Bilgisayarlı Görü Nedir?

Bilgisayarlı görü, makinelerin görüntüleri otomatik olarak tanımak, doğru ve verimli bir şekilde tanımlamak için kullandığı bir teknolojidir. Günümüzde bilgisayar sistemleri; kaynağı akıllı telefonlar, trafik kameraları, güvenlik sistemleri ve diğer cihazlar olan veya bunlar tarafından oluşturulan büyük hacimli görüntülere ve video verilerine erişebiliyor. Bilgisayarlı görme uygulamaları, bu verileri nesne tanımlama ve yüz tanıma ile sınıflandırma, öneri, izleme ve algılama için doğru bir şekilde işlemek için yapay zeka ve makine öğren imini (AI/ML) kullanır.

Kullanım Örnekleri

Güvenlik ve emniyet

Hükümetler ve işletmeler varlıkların, sitelerin ve tesislerin güvenliğini artırmak için bilgisayar görüşünü kullanır. Örneğin, kameralar ve sensörler kamusal alanları, sanayi bölgelerini ve yüksek güvenlikli ortamları izliyor. Yetkisiz bir kişinin kısıtlı bir alana girmesi gibi olağan dışı bir şey olursa otomatik uyarılar gönderirler.

Benzer şekilde, bilgisayar görüşü evde ve işyerinde kişisel güvenliği artırabilir. Örneğin, tanıma teknolojisi güvenlikle ilgili sayısız sorunu izleyebilir. Bunların arasında evde evcil hayvanları algılayan gerçek zamanlı akışlar veya ziyaretçileri ya da teslim edilen paketleri algılayan canlı ön kapı kameraları sayılabilir. İşyerinde bu tür izleme, iş çiler tarafından uygun kişisel koruyucu ekip manın giyilmesini, uyarı sistemlerini bilgilendirmeyi veya rapor oluşturmayı içerir.

Operasyonel verimlilik

Bilgisayar vizyonu, görüntüleri analiz edebilir ve iş zekası için meta verileri çıkarabilir, yeni gelir fırsatları ve operasyonel verimlilik yaratabilir. Örneğin, şunları yapabilir:

Ürünler fabrikadan çıkmadan kalite kusurlarını otomatik olarak belirleme
Makine bakım ve güvenlik sorunlarını algılama
Müşteri davranışındaki eğilimleri ve kalıpları keşfetmek için sosyal medya görüntülerini analiz etme
Otomatik yüz tanıma ile çalışanların kimliğini doğrulama

Otonom araçlar

Otonom araç teknolojisi, gerçek zamanlı görüntüleri tanımak ve otonom taşımacılığa takılan birden fazla kameradan 3D haritalar oluşturmak için bilgisayar görüşünü kullanır. Görüntüleri analiz edebilir ve diğer yol kullanıcılarını, yol işaretlerini, yayaları veya engelleri tanımlayabilir.

Yarı otonom araçlarda bilgisayar görüşü, sürücü davranışını izlemek için makine öğrenimini (ML) kullanır. Örneğin, sürücünün baş pozisyonuna, göz izlemesine ve üst gövde hareketine bağlı olarak dikkat dağınıklığı, yorgunluk ve uyuşukluk belirtileri arar. Teknoloji belirli uyarı işaretlerini alırsa, sürücüyü uyarır ve sürüş kazası olasılığını azaltır.

Tarım

Verimliliği artırmaktan akıllı otomasyonla maliyetleri düşürmeye kadar, bilgisayarlı görme uygulamaları tarım sektörünün genel işleyişini geliştirir. Uydu ve İHA görüntüleri, geniş arazi alanlarını analiz etmeye ve çiftçilik uygulamalarını iyileştirmeye yardımcı olur. Bilgisayarlı görü uygulamaları; arazi koşullarını izleme, mahsul hastalığı belirleme, toprak nemini kontrol etme, hava durumu ve mahsul verimlerini tahmin etme gibi görevleri otomatikleştirir. Bilgisayar görüşü ile hayvan izleme, akıllı çiftçiliğin bir başka önemli stratejisidir.

