Nesneleri İngilizce Bir Şekilde Tanıyalım! (Lise Öğrencilerine Yönelik Görüntü İşleme Örneği)
Burada gördüğünüz gibi, nesneler tanımlandıktan sonra, her bir nesneye ait doğruluk payı hemen yanında bulunan kutucuklara girilmektedir. Lise öğrencilerimizin sensörlerde bu mekanizmayı nasıl kullanacaklarını ve Python’un gücüyle neler başarabileceklerini anlamalarına yardımcı olacak bir örnek mevcuttur. Ayrıca, öğrencilerimizin İngilizce derslerinde de destek olabilecek şekilde düzenlenmiştir.
YOLOv8 Gerçek Zamanlı Nesne Tespiti Projesi:
YOLOv8 (You Only Look Once) nesne tespiti modeli, gerçek zamanlı uygulamalar için optimize edilmiş bir modeldir. Bu projede, YOLOv8 kullanarak, farklı nesneleri tespit eden ve her bir tespit edilen nesnenin doğruluk oranını gösteren bir sistem geliştirildi.
- Modelin Eğitilmesi:
- Model, özel bir veri kümesiyle eğitildi. Bu veri kümesi, nesneleri (örneğin, araçlar, insanlar, hayvanlar) etiketleyerek bu nesnelerin doğru bir şekilde tanınmasını sağladı.
- Veri setinin etiketlenmesi, nesnelerin her birine ait sınıflandırmaların ve koordinat bilgilerini içerdi.
- Nesne Tespiti:
- YOLOv8, her bir görüntüdeki nesneleri tanımak için hızlı ve doğru bir şekilde çalışır. Görüntüdeki her nesne, bir sınırlayıcı kutu ile etiketlenir.
- Model, her tespit edilen nesneye ait bir doğruluk payı hesaplar ve bu doğruluk, ekranda gösterilir.
- Python Entegrasyonu:
- Python, YOLOv8’in entegrasyonunda önemli bir rol oynamaktadır. Python’un güçlü kütüphaneleri (NumPy, OpenCV, PyTorch vb.) kullanılarak modelin çıktıları işlenir, görselleştirilir ve doğruluk payları ekranda kullanıcıya sunulur.
- Öğrenciler, Python kodları ile nesne tespiti sürecini yönetebilir ve modelin çıktılarını kişiselleştirebilirler.
- Gerçek Zamanlı Çalışma:
- YOLOv8, video akışları üzerinde gerçek zamanlı nesne tespiti yapabilme yeteneğine sahiptir. Bu, sensör verilerinden elde edilen görüntüler üzerinde anında tespit yapmayı mümkün kılar.
Bu projeyi lise öğrencilerinin anlaması için basitleştirilmiş şekilde sunduk. Öğrenciler, sensör verileri ve Python programlamasıyla nesne tespiti nasıl yapılır, doğruluk oranları nasıl hesaplanır gibi temel kavramları öğrenebilirler. Ayrıca, bu proje İngilizce dilinde açıklamalarla desteklendiği için, öğrenciler hem teknoloji hem de dil öğrenimi açısından faydalı bir deneyim kazanmış olurlar.
Yukarıda belirtmiş olduğumuz kütüphanelerin ne işe yaradığı ilgili ufak bir bilgi vermek isterim.
1. NumPy:
- Ne yapar?: Sayısal hesaplamalar için kullanılır. Çok boyutlu diziler üzerinde hızlı işlem yapmanızı sağlar.
- Kullanım alanı: Veri analizi, makine öğrenmesi, bilimsel hesaplamalar.
2. OpenCV:
- Ne yapar?: Görüntü işleme ve bilgisayarla görme için kullanılır. Resim ve video üzerinde filtreleme, nesne tespiti, yüz tanıma gibi işlemler yapar.
- Kullanım alanı: Görüntü işleme, güvenlik sistemleri, robotik.
3. PyTorch:
- Ne yapar?: Derin öğrenme ve yapay zeka projeleri için kullanılan bir kütüphanedir. Tensor işlemleri ve model eğitimi için güçlü bir araçtır.
