Doğru poz tahmini için Ultralytics YOLO11 modelini nasıl kullanacağınızı öğrenin. Çeşitli uygulamalar için gerçek zamanlı çıkarım ve özel model eğitimini ele alacağız.
Yapay zekanın (AI) bir dalı olan bilgisayarla görme ile ilgili araştırmalar 1960'lara kadar uzanmaktadır. Ancak 2010'lara kadar, derin öğrenmenin yükselişiyle birlikte, makinelerin görüntüleri nasıl anladığı konusunda büyük atılımlar gördük. Bilgisayarla görme alanındaki en son gelişmelerden biri de son teknoloji ürünü Ultralytics YOLO11 modelleri. İlk olarak Ultralytics'un yıllık hibrit etkinliği olan YOLO Vision 2024'te (YV24) tanıtılan YOLO11 modelleri, poz tahmini de dahil olmak üzere bir dizi bilgisayarla görme görevini destekliyor.
Poz tahmini, konumlarını, duruşlarını veya hareketlerini anlamak için bir görüntü veya videodaki bir kişi veya nesne üzerindeki kilit noktaları tespit etmek için kullanılabilir. Makinelerin fiziksel eylemleri gerçek zamanlı olarak yorumlamasına yardımcı olmak için spor analitiği, hayvan davranışlarının izlenmesi ve robotik gibi uygulamalarda yaygın olarak kullanılmaktadır. YOLO (You Only Look Once) serisinin önceki modellerine göre geliştirilmiş doğruluğu, verimliliği ve hızı sayesinde, YOLO11gerçek zamanlı poz tahmini görevleri için çok uygundur.
Bu makalede, poz tahmininin ne olduğunu keşfedecek, bazı uygulamalarını tartışacak ve poz tahminini nasıl kullanabileceğinizi inceleyeceğiz. YOLO11 poz tahmini için Ultralytics Python paketi ile. Ayrıca YOLO11 adresini ve poz tahminini birkaç basit tıklamayla denemek için Ultralytics HUB'ı nasıl kullanabileceğinize de bir göz atacağız. Hadi başlayalım!
Poz tahmini için yeni Ultralytics YOLO11 modelini nasıl kullanacağımıza geçmeden önce, poz tahminini daha iyi anlayalım.
Poz tahmini, bir görüntü veya videodaki bir kişinin veya nesnenin pozunu analiz etmek için kullanılan bir bilgisayarla görme tekniğidir. Derin öğrenme modelleri gibi YOLO11 belirli bir nesne veya kişi üzerindeki kilit noktaları tanımlayabilir, bulabilir ve izleyebilir. Nesneler için bu kilit noktalar köşeleri, kenarları veya farklı yüzey işaretlerini içerebilirken, insanlar için bu kilit nokt alar dirsek, diz veya omuz gibi ana eklemleri temsil eder.
Poz tahmini, nesne algılama gibi diğer bilgisayarla görme görevleriyle karşılaştırıldığında benzersiz ve daha karmaşıktır. Nesne alg ılama, bir görüntüdeki nesneleri etraflarına bir kutu çizerek bulurken, poz tahmini nesne üzerindeki kilit noktaların tam konumlarını tahmin ederek daha da ileri gider.
Poz tahmini söz konusu olduğunda, bunun iki ana yolu vardır: aşağıdan yukarıya ve yukarıdan aşağıya. Aşağıdan yukarıya yaklaşımı tek tek kilit noktaları tespit edip bunları iskeletler halinde gruplandırırken, yukarıdan aşağıya yaklaşımı önce nesneleri tespit etmeye ve ardından bunların içindeki kilit noktaları tahmin etmeye odaklanır.
YOLO11 hem yukarıdan aşağıya hem de aşağıdan yukarıya yöntemlerinin güçlü yanlarını birleştirir. Aşağıdan yukarıya yaklaşımı gibi, kilit noktaları manuel olarak gruplandırmaya gerek kalmadan işleri basit ve hızlı tutar. Aynı zamanda, insanları tespit ederek ve pozlarını tek bir adımda tahmin ederek yukarıdan aşağıya yönteminin doğruluğunu kullanır.
YOLO11 'un poz tahmini için çok yönlü yetenekleri, birçok sektörde çok çeşitli olası uygulamaların önünü açmaktadır. Şimdi YOLO11'un bazı poz tahmini kullanım örneklerine daha yakından bakalım.
