabilirken, daha karmaşık bir model üretimde kalite kontrol gibi yüksek hassasiyetli görevler için kullanılabilir.

Önceki modellerde olduğu gibi, YOLO11 örnek segmentasyon modeli de ihtiyaçlarınıza bağlı olarak çeşitli varyasyonlarla birlikte gelir. Bu varyasyonlar arasında YOLO11n-seg (Nano), YOLO11s-seg (Küçük), YOLO11m-seg (Orta), YOLO11l-seg (Büyük) ve YOLO11x-seg (Ekstra Büyük) bulunmaktadır. Bu modeller boyutları, işlem hızları, doğrulukları ve ihtiyaç duydukları hesaplama gücü miktarı açısından farklılık gösterir. Özel gereksinimlerinize bağlı olarak uygulamanıza en uygun modeli seçebilirsiniz.

YOLO11 için Örnek Segmentasyon Uygulamaları

YOLO11'in gelişmiş örnek segmentasyon yetenekleri, çeşitli sektörlerde bir dizi uygulamanın önünü açıyor. Şimdi bu uygulamalardan bazılarına daha yakından bakalım.

Petrol ve Gaz Sektöründe YOLO11 Segmentasyonunun Kullanımı

Petrol ve gaz çıkarma işlemi son derece yüksek basınç dalgalanmalarının yönetilmesini gerektirir. Gaz yakma gibi teknikler, petrol çıkarma sırasında üretilen doğal gazın yakılmasına yardımcı olur. Güvenlik nedenleriyle gereklidir. Örneğin, ham petrol çıkarma işleminde ani veya önemli bir basınç artışı patlamaya yol açabilir. Nadiren de olsa, petrol ve gaz üretim sektöründeki endüstriyel kazalar, kontrol altına alınması ve kontrol edilmesi zor olan yoğun yangınlara neden olabilir. Gaz yakma, operatörlerin ekipmanın basıncını güvenli bir şekilde düşürmesine ve fazla gazı yakarak öngörülemeyen, büyük basınç dalgalanmalarını yönetmesine yardımcı olur.

Yapay zeka sistemleri bu izleme sürecini iyileştirebilir ve örnek segmentasyon tabanlı bir alevlenme izleme sistemi kullanılarak kaza riski azaltılabilir. Çok fazla alevlenme çevreyi olumsuz etkileyebileceğinden, gaz alevlenmesinin izlenmesi çevresel nedenlerle de önemlidir. 

Ultralytics YOLO11 örnek segmentasyon modelleri, alevlenmeden kaynaklanan yangın ve duman miktarını izlemek için kullanılabilir. Tespit edilen ve segmente edilen parlama ve dumanın piksel alanı hesaplanabilir. Operatörler bu bilgileri kullanarak alevlenmenin neden olduğu parlama ve duman hakkında gerçek zamanlı bilgiler edinebilir, kazaları ve olumsuz çevresel etkileri önlemelerine yardımcı olabilir. 

Şekil 3. Petrol ve gaz üretiminde YOLO11 kullanılarak yapılan bir parlama izleme örneği.

Plastik Atık Yönetimi için YOLO11 ile Örnek Segmentasyonu 

Atık yönetimi ve geri dönüşüm tesislerinde çalışanlar, plastik atık malzemeleri tanımlamak için YOLO11 örnek segmentasyon tabanlı sistemleri kullanabilir. YOLO11, karton ve plastik (ayrı ayrı işlenmek üzere) gibi farklı atık malzemeleri doğru bir şekilde tanımlamak için robotik ayırma sistemleriyle entegre edilebilir. Küresel olarak üretilen 7 milyar ton plastik atığın sadece %10'unun geri dönüştürüldüğü düşünüldüğünde bu özellikle önemlidir.

Plastik atıkların tanımlanması ve ayrıştırılmasının otomatikleştirilmesi, çalışanların öğeleri elle ayırdığı geleneksel yöntemlere kıyasla gereken süreyi önemli ölçüde azaltır. Bilgisayarla görme modelleri, sık sık birbirine dolandıkları için özellikle zor olan sargı ve poşet gibi yumuşak plastikleri bile segmentlere ayırabilir. YOLO11 modelleri ayrıca farklı plastik türlerini segmentlere ayırmak için özel olarak eğitilebilir. İlerleyen bölümlerde bir YOLO11 modelini nasıl özel olarak eğitebileceğiniz hakkında daha fazla bilgi edineceğiz.

Şekil 4. Ultralytics YOLO11 kullanılarak plastik atıkların tanımlanması. 

YOLO11 Otonom Araçlarda Segmentasyon

Örnek segmentasyonunun bir başka ilginç kullanım alanı da otonom otomobillerdir. YOLO11, nesneleri piksel düzeyinde doğru bir şekilde tanıyarak sürücüsüz araç ların yolcu güvenliğini ve yoldaki diğer kişilerin güvenliğini artırmasını sağlar. Aracın yerleşik kamera sistemi çevrenin görüntülerini yakalayabilir ve bunları YOLO11 ve örnek segmentasyonu kullanarak analiz edebilir. Görüntüdeki her nesne (yayalar, trafik ışıkları, diğer araçlar vb.) bölümlere ayrılır ve bunlara bir etiket verilir. Böylesi bir hassasiyet seviyesi, otonom araçlara çevrelerindeki her bir nesneyi tanımlama yeteneği kazandırır. 

