YOLOv11 ile Bilgisayarlı Görü Pratikleri

Eğitim Amacı

Bu eğitimin amacı: YOLOv11 odağında bilgisayarlı görü alanına ilişkin kavramsal çerçeveyi ve uygulama ortamlarını tanıtmak, çalışma sürecine dair genel bir yönlendirme sunmaktır.

Eğitim Özeti

Bu eğitimde: bilgisayarlı görü ve görüntü işleme alanına ait temel kavramlar, görüntünün sayısal yapısı, YOLO algoritmasının yaklaşımı ve sürümlerinin gelişimi, NMS kavramı, Roboflow ve Ultralytics YOLO dokümantasyonu, Anaconda ve Google Colab ortamlarının kurulumu; sınıflama, nesne tespiti, segmentasyon ve poz tahmini kapsamında veri hazırlığı, model eğitimi, transfer öğrenimi, tahmin, test ve değerlendirme içerikleri Google Colab ve yerel GPU bağlamında ele alınır.

Hedef Kitle

• Üniversite öğrencileri,
• Bilgisayarla görme alanında kendini geliştirmek isteyenler,
• Görüntü işleme çözümleri geliştirenler,
• Görüntü işleme teknolojilerini iş fikirlerine uygulamak isteyen girişimciler ve profesyoneller.

Kazanımlar

• YOLO algoritmalarının temel mantığını açıklayabilir; sınıflandırma, nesne tespiti, segmentasyon ve poz tahmini gibi görevlerde nasıl uygulandığını kavrayabilir.
• Veri seti hazırlama ve etiketleme sürecini (Roboflow vb. modern araçlarla) uygulamalı olarak yürütebilir.
• YOLO modellerini eğitebilir, test edebilir; farklı sürümleri (YOLOv8, YOLOv11) kullanarak deneyim kazanabilir.
• Model performansını; doğruluk (accuracy), hassasiyet (precision), geri çağırma (recall) ve mAP gibi metrikler üzerinden analiz edebilir.
• Görüntü sınıflandırma (Classification) görevlerinde YOLO tabanlı modelleri kullanarak nesne kategorilerini belirleyebilir.
• Nesne tespiti (Object Detection) uygulamalarında birden fazla nesneyi konum bilgileriyle (bounding box) birlikte tespit edebilir.
• Örnek segmentasyonu (Instance Segmentation) yaparak nesne sınırlarını piksel düzeyinde ayırt edebilir.
• Poz tahmini (Pose Estimation) yöntemleriyle eklem noktalarını ve duruş bilgilerini analiz edebilir.
• Google Colab ve PyTorch ortamında GPU destekli eğitim süreçlerini yöneterek projeler geliştirebilir.
• Gerçek dünya senaryolarına (güvenlik, otonom araçlar, sağlık, tarım vb.) yönelik uçtan uca çözümler üretebilir.

Gereksinimler

• Google Colab veya Jupyter Notebook gibi geliştirme ortamlarına aşinalık,
• Temel düzeyde Python programlama bilgisi,
• Temel Lineer Cebir bilgisi,
• Temel Olasılık ve İstatistik bilgisi,
• Görüntü işlemeye giriş seviyesinde bilgi sahibi olmak,
• Temel PyTorch bilgisi.

Kullanılacak Programlar

• Programlama Dili ve Temel Kütüphaneler: Python 3.x, NumPy, Pandas, Matplotlib, Seaborn.
• Bilgisayarlı Görü ve Derin Öğrenme: PyTorch, OpenCV, Ultralytics YOLO (v11).
• Veri Hazırlığı ve Etiketleme: Roboflow, LabelImg, Makesense.ai.
• Geliştirme Ortamları (IDE) ve Bulut Çözümleri: VS Code, Google Colab, Kaggle Notebooks.
• Donanım Hızlandırma: NVIDIA CUDA & cuDNN.