Güvenlik, herhangi bir inşaat projesinin önemli bir yönüdür. Bu özellikle doğrudur, çünkü istatistiksel olarak şantiyelerde işle ilgili yaralanmaların sayısı daha yüksektir. 2021 yılında, işle ilgili tüm ölümcül yaralanmaların yaklaşık %20'si inşaat sahalarında veya yakınlarında meydana gelmiştir. Ağır ekipman ve elektrik sistemleri gibi günlük riskler söz konusu olduğunda, çalışanları güvende tutmak için güçlü güvenlik önlemleri şarttır. İşaretler, barikatlar ve gözetmenler tarafından manuel izleme gibi geleneksel yöntemler her zaman etkili değildir ve genellikle gözetmenleri daha kritik görevlerden uzaklaştırır.
Yapay zeka, güvenliği artırmak için devreye girebilir ve poz tahminine dayalı bir işçi izleme sistemi kullanılarak kaza riski azaltılabilir. Ultralytics YOLO11 modelleri, çalışanların hareketlerini ve duruşlarını izlemek için kullanılabilir. Çalışanların tehlikeli ekipmanlara çok yakın durması veya görevleri yanlış yapması gibi potansiyel tehlikeler hızla tespit edilebilir. Bir risk tespit edilirse, amirler bilgilendirilebilir veya bir alarm işçiyi uyarabilir. Sürekli bir izleme sistemi, tehlikelere karşı her zaman tetikte olarak ve çalışanları koruyarak şantiyeleri daha güvenli hale getirebilir.
Çiftçiler ve araştırmacılar, topallık gibi hastalıkların erken belirtilerini tespit etmek amacıyla sığır gibi çiftlik hayvanlarının hareket ve davranışlarını incelemek için YOLO11 adresini kullanabilirler. Topallık, bir hayvanın bacaklarındaki veya ayaklarındaki ağrı nedeniyle düzgün hareket etmekte zorlandığı bir durumdur. Sığırlarda topallık gibi hastalıklar sadece sağlıklarını ve refahlarını etkilemekle kalmaz, aynı zamanda süt çiftliklerinde üretim sorunlarına da yol açar. Araştırmalar, topallığın küresel süt endüstrisi genelinde meraya dayalı sistemlerde sığırların %8'ini, kapalı sistemlerde ise %15 ila %30'unu etkilediğini göstermektedir. Topallığın erken tespit edilmesi ve ele alınması, hayvan refahının iyileştirilmesine ve bu durumla ilişkili üretim kayıplarının azaltılmasına yardımcı olabilir.
YOLO11'nin duruş tahmini özellikleri, çiftçilerin hayvanın yürüyüş modellerini takip etmelerine ve eklem sorunları veya enfeksiyonlar gibi sağlık sorunlarına işaret edebilecek anormallikleri hızlı bir şekilde belirlemelerine yardımcı olabilir. Bu sorunları erken yakalamak daha hızlı tedaviye olanak tanıyarak hayvanların rahatsızlığını azaltır ve çiftçilerin ekonomik kayıplardan kaçınmasına yardımcı olur.
Yapay zeka destekli izleme sistemleri dinlenme davranışını, sosyal etkileşimleri ve beslenme düzenlerini analiz etmeye de yardımcı olabilir. Çiftçiler, stres veya saldırganlık belirtileri hakkında gözlemler elde etmek için poz tahminini de kullanabilir. Bu içgörüler, hayvanlar için daha iyi yaşam koşulları geliştirmek ve refahlarını artırmak için kullanılabilir.
Poz tahmini, insanların egzersiz yaparken duruşlarını gerçek zamanlı olarak iyileştirmelerine de yardımcı olabilir. YOLO11 ile spor salonu ve yoga eğitmenleri, duruşlarını değerlendirmek için eklemler ve uzuvlar gibi kilit noktalara odaklanarak egzersiz yapan kişilerin vücut hareketlerini izleyebilir ve takip edebilir. Toplanan veriler ideal pozlar ve egzersiz teknikleriyle karşılaştırılabilir ve eğitmenler bir kişi bir hareketi yanlış yaptığında uyarılar alarak sakatlanmaların önlenmesine yardımcı olabilir.
Örneğin, bir yoga dersi sırasında poz tahmini, tüm öğrencilerin uygun denge ve hizalamayı koruyup korumadıklarını izlemeye yardımcı olabilir. Bilgisayarla görme ve duruş tahmini ile entegre mobil uygulamalar, evde egzersiz yapan veya kişisel eğitmenlere erişimi olmayan kişiler için fitness'ı daha erişilebilir hale getirebilir. Bu sürekli gerçek zamanlı geri bildirim, kullanıcıların tekniklerini geliştirmelerine ve sakatlanma riskini azaltırken fitness hedeflerine ulaşmalarına yardımcı olur.
