Ultralytics YOLO11 adresinin yönlendirilmiş sınırlayıcı kutular (OBB) kullanarak nesne algılamayı nasıl geliştirebileceğini ve bu bilgisayarla görme görevinin hangi uygulamalar için ideal olduğunu anlayın.
Ultralytics'nin yıllık hibrit etkinliği olan YOLO Vision 2024 (YV24), yapay zeka ve bilgisayarla görme alanındaki en son atılımları tartışmaya odaklandı. Bu, en yeni modelimizi tanıtmak için mükemmel bir fırsattı, Ultralytics YOLO11. Model, aşağıdaki bilgisayarla görme görevlerini destekler Ultralytics YOLOv8Böylece kullanıcılar için yeni modele geçiş zahmetsiz hale geliyor.
Nesneleri çeşitli açılardan tespit etmek amacıyla yönlendirilmiş sınırlayıcı kutular (OBB) nesne tespiti için YOLOv8 adresini kullandığınızı varsayalım. Artık kodunuzda yapacağınız birkaç küçük değişiklikle YOLO11 adresine geçebilir ve YOLO11' un artan doğruluk ve verimlilikten işlem hızına kadar uzanan iyileştirmelerinden yararlanabilirsiniz. Henüz YOLO11 gibi modelleri kullanmadıysanız, OBB algılama, YOLO11 'un çeşitli sektörlerde nasıl uygulanabileceğine dair harika bir örnektir ve gerçek bir etki yaratan pratik çözümler sunar.
Bu makalede, OBB nesne tespitinin ne olduğuna, nerelerde uygulanabileceğine ve OBB'yi tespit etmek için YOLO11 adresinin nasıl kullanılacağına bakacağız. Ayrıca YOLO11'un yeni özelliklerinin bu süreçleri nasıl iyileştirebileceğini ve OBB algılama yeteneklerinden en iyi şekilde yararlanmak için çıkarımların nasıl çalıştırılacağını ve özel modellerin nasıl eğitileceğini inceleyeceğiz.
OBB nesne tespiti, nesneleri farklı açılardan tespit ederek geleneksel nesne tespitini bir adım öteye taşır. Görüntünün eksenleriyle aynı hizada kalan normal sınırlayıcı kutuların aksine, OBB'ler nesnenin yönüne uyacak şekilde döner. OBB nesne tespiti, nesnelerin her zaman düz olmadığı hava veya uydu görüntülerini analiz etmek için kullanılabilir. Şehir planlama, enerji ve ulaşım gibi sektörlerde, binalar, araçlar veya altyapı gibi açılı nesneleri doğru bir şekilde tespit etme yeteneği, somut faydalar sağlayan bilgisayarla görme uygulamalarının temelini oluşturabilir.
YOLO11 OBB tespitini destekler ve uçaklar, gemiler ve depolama tankları gibi nesneleri farklı perspektiflerden tespit etmek için DOTA v1.0 veri seti üzerinde eğitilmiştir. YOLO11 , farklı ihtiyaçlara uyacak şekilde YOLO11n-obb (Nano), YOLO11s-obb (Küçük), YOLO11m-obb (Orta), YOLO11l-obb (Büyük) ve YOLO11x-obb (Ekstra Büyük) dahil olmak üzere çeşitli model varyasyonlarında gelir. Her model, farklı hız, doğruluk ve hesaplama gücü seviyelerine sahip farklı bir boyut sunar. Kullanıcılar, uygulamaları için doğru hız ve doğruluk dengesini sunan modeli seçebilirler.
YOLO11'in nesne algılama yetenekleri, özellikle de yönlendirilmiş sınırlayıcı kutulara yönelik desteği, çeşitli sektörlere daha fazla hassasiyet getiriyor. Daha sonra, YOLO11 ve OBB algılamanın farklı alanlarda süreçleri daha verimli, doğru ve yönetimi daha kolay hale getirmek için gerçek dünya koşullarında nasıl kullanılabileceğine dair birkaç örneğe göz atacağız.
Eğer bir şehrin tasarımına ve düzenine hayran kaldıysanız, bunu şehir planlama ve altyapı izlemenin detaylı çalışmalarına borçlusunuz demektir. Altyapı izlemenin birçok yönünden biri de depolama tankları, boru hatları ve sanayi siteleri gibi önemli yapıların belirlenmesi ve yönetilmesidir. YOLO11 şehir planlamacılarının bu kritik bileşenleri hızlı ve doğru bir şekilde tespit etmek için hava görüntülerini analiz etmelerine yardımcı olabilir.
