YOLO Vision 2024'te sunulan SharkEye'ın gerçek zamanlı nesne algılama ve plaj güvenliği için Ultralytics YOLOv8 'den nasıl yararlandığını anlayın.
İster bir çiftlikte otlayan sığırlar ister kıyıya yakın hareket eden köpekbalıkları olsun, hayvanları doğal ortamlarında izlemek, güvenlikleri ve refahları için her zaman önemli olmuştur. Ancak onları elle gözlemlemek kolay değildir. Gözlemcilerin davranış veya hareketlerdeki herhangi bir değişikliği yakından izlemeleri gerektiğinden, genellikle saatlerce sabır ve dikkatli odaklanma gerektirebilir. O zaman bile, ince ama önemli işaretleri gözden kaçırmak kolaydır.
Yapay zekanın (AI) devreye girmesi sayesinde, bu süreç daha hızlı, daha akıllı ve çok daha verimli hale geliyor ve doğruluğu artırırken insan gözlemcilerin üzerindeki yükü azaltıyor. Özellikle bilgisayar görüşü hayvanları izlemek, tehlikeleri tespit etmek ve gerçek zamanlı kararlar almak için kullanılabiliyor. Bir zamanlar saatler süren görevler artık dakikalar içinde yapılabiliyor ve hayvan davranışlarını anlamanın yeni yollarını açıyor.
Ultralytics tarafından her yıl düzenlenen hibrit bir etkinlik olan YOLO Vision 2024'te (YV24), uzmanlar ve yenilikçiler yapay zekanın günlük zorlukların üstesinden nasıl geldiğini keşfetmek için bir araya geldi. Sergilenen konulardan bazıları, gerçek zamanlı nesne algılama ve hayvan izlemedeki ilerlemeleri içeriyordu ve yapay zekanın çeşitli alanlarda güvenliği ve verimliliği nasıl artırdığını gösteriyordu.
Etkinliğin en önemli noktalarından biri, AI Master Group'un Kurucusu Jim Griffin'in Vision AI' nın köpekbalıklarını kıyıya çok yaklaşmadan tespit ederek plajları nasıl daha güvenli hale getirdiğini gösterdiği konuşmasıydı. Nasıl kullandıklarını açıkladı Ultralytics YOLOv8köpekbalıklarını dalgalı dalgalar, parlama ve su altı engelleri gibi zorlu koşullarda bile gerçek zamanlı olarak doğru bir şekilde tanımlamak için son teknoloji bir bilgisayarla görme modeli.
Bu makalede, SharkEye projesine daha yakından bakacak ve Jim'in konuşmasından ilginç bilgiler paylaşacağız.
Jim konuşmasına Kaliforniya'da sörfçülerin ve köpekbalıklarının sıklıkla aynı suları paylaştığı ünlü bir sörf noktası olan Padaro Plajı'nı tanıtarak başladı. Köpekbalığı tespitinin gerçek zorluğunun altını çizerek şunları paylaştı: "Elbette bir köpekbalığı sizi ısırırsa tespit etmek kolaydır, bu yüzden yapmak istediğimiz şey köpekbalıklarını önceden tespit etmekti."
SharkEye, Santa Barbara'daki California Üniversitesi'nin desteğiyle bu sorunun üstesinden gelmek için kuruldu. Jim, yüksek çözünürlüklü yapay zekâ kameralarına sahip dronların suyun yaklaşık 200 feet üzerinde uçarak okyanusu gerçek zamanlı olarak nasıl taradığını anlattı.
Bir köpekbalığı tespit edildiğinde, SMS uyarıları cankurtaranlar, sörf dükkanı sahipleri ve güncellemeler için kaydolan herkes dahil olmak üzere yaklaşık 80 kişiye ulaşıyor. Jim, bu anlık bildirimlerin hızlı müdahaleye olanak tanıyarak bir köpekbalığı kıyıya yaklaştığında plaj sakinlerini daha güvende tuttuğuna dikkat çekti.
Jim ayrıca SharkEye'ın kullanıcıların köpekbalığı tespit istatistiklerini görebilecekleri canlı bir gösterge tablosuna sahip olduğundan bahsetti. Örneğin, 12 hafta boyunca sistem iki büyük köpekbalığı ve 15 küçük köpekbalığı tespit etti ve ortalama olarak haftada bir köpekbalığı tespit etti.