- Kullanım alanı: Makine öğrenmesi, yapay zeka, sinir ağları.
Bu kütüphanelerin öğrencilerin ilgi alanlarına göre kullanım sıklığı değişebilir. Lakin temel kütüphanelerimiz bunlardan oluşur.
Neden Yolov8 Kullandık?
YOLO nesne tespiti modelinin genel ismidir ve birçok sürümü bulunmaktadır. Bu projemizde ise YOLOv8 kullandık, hız, doğruluk ve verimlilik açısından en iyi nesne tespiti çözümlerinden biridir. Bu yüzden gerçek zamanlı uygulamalar ve endüstriyel projelerde tercih edilmektedir.
YOLO modelleri hakkında ayrıntılı bir bilgi edinmek isterseniz: https://docs.ultralytics.com/tr bu link üzerinde dokümanlara ulaşabilirsiniz.
Projemizin Kodları:
Başka Neler Yapılabilir? Biz YOLO Modeline Öğretmek İstersek?
Biz öğretmek istersek, veri seti oluşturan bir Web2.0 aracı kullanıyoruz.
- Veri Seti Oluşturma (Roboflow Platformu):
- https://roboflow.com/ sitesine girerek, öğretmek istediğimiz verileri yükleyip etiketler oluşturuyoruz.
- Veri Setinin Bölünmesi:
- RoboFlow sitesinde, verilerimizin %30’luk kısmını deneme (test) için ayırıyoruz. Geri kalan verilerimizi modelimizi eğitmek için kullanıyoruz.
- Model Eğitimi (YOLOv8 Kullanımı):
- Daha sonra, YOLOv8 modelini kullanarak verilerimizle modelimizi eğitiyoruz.
- Model Doğruluğu:
- Model eğitildikten sonra, modelimizin doğruluk payı bize sunulacaktır. Bu doğruluk oranı, modelin ne kadar doğru sonuç verdiğini gösterir.
Neden Python Eğitimin Yanında Görüntü İşleme Anlatmalıyım?
- Öğrenciler, Python dilinde temel veri yapıları, döngüler, fonksiyonlar gibi konuları öğrenir ve bu kavramları görsel verilerle uygulamalı olarak pekiştirirler.
- Öğrenciler, görseller üzerinde temel işlemler yapmayı öğrenirler. Bu, resim okuma, görüntü boyutlandırma, renk dönüşümleri ve filtreler gibi işlemleri içerir.
- Görüntü işleme ve nesne tanıma algoritmalarını kullanarak, öğrenciler bir görüntüdeki nesneleri tespit etme ve analiz etme yeteneği kazanırlar. Bu, pratikte yapay zeka ve makine öğrenmesi uygulamalarına giriş sağlar.
- Görüntü işleme, öğrencilere sayısal ve matematiksel düşünme becerilerini kazandırır. Öğrenciler, piksel düzeyinde hesaplamalar yaparak daha analitik bir bakış açısı geliştirirler.
- Öğrenciler, Python’un güçlü görüntü işleme kütüphanelerini (OpenCV vb.) kullanmayı öğrenirler. Bu kütüphaneler, görselleştirme ve analiz konularında güçlü araçlar sunar.
- Öğrenciler, görsel verilerle çalışarak veri bilimi ve makine öğrenmesine adım atarlar. Bu, gelecekte bu alanlarda ilerlemeleri için sağlam bir temel oluşturur.
- Görüntü işleme projeleri, öğrencilere gerçek dünya problemlerini çözme fırsatı verir. Bu, pratik uygulamalarla yaratıcı ve eleştirel düşünme becerilerini geliştirir.
- Görüntü işleme, yazılım geliştirmeyi matematiksel modelleme, mühendislik tasarımı ve fiziksel dünya ile ilişkilendirerek, öğrencilere çok disiplinli bir öğrenme deneyimi sunar.
- Görüntü işleme ve yapay zeka gibi konular İngilizce literatürde yoğun olarak yer aldığından, öğrenciler İngilizce teknik terimlere hâkim olurlar ve bu, akademik ve profesyonel gelişimlerini destekler.
Katkıda bulunanlar:
Sultan Yeşilöz