Yönlendirilmiş sınırlayıcı kutu nesne tespiti burada özellikle yararlıdır çünkü çeşitli açılardan görüntülenen nesnelerin tespit edilmesini sağlar (genellikle hava görüntülerinde durum böyledir). Sanayi bölgelerini takip etmek, çevresel etkileri yönetmek ve altyapının düzgün bir şekilde korunmasını sağlamak için hassasiyet burada hayati önem taşır. OBB, tespit sürecini daha güvenilir hale getirerek planlamacıların şehrin büyümesi, güvenliği ve sürdürülebilirliği hakkında bilinçli kararlar almasına yardımcı olur. YOLO11 adresini kullanmak, planlamacıların şehirlerin sorunsuz çalışmasını sağlayan altyapıyı izlemelerine ve yönetmelerine yardımcı olabilir.
Yenilenebilir enerji ve güneş enerjisi çiftlikleri gibi yenilikler daha popüler hale geldikçe, düzenli denetimler daha önemli hale geliyor. Güneş panellerinin verimli çalıştıklarından emin olmak için kontrol edilmeleri gerekir. Zamanla çatlaklar, kir birikmesi veya yanlış hizalama gibi şeyler performanslarını düşürebilir. Rutin denetimler bu sorunların erkenden yakalanmasına yardımcı olur, böylece sorunsuz bir şekilde çalışmaya devam etmeleri için bakım yapılabilir.
Örneğin, güneş panelleri uç yapay zeka ve YOLO11ile entegre edilmiş dronlar kullanılarak hasarlara karşı incelenebilir. Görüntülerin uçta analiz edilmesi, denetim sürecine daha fazla hassasiyet ve verimlilik getirir. Drone'un hareketi ve perspektifi nedeniyle, gözetim görüntüleri genellikle güneş panellerini çeşitli açılardan yakalayabilir. Bu durumlarda, YOLO11'un OBB tespiti, dronların güneş panellerini doğru bir şekilde tanımlamasına yardımcı olabilir.
Limanlar ve barınaklar her hafta yüzlerce gemiyi elleçlemektedir ve bu kadar büyük bir filoyu yönetmek zor olabilir. Havadan çekilen görüntülerdeki gemileri analiz ederken ek bir zorluk unsuru daha söz konusudur; gemiler genellikle farklı açılarda görünür. İşte bu noktadaYOLO11'un OBB algılama desteği işe yaramaktadır.
OBB tespiti, modelin çeşitli açılardaki gemileri standart dikdörtgen kutulardan daha doğru bir şekilde tespit etmesini mümkün kılar. Denizcilik şirketleri YOLO11 adresini OBB ile birlikte kullanarak filolarının konumunu ve durumunu daha kolay belirleyebilir, filo hareketleri ve tedarik zinciri lojistiği gibi önemli ayrıntıları takip edebilir. Bu tür vizyon destekli çözümler rotaların optimize edilmesine, gecikmelerin azaltılmasına ve nakliye rotaları boyunca genel filo yönetiminin iyileştirilmesine yardımcı olur.
OBB tespiti için YOLO11 adresini kullanmak isteyen bir yapay zeka geliştiricisiyseniz, başlamak için iki kolay seçenek vardır. Kodla çalışma konusunda rahatsanız, Ultralytics Python paketi mükemmel bir seçimdir. Bulut eğitim yeteneklerine sahip, kullanıcı dostu, kodsuz bir çözümü tercih ediyorsanız, Ultralytics HUB tam da bunun için tasarlanmış bir şirket içi platformdur. Daha fazla ayrıntı için Ultralytics HUB kullanarak Ultralytics YOLO11 eğitimi ve dağıtımı hakkındaki kılavuzumuza göz atabilirsiniz.
Şimdi YOLO11'un OBB desteğinin uygulanabileceği örnekleri gördüğümüze göre, Ultralytics Python paketini keşfedelim ve bunu kullanarak nasıl çıkarımlar yapabileceğinizi ve özel modelleri nasıl eğitebileceğinizi görelim.