Sağlık hizmetleri

Sağlık, bilgisayar görme teknolojisini uygulayan önde gelen endüstrilerden biridir. Özellikle tıbbi görüntü analizi, tıp uzmanlarının hızlı ve doğru teşhis koymasına yardımcı olacak şekilde organ ve dokuların görselleştirilmesine olanak tanıyarak daha iyi tedavi sonuçları ve yaşam beklentisi sağlar. Örneğin:

Cilt benlerini ve deri lezyonlarını analiz ederek tümör algılama
Otomatik röntgen analizi
MRI taramalarından belirti keşfi

Bilgisayarlı görü nasıl çalışır?

Bilgisayarlı görme sistemleri, insan beyninin nesne tanıma ve nesne sınıflandırmasından sorumlu yeteneklerini taklit etmek için yapay zeka (AI) teknolojisini kullanır. Bilgisayar uzmanları, büyük miktarda bilgi girerek bilgisayarları görsel verileri tanıyacak şekilde eğitir. Makine öğrenimi (ML) algoritmaları, bu görüntü veya videolardaki ortak kalıpları belirleyerek bu bilgileri bilinmeyen görüntüleri doğru bir şekilde tanımlamak için uygular. Örneğin, milyonlarca araç görüntüsünü işleyen bilgisayarlar bir görüntüdeki aracı doğru bir şekilde algılayabilen kimlik kalıpları oluşturmaya başlayacaktır. Bilgisayar görme, aşağıda verilenler gibi teknolojileri kullanır.

Derin öğrenme

Derin öğrenme, sinir ağlarını kullanan bir ML türüdür. Derin öğrenme sinir ağları, yapay nöron adı verilen ve bilgisayarın içinde birlikte çalışan birçok yazılım modülü katmanından oluşur. Görüntü verilerinin farklı özelliklerini otomatik olarak işlemek ve görüntüye ilişkin kademeli olarak birleşik bir anlayış geliştirmek için matematiksel hesaplamaları kullanır.

Evrişimli sinir ağları

Evrişimli sinir ağları (CNN'ler), görsel verileri kategorize etmek ve tüm görüntüyü anlamak için bir etiketleme sistemi kullanır. Görüntüleri piksel olarak analiz eder ve her piksele bir etiket değeri verir. Bu değer, evrişim adı verilen bir matematik işlemi gerçekleştirmek ve resim hakkında tahminlerde bulunmak için girilir. Uzaktan bir nesneyi tanımaya çalışan bir insan gibi CNN de renk, iç formlar ve doku gibi ek ayrıntıları doldurmadan önce ana hatları ve basit şekilleri tanımlar. Son olarak, doğruluğu artırmak için tahmin sürecini birkaç yineleme üzerinde tekrarlar.

Yinelenen sinir ağları

Yinelemeli sinir ağları (RNN'ler) CNN'lere benzer, ancak aralarındaki bağlantıları bulmak için bir dizi görüntüyü işleyebilir. CNN'ler tek görüntü analizi için kullanılırken, RNN'ler videoları analiz edebilir ve görüntüler arasındaki ilişkileri anlayabilir.

Bilgisayarlı görü ve görüntü işleme arasındaki fark nedir?

Görüntü işleme, keskinleştirme, yumuşatma, filtreleme veya iyileştirme dahil olmak üzere görüntüleri değiştirmek için algoritmalar kullanır. Bilgisayarlı görü, bir görüntüyü değiştirmediği için farklıdır. Bunun yerine, gördüğü şeyi anlamlandırır ve etiketleme gibi bir görevi yerine getirir. Bazı durumlarda, görüntüyü bilgisayarlı görü sisteminin daha iyi anlayabileceği şekilde değiştirmek için görüntü işlemeyi kullanabilirsiniz. Diğer durumlarda, görüntüleri veya bir görüntünün parçalarını tanımlamak için bilgisayar görüşünü kullanır ve ardından görüntüyü daha fazla değiştirmek için görüntü işlemeyi kullanırsınız.

Bilgisayarlı görünün gerçekleştirebileceği sık kullanılan görevler nelerdir?

Görüntü sınıflandırması

Görüntü sınıflandırması, bilgisayarların bir görüntüyü görmesini ve hangi sınıfa girdiğini doğru bir şekilde belirlemesini sağlar. Bilgisayarlı görü; sınıfları anlar ve etiketler (örneğin ağaçlar, uçaklar veya binalar). Buna verilebilecek bir örnek, kameranın fotoğraftaki yüzleri tanıyabilmesi ve onlara odaklanabilmesidir.