Daha sonra SharkEye'ın arkasındaki çabalara liderlik eden bilim insanı Neil Nathan'ı tanıttı. Nathan, bilgisayar bilimleri yerine çevre çalışmaları alanında bir geçmişe sahip olmasına rağmen projeye başarıyla öncülük etti. Jim, SharkEye'da kullanılanlar gibi modern yapay zeka araçlarının nasıl erişilebilir olacak şekilde tasarlandığını ve teknik geçmişi olmayan bireylerin etkili çözümler geliştirmesine olanak sağladığını vurguladı.
Jim, SharkEye'ın kaputunun altında neler olduğunu ve köpekbalığı algılama çözümünün nasıl sadece basit bir nesne alg ılama görevi içermediğini ayrıntılarıyla anlattı. Kolayca köpekbalığı sanılabilecek yüzen deniz yosunu gibi dinamik, öngörülemeyen koşullarla başa çıkmak zorundaydı. Sabit bir nesneyi tespit etmenin aksine, bir köpekbalığını tanımlamak hassasiyet ve uyarlanabilirlik gerektirdiğinden YOLOv8 ideal bir seçimdir.
YOLOv8 'in bir diğer avantajı da bulut sunucularına bağlı kalmadan bir drone üzerinde kullanılabilmesiydi. Jim, bu yaklaşımın SharkEye'ın anında uyarı göndermesini nasıl mümkün kıldığını açıkladı - bu, öngörülemeyen okyanus koşullarında zamanında müdahale sağlamanın önemli bir parçası.
Jim, SharkEye'ın nasıl çalıştığını ve arkasındaki işbirlikçi çabayı vurguladıktan sonra canlı bir demo sergiledi.
Jim Griffin, canlı demosuna izleyicileri tanıdık bir örnek üzerinden yürüterek başladı - Ultralytics YOLO modelleri için bir "merhaba dünya" kod parçacığı. Sadece altı satırlık Python koduyla, önceden eğitilmiş bir Ultralytics YOLOv8 modelinin bir görüntüdeki bir otobüsü nasıl zahmetsizce tespit edebileceğini gösterdi.
Demosunda dronlar gibi düşük güçlü cihazlar için hafif bir versiyon olan YOLOv8 Nano modelini kullandı. Aynı model SharkEye'da gerçek zamanlı köpekbalığı tespiti için kullanıldı.
Daha fazla bağlam sağlamak için Jim, demodaki modelin yaygın olarak kullanılan COCO veri setinin daha küçük bir alt kümesi olan COCO128 üzerinde eğitildiğinden bahsetti. COCO veri kümesi 80 farklı nesne kategorisinde 20.000'den fazla görüntü içeriyor. COCO128 hızlı gösterimler için iyi çalışsa da, SharkEye'ın daha sağlam bir şeye, yani gerçek dünya senaryolarının karmaşıklıklarıyla başa çıkabilecek uygulamaya özel bir köpekbalığı algılama veri setine ihtiyacı olduğunu belirtti.
Jim'e göre SharkEye projesinin en zor kısmı yapay zeka modelini eğitmek değil, doğru verileri toplamaktı. Jim şöyle diyor: "Bu projenin asıl işi yapay zeka değildi. Bu projenin ana işi, bu dronları beş yıl boyunca uçurmak, bu videolardan görüntüleri ayıklamak ve bunları uygun şekilde etiketlemekti."
Ekibin Padaro Plajı'nda nasıl 15.000 görüntü topladığını anlattı. Köpekbalıkları, deniz yosunları ve sudaki diğer nesneleri birbirinden ayırmak için her görüntünün manuel olarak etiketlenmesi gerekiyordu. Süreç yavaş ve zorlu olsa da, sonraki her şey için temel oluşturdu.
Veri kümesi hazır olduğunda, Ultralytics YOLOV8 bu veri kümesi üzerinde özel olarak eğitildi. Jim, "Asıl eğitim zor kısım değildi - T4 GPU'larda [Grafik işleme birimleri] sadece 20 saat sürdü" dedi. Ayrıca A100 GPU'lar gibi daha güçlü donanımlarla sürenin beş saate kadar düşebileceğini de sözlerine ekledi.
Jim daha sonra SharkEye'ın performansının nasıl değerlendirildiğini anlattı. Kilit ölçütün hassasiyet olduğunu, yani sistemin gerçek köpekbalıklarını ne kadar doğru tespit ettiğini gösterdi. SharkEye'ın %92'lik etkileyici bir hassasiyete ulaşmasıyla model, karmaşık okyanus ortamında köpekbalıklarını doğru bir şekilde tanımlamada oldukça etkili olduğunu kanıtladı.