Şimdi poz tahmininin ne olduğunu keşfettik ve bazı uygulamalarını tartıştık. Şimdi yeni YOLO11 modeliyle poz tahminini nasıl deneyebileceğinize bir göz atalım. Başlamak için bunu yapmanın iki uygun yolu vardır: Ultralytics Python paketini kullanmak veya Ultralytics HUB aracılığıyla. Şimdi her iki seçeneğe de bir göz atalım.
Bir çıkarımın çalıştırılması, YOLO11 modelinin eğitim setlerinin dışındaki yeni verileri işlemesini ve bu verilere dayalı tahminler yapmak için öğrendiği kalıpları kullanmasını içerir. Çıkarımları Ultralytics Python paketi ile kod aracılığıyla çalıştırabilirsiniz. Başlamak için tek yapmanız gereken pip, conda veya Docker kullanarak Ultralytics paketini yüklemektir. Kurulum sırasında herhangi bir zorlukla karşılaşırsanız, Ortak Sorunlar Kılavuzumuz yararlı sorun giderme ipuçları sunar.
Paketi başarıyla yükledikten sonra, aşağıdaki kod bir modelin nasıl yükleneceğini ve bir görüntüdeki nesnelerin pozlarını tahmin etmek için nasıl kullanılacağını özetlemektedir.
Diyelim ki bir bilgisayarla görme projesi üzerinde çalışıyorsunuz ve poz tahminini içeren belirli bir uygulama için belirli bir veri kümeniz var. Ardından, uygulamanıza uyacak şekilde özel bir YOLO11 modeline ince ayar yapabilir ve eğitebilirsiniz. Örneğin, uzuvlarının, başının ve kuyruğunun konumu gibi temel özellikleri tanımlayarak görüntülerdeki bir kaplanın pozunu analiz etmek ve anlamak için bir anahtar nokta veri kümesi kullanabilirsiniz.
Bir YOLO11 poz tahmin modelini yüklemek ve eğitmek için aşağıdaki kod parçacığını kullanabilirsiniz. Model bir YAML yapılandırmasından oluşturulabilir veya eğitim için önceden eğitilmiş bir model yükleyebilirsiniz. Bu kod ayrıca ağırlıkları aktarmanıza ve poz tahmini için COCO veri kümesi gibi belirli bir veri kümesini kullanarak modeli eğitmeye başlamanıza olanak tanır.
Yeni eğitilen özel modeli kullanarak, bilgisayarla görme çözümünüzle ilgili görünmeyen görüntüler üzerinde çıkarımlar yapabilirsiniz. Eğitilen model, dışa aktarma modu kullanılarak diğer formatlara da dönüştürülebilir.
Şimdiye kadar YOLO11 adresini kullanmak için bazı temel kodlama bilgisi gerektiren yöntemleri inceledik. Eğer aradığınız bu değilse ya da kodlamaya aşina değilseniz, başka bir seçenek daha var: Ultralytics HUB. Ultralytics HUB, YOLO modellerini eğitme ve dağıtma sürecini basitleştirmek için tasarlanmış kullanıcı dostu bir platformdur. HUB, teknik uzmanlığa ihtiyaç duymadan veri kümelerini kolayca yönetmenize, modelleri eğitmenize ve dağıtmanıza olanak tanır.
Görüntüler üzerinde çıkarımlar yapmak için bir hesap oluşturabilir, 'Modeller' bölümüne gidebilir ve ilgilendiğiniz YOLO11 poz tahmin modelini seçebilirsiniz. Önizleme bölümünde, bir görüntü yükleyebilir ve aşağıda gösterildiği gibi tahmin sonuçlarını görüntüleyebilirsiniz.
Ultralytics YOLO11 geniş bir uygulama yelpazesinde poz tahmini gibi görevler için doğru ve esnek çözümler sunar. Şantiyelerde işçilerin güvenliğini artırmaktan hayvan sağlığını izlemeye ve fitness rutinlerinde duruş düzeltmeye yardımcı olmaya kadar YOLO11 , gelişmiş bilgisayarla görme teknolojisi aracılığıyla hassasiyet ve gerçek zamanlı geri bildirim sağlar.
Çoklu model varyantları ve belirli kullanım durumları için özel eğitim yeteneği ile çok yönlülüğü, onu hem geliştiriciler hem de işletmeler için çok değerli bir araç haline getirmektedir. İster Ultralytics Python paketi ile kodlama yoluyla ister daha kolay uygulama için Ultralytics HUB kullanılarak olsun, YOLO11 poz tahminini erişilebilir ve etkili hale getirir.
Daha fazlasını keşfetmek için GitHub depomuzu ziyaret edin ve topluluğumuzla etkileşime geçin. Çözüm sayfalarımızda üretim ve tarımdaki yapay zeka uygulamalarını keşfedin. 🚀
Makine öğreniminin geleceği ile yolculuğunuza başlayın