Şekil 5. Yoldaki araçları ve yayaları tanımlamak için YOLO11 ve örnek segmentasyonu kullanma.

YOLO11 Modeli ile Örnek Segmentasyonunu Deneme

Örnek segmentasyonunu keşfettiğimize ve bazı uygulamalarını tartıştığımıza göre, Ultralytics YOLO11 modelini kullanarak bunu nasıl deneyebileceğinizi görelim. 

Bunu yapmanın iki yolu vardır: Ultralytics Python paketini ya da Ultralytics HUB'ı kullanabilirsiniz. Biz Python paketinden başlayarak her ikisini de inceleyeceğiz.

YOLO11 kullanarak Çıkarımları Çalıştırma

Bir çıkarım çalıştırmak, daha önce görülmemiş yeni verileri analiz etmek için modeli kullanmayı içerir. Kod aracılığıyla YOLO11 örnek segmentasyon modelini kullanarak bir çıkarım çalıştırmak için pip, conda veya docker kullanarak Ultralytics Python paketini yüklememiz gerekir. Kurulum sırasında herhangi bir sorunla karşılaşmanız durumunda, sorun giderme konusunda yardım almak için Ortak Sorunlar Kılavuzumuza başvurabilirsiniz. Paket yüklendikten sonra, YOLO11 örnek segmentasyon modelini yüklemek ve bir görüntü üzerinde tahminleri çalıştırmak için aşağıda gösterilen kodu çalıştırabilirsiniz.

Şekil 6. YOLO11n-seg kullanarak bir görüntü üzerinde çıkarım çalıştırma.

Özel Bir YOLO11 Modelinin Eğitimi

Aynı kod kurulumuyla, özel bir YOLO11 modelini de eğitebilirsiniz. Bir YOLO11 modeline ince ayar yaparak, özel proje gereksinimlerinizi daha iyi karşılayan özel bir model sürümü oluşturabilirsiniz. Örneğin, perakendeciler bir müşterinin fiziksel özelliklerini doğru bir şekilde segmentlere ayırarak uygun kıyafetler önermek için özel bir model kullanabilir. Aşağıdaki kod parçacığı, örnek segmentasyonu için bir YOLO11 modelinin nasıl yükleneceğini ve eğitileceğini göstermektedir. Etkili segmentasyon elde etmek için bir YAML yapılandırmasından veya önceden eğitilmiş bir modelden başlayabilir, ağırlıkları aktarabilir ve COCO gibi bir veri kümesi üzerinde eğitebilirsiniz. 


from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-seg.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

Tamamlandığında, özel uygulamalarınız için özel modeli kullanarak çıkarımlar yapabilirsiniz. Dışa aktarma seçeneğini kullanarak özel modelinizi farklı bir formata da aktarabilirsiniz.

Ultralytics HUB üzerinde YOLO11 Örnek Segmentasyonu

Çıkarımları çalıştırmayı ve bir YOLO11 örnek segmentasyon modelini kod aracılığıyla özel olarak eğitmeyi keşfettiğimize göre, şimdi kodsuz bir alternatife bakalım: Ultralytics HUB. Ultralytics HUB, YOLO11 örnek segmentasyon modelleri de dahil olmak üzere YOLO modellerini eğitme ve dağıtma sürecini basitleştiren sezgisel bir Vision AI platformudur. 

Görüntüler üzerinde çıkarım yapmak için tek yapmanız gereken; bir hesap oluşturmak, 'Modeller' bölümüne gitmek ve seçtiğiniz YOLO11 örnek segmentasyon modeli varyantını seçmektir. Aşağıda gösterildiği gibi bir görüntü yükleyebilir ve önizleme bölümünde tahmin sonuçlarını görüntüleyebilirsiniz.

Şekil 7. Ultralytics HUB üzerinde çıkarımların çalıştırılması.

Önemli Çıkarımlar

YOLO11, çeşitli sektörlerde olasılıklar dünyasının kapılarını açan güvenilir örnek segmentasyon özellikleri sunar. Otonom araçlarda güvenliği artırmaktan, petrol ve gaz sektöründe gaz alevlenmesini izlemeye ve geri dönüşüm tesislerinde atık ayrıştırmayı otomatikleştirmeye kadar, YOLO11'in piksel düzeyindeki hassasiyeti onu karmaşık segmentasyon görevleri için ideal hale getirir. 

Ultralytics Python paketi aracılığıyla özel eğitim seçenekleri ve Ultralytics HUB aracılığıyla kodsuz kurulum sayesinde kullanıcılar YOLO11'i iş akışlarına sorunsuz bir şekilde entegre edebilirler. Endüstriyel uygulamalar, sağlık hizmetleri, perakende veya çevresel izleme için olsun, YOLO11 çeşitli segmentasyon ihtiyaçlarını karşılamak için esneklik ve doğruluk getirir.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret edin ve topluluğumuzla etkileşime geçin. Çözüm sayfalarımızda sürücüsüz otomobiller ve tarım 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