Hassasiyetin önemini daha derinlemesine inceleyen Jim, bu durumda hassasiyetin neden geri çağırmadan daha önemli olduğunu açıkladı. "İnsanlar çoğu zaman, özellikle de pozitif bir vakayı kaçırmanın kritik olabileceği sağlık hizmetleri gibi alanlarda, geri çağırma ile ilgilenirler. Ancak bu durumda, dışarıda kaç tane köpekbalığı olduğunu bilmiyorduk, bu yüzden önemsediğimiz şey hassasiyetti" diye açıkladı. SharkEye, hassasiyete odaklanarak yanlış alarmların en aza indirilmesini sağladı ve cankurtaranların ve diğer müdahale ekiplerinin hızlı bir şekilde harekete geçmesini kolaylaştırdı.
SharkEye'ın %92'lik hassasiyetinin insan uzmanların %60'lık doğruluk oranını çok aştığını belirterek konuşmasını yapay zeka ile insan performansını karşılaştırarak tamamladı. Bu farkı şu sözlerle vurguladı: "Çünkü biz insanız. Siz ya da ben ne kadar uzman olursak olalım, eğer tüm gün boyunca bir ekranın önünde oturup köpekbalıklarını aramak zorunda kalırsak, eninde sonunda aklımızın dağılmasına izin vereceğiz." İnsanların aksine, yapay zeka modelleri yorulmaz veya dikkatleri dağılmaz, bu da onu sürekli izleme gerektiren görevler için güvenilir bir çözüm haline getirir.
Jim Griffin'in konuşmasından ilgi çekici bir alıntı olan "Altı satırlık kod bir gün hayatınızı kurtarabilir", yapay zekanın ne kadar gelişmiş ancak erişilebilir hale geldiğini mükemmel bir şekilde yansıtıyor. Ultralytics YOLO modelleri, en son bilgisayarla görme teknolojisini her ölçekteki geliştiriciler ve işletmeler için erişilebilir hale getirerek bu düşünceyle oluşturulmuştur. Ultralytics YOLO11 daha hızlı çıkarımlar ve daha yüksek doğruluk ile bunu geliştirir.
İşte YOLO11 'i diğerlerinden ayıran özelliklere hızlı bir bakış:
Bu özellikler, YOLO11 'i ister çiftlikte ister vahşi doğada olsun, dinamik ortamlarda hayvan davranışlarını izlemek için mükemmel bir seçim haline getirir.
Görme Yapay Zekası alanındaki gelişmeler, çeşitli alanlar için pratik araçlar sağlayarak gerçek dünyadaki zorlukların üstesinden gelmeyi kolaylaştırıyor. Örneğin, YOLO11 gibi bilgisayarla görme modelleri, zorlu koşullarda bile hayvanların gerçek zamanlı olarak izlenmesi ve takip edilmesi için kullanılabilir.
Jim Griffin'in YV24'teki açılış konuşması, YOLOv8 'in karmaşık sorunları minimum kodlama ile çözmek için nasıl kullanılabileceğini gösterdi. Gerçek zamanlı köpekbalığı tespiti için drone'ları yapay zeka ile birleştiren SharkEye projesi, teknolojinin plaj güvenliğini nasıl artırabileceğini gösterdi.
Erişilebilir yapay zekanın farklı geçmişlere sahip insanları etkili çözümler üretme konusunda nasıl güçlendirdiğine dair büyüleyici bir vaka çalışmasıydı. Yapay zeka gelişmeye devam ettikçe, sektörleri dönüştürüyor ve bireylerin dünyayı daha güvenli, daha akıllı ve daha verimli bir yer haline getirme potansiyelinden yararlanmasını mümkün kılıyor.
Topluluğumuzun bir parçası olun ve yapay zekayı daha derinlemesine incelemek için GitHub depomuzu keşfedin. Tarımda bilgisayarla gör meden sürücüsüz araçlarda yapay zekaya kadar, bu teknolojilerin inovasyonu nasıl yönlendirdiğini görün. Yapay zeka projelerinize bugün başlamak için lisanslama seçeneklerimize göz atın!
Makine öğreniminin geleceği ile yolculuğunuza başlayın