Nesne algılama

Nesne algılama, görüntüleri algılamaya ve yerelleştirmeye dayanan bir bilgisayarlı görü görevidir. Görüntüleri tanımlamak, tasnif etmek ve düzenlemek için sınıflandırmadan yararlanır. Nesne algılama, endüstriyel süreçlerde ve üretim süreçlerinde otonom uygulamaları kontrol etmek ve üretim hatlarını izlemek için kullanılır. Bağlı ev kamerası üreticileri ve servis sağlayıcıları da insanları ve nesneleri gerçek zamanlı olarak algılamak ve son kullanıcılarına eyleme geçirilebilir uyarılar sağlamak amacıyla kameralardan gelen canlı video akışlarını işlemek için nesne algılamayı kullanır.

Nesne izleme

Nesne izleme, kategorilere ait öğeleri tanımlamak ve izlemek için derin öğrenme modellerini kullanır. Birçok sektörde çeşitli gerçek dünya uygulamaları bulunur. Nesne izlemenin ilk öğesi nesne algılamasıdır; nesnenin çevresinde oluşturulan sınırlayıcı bir kutu vardır, nesneye bir nesne kimliği verilir ve nesne çerçeveler aracılığıyla izlenebilir. Örneğin nesne izleme, kentsel ortamlarda trafik izleme, insan gözetimi ve tıbbi görüntüleme için kullanılabilir.

Segmentasyon

Segmentasyon, bir nesneyi görüntülerini görülen piksellere göre farklı bölgelere bölerek tanımlayan bir bilgisayarlı görü algoritmasıdır. Segmentasyon ayrıca bir öğenin ne olduğunu belirlemek için şeklini veya ana hatlarını yerleştirme gibi bir görüntüyü basitleştirir. Böylece segmentasyon, bir görüntü veya çerçevede birden fazla nesne olup olmadığını da algılar.

Örneğin, bir görüntüde bir kedi ve bir köpek varsa iki hayvanı da tanımak için segmentasyon kullanılabilir. Nesnenin çevresinde bir kutu oluşturan nesne algılamanın aksine, segmentasyon nesnenin şeklini belirlemek için pikselleri izleyerek analiz etmeyi ve etiketlemeyi kolaylaştırır.

AWS, bilgisayarlı görü görevlerinize nasıl yardımcı olur?

AWS, tüm uzmanlık düzeylerinden müşterilere yönelik olarak kapsamlı bir veri kaynağı kümesine bağlı en geniş ve en eksiksiz yapay zeka ve makine öğrenimi (AI/ML) hizmetleri kümesini sağlar.

Çerçeveler üzerine inşa eden ve kendi altyapılarını yöneten müşteriler için PyTorch , MXNet ve TensorFlow dahil en popüler derin öğrenme çerçevelerinin sürümlerini optimize ediyoruz. AWS, benzersiz performans ve bütçe ihtiyaçlarını karşılamak için çeşitli işlemci ve hızlandırıcılarla birlikte geniş ve derin bir bilgi işlem, ağ oluşturma ve depolama altyapısı ML hizmetleri portfö yü sunar.

İşletmeleri genelinde standart bir bilgisayar görme çözümü oluşturmak isteyen müşteriler için Amazon SageMaker , iş analistleri için kodsuz teklifler de dahil olmak üzere tam olarak yönetilen altyapı, araçlar ve iş akışlarıyla her kullanım durumu için veri hazırlamayı ve ML modellerini oluşturmayı, eğitmeyi ve dağıtmayı kolaylaştırır.

ML becerisine sahip olmayan, daha hızlı pazarlama süresine ihtiyaç duyan veya mevcut bir sürece ya da bir uygulamaya zeka eklemek isteyen müşteriler için AWS, çeşitli ML tabanlı bilgisayarlı görü hizmetleri sunar. Bu hizmetler, önceden eğitilmiş API'ler aracılığıyla yapay zeka uygulamalarınıza kolayca zeka eklemenizi sağlar. Amazon Rekognition görüntü ve video analizinizi ML ile otomatikleştirir ve milyonlarca görüntüyü, canlı akışı ve depolanan videoyu saniyeler içinde analiz eder.

Hemen ücretsiz bir AWS hesabı oluşturarak bilgisayar görüşü kullanmaya başlayın.

Bilgisayarlı Görü Nedir?