Nesne algılamanın temellerini keşfedin. Ultralytics eşsiz hız ve doğrulukla nesneleri gerçek zamanlı olarak nasıl tanımladığını ve konumlandırdığını öğrenin.
Nesne algılama, bilgisayar sistemlerinin görsel veriler içinde belirli öğeleri tanımlamasına ve konumlandırmasına olanak tanıyan, bilgisayar görme (CV) alanında çok önemli bir teknolojidir. Resmin tamamına tek bir etiket atayan daha basit görüntü sınıflandırma görevlerinden farklı olarak, nesne algılama, bir nesnenin sınıfını (ör. "kişi", "araba", "köpek") ve uzamsal konumunu aynı anda tahmin ederek ayrıntılı bir anlayış sağlar. Bu Bu konum genellikle nesneyi çevreleyen dikdörtgen bir sınırlayıcı kutu ile temsil edilir ve modelin kesinliğini gösteren bir güven puanı eşlik eder. Bu ikili yetenek — tanıma ve konum belirleme — modern Yapay Zeka (AI) uygulamalarının duyusal temelini oluşturur ve makinelerin çevreleriyle anlamlı bir şekilde etkileşime girmesini sağlar.
Modern dedektörler, girdi görüntülerinden karmaşık özellikleri çıkarmak için büyük ölçüde Derin Öğrenme (DL) mimarilerine, özellikle de Evrişimli Sinir Ağlarına (CNN) dayanmaktadır. Süreç, bir modelin COCO gibi etiketli büyük koleksiyonları kullanarak kalıpları tanımayı öğrendiği eğitim aşamasıyla başlar. Bu aşamada algoritma, tahmin hatalarını en aza indirmek için model ağırlıklarını optimize eder.
Model, çıkarım için kullanıldığında, yeni görüntüleri tarayarak olası nesneleri önerir. Ardından, gelişmiş algoritmalar Non-Maximum Suppression (NMS) uygulayarak yinelenen algılamaları filtreler ve her bir farklı nesnenin yalnızca bir kez vurgulanmasını sağlar. Bu tahminlerin doğruluğu genellikle, tahmin edilen kutu ile gerçek değer arasındaki örtüşmeyi ölçen Intersection over Union (IoU) metriği kullanılarak değerlendirilir. Son gelişmeler, YOLO26 gibi uçtan uca mimariye yol açmıştır. Bu mimari, bu süreci olağanüstü hız ve kenar cihazlarda gerçek zamanlı çıkarım yetenekleri için
Bir proje için doğru aracı seçmek için nesne algılamayı ilgili kavramlardan ayırmak çok önemlidir:
Nesne algılamanın çok yönlülüğü, büyük endüstrilerde yenilikçiliği teşvik etmektedir. Otomotiv sektöründe, otonom araçlardaki yapay zeka, güvenli bir şekilde yol alabilmek için yayaları, trafik işaretlerini ve diğer araçları anında tanımak için algılama modellerine büyük ölçüde güvenmektedir. Bu sistemler, araçtaki kameralardan gelen video görüntülerini işleyerek, kazaları önleyen anlık kararlar almaktadır.
Bir başka önemli kullanım örneği ise perakende sektöründe yapay zeka uygulamalarıdır. Otomatik ödeme sistemleri ve akıllı envanter yönetimi robotları, nesne algılama teknolojisini kullanarak rafları tarar, ürünleri tanır ve detect eksikliklerini veya yanlış yerleştirilmiş ürünleri detect . Bu otomasyon, tedarik zincirlerini kolaylaştırır ve ürünlerin her zaman mevcut olmasını sağlayarak müşteri deneyimini iyileştirir.
Geliştiriciler, ultralytics Python . Aşağıdaki
örnek, önceden eğitilmiş bir modeli nasıl yükleyeceğinizi gösterir. YOLO26 model
ve bir görüntü üzerinde çıkarım yapın.
from ultralytics import YOLO
# Load the latest YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")
# Run inference on an image from a URL
results = model("https://ultralytics.com/images/bus.jpg")
# Display the results with bounding boxes
results[0].show()
Operasyonlarını ölçeklendirmek isteyen ekipler için Ultralytics , verileri açıklamak , bulutta özel modeller eğitmek ve bunları ONNX veya TensorRTgibi çeşitli formatlara dağıtmak için kapsamlı bir ortam sunar. Bu tür platformları kullanmak, MLOps yaşam döngüsünü basitleştirerek mühendislerin altyapıyı yönetmek yerine uygulamalarını iyileştirmeye odaklanmalarını sağlar.
.webp)