Öncelikle, YOLO11 'u Python ile kullanmak için Ultralytics paketini yüklemeniz gerekir. Tercihlerinize bağlı olarak, pip, conda veya Docker kullanarak yüklemeyi seçebilirsiniz. Adım adım talimatlar için Ultralytics Kurulum Kılavuzumuza başvurabilirsiniz. Kurulum sırasında herhangi bir zorlukla karşılaşırsanız, Ortak Sorunlar Kılavuz umuz yararlı sorun giderme ipuçları sunar.
Ultralytics paketini kurduktan sonra YOLO11 ile çalışmak son derece basittir. Bir çıkarımı çalıştırmak, yeni görüntüler üzerinde tahminlerde bulunmak için eğitilmiş bir modeli kullanma sürecini ifade eder - gerçek zamanlı olarak OBB ile nesneleri tespit etmek gibi. Bu, modele yeni nesneleri tanımayı veya belirli görevlerdeki performansını artırmayı öğrettiğiniz model eğitiminden farklıdır. Çıkarsama, modeli görünmeyen verilere uygulamak istediğinizde kullanılır.
Aşağıdaki örnek, bir modelin nasıl yükleneceği ve bir görüntü üzerinde yönlendirilmiş sınırlayıcı kutuları tahmin etmek için nasıl kullanılacağı konusunda size yol gösterir. Daha ayrıntılı örnekler ve gelişmiş kullanım ipuçları için, en iyi uygulamalar ve daha fazla talimat için resmi Ultralytics belgelerine göz attığınızdan emin olun.
Bir YOLO11 modelini eğitmek, yönlendirilmiş sınırlayıcı kutu nesne algılama gibi belirli veri kümeleri ve görevler üzerindeki performansına ince ayar yapabileceğiniz anlamına gelir. Genel nesne tespiti için YOLO11 gibi önceden eğitilmiş modeller kullanılabilirken, benzersiz nesneleri tespit etmek veya belirli bir veri kümesinde performansı optimize etmek için modele ihtiyaç duyduğunuzda özel bir modelin eğit ilmesi çok önemlidir.
Aşağıdaki kod parçasında, OBB tespiti için bir YOLO11 modelini eğitme adımlarını ele alıyoruz.
İlk olarak, model önceden eğitilmiş YOLO11 OBB'ye özgü ağırlıklar (yolo11n-obb.pt) kullanılarak başlatılır. Ardından, veri kümesi yapılandırma dosyası, eğitim döngüsü sayısı, eğitim görüntüsü boyutu ve eğitimin çalıştırılacağı donanım (ör. CPU veya GPU) gibi parametrelerle modeli özel bir veri kümesi üzerinde eğitmek için bir eğitim işlevi kullanılır. Eğitimden sonra, doğruluk ve kayıp gibi ölçütleri kontrol etmek için modelin performansı doğrulanır.
Eğitilmiş modeli kullanarak, OBB'li nesneleri tespit etmek ve görselleştirmek için yeni görüntüler üzerinde çıkarımlar yapabilirsiniz. Ayrıca, eğitilen model aşağıdaki gibi formatlara dönüştürülebilir ONNX dışa aktarma özelliğini kullanarak dağıtım için.
Ultralytics YOLO11 yönlendirilmiş sınırlayıcı kutu desteği ile nesne algılamayı bir üst seviyeye taşıyor. Nesneleri farklı açılardan tespit edebilen YOLO11 , farklı sektörlerdeki çeşitli uygulamalar için kullanılabilir. Örneğin, güneş paneli denetimleri veya filo izleme gibi görevler için hassasiyetin çok önemli olduğu şehir planlama, enerji ve nakliye gibi sektörler için mükemmel bir seçimdir. Daha hızlı performans ve gelişmiş doğruluk ile YOLO11 , yapay zeka geliştiricilerinin gerçek dünyadaki zorlukları çözmelerine yardımcı olabilir.
Yapay zeka daha yaygın bir şekilde benimsenip günlük hayatımıza entegre edildikçe, YOLO11 gibi modeller yapay zeka çözümlerinin geleceğini şekillendirecektir.
Vision AI'nın potansiyeli hakkında bilgi edinmek için büyüyen topluluğumuza katılın ve GitHub depomuzu keşfedin. Sağlık hizmetlerinden sürücüsüz arabalara kadar sektörleri yeniden keşfederek inovasyona yön veriyoruz.
Makine öğreniminin geleceği ile yolculuğunuza başlayın
