Ultralytics YOLO Nedir? Yapay Zekâ ile Görüntü İşleme

Bilgisayarlı Görüde Lider Ultralytics YOLO: Gerçek Zamanlı Yapay Zekâ ile Görüntü İşleme

Günümüzde yapay zekâ teknolojilerinin en hızlı geliştiği alanlardan biri bilgisayarlı görü (Computer Vision) teknolojisidir. Kameralar aracılığıyla elde edilen görüntüleri analiz ederek nesneleri tanımak, hareketleri takip etmek, üretim hatalarını tespit etmek ve çevresel koşulları anlamlandırmak artık birçok endüstriyel uygulamanın temelini oluşturuyor.

Bu alanda öne çıkan teknolojilerden biri de Ultralytics YOLO (You Only Look Once) platformudur. Yüksek işlem hızı, güçlü nesne algılama yetenekleri ve farklı donanımlarda çalışabilme esnekliği sayesinde YOLO, bilgisayarlı görü projelerinde yaygın olarak tercih edilmektedir.

Peki YOLO nedir, nasıl çalışır ve endüstriyel uygulamalarda hangi avantajları sağlar?

YOLO Nedir?

YOLO, görüntü ve video akışları üzerinde nesneleri gerçek zamanlı olarak algılamak ve sınıflandırmak için geliştirilen derin öğrenme tabanlı bir bilgisayarlı görü model ailesidir.

Geleneksel görüntü işleme yöntemlerinde görüntünün farklı aşamalarda analiz edilmesi gerekirken YOLO, görüntüyü tek bir model çıkarımı içerisinde değerlendirerek nesnelerin konumlarını ve sınıflarını belirleyebilir.

Örneğin bir üretim hattındaki kamera görüntüsünde:

  • Ürünleri ve parçaları tanıyabilir.
  • Eksik veya hatalı ürünleri tespit edebilir.
  • İnsan ve araç hareketlerini takip edebilir.
  • Belirli bölgelerdeki nesneleri sayabilir.
  • Üretim alanındaki güvenlik ihlallerini algılayabilir.

YOLO’nun temel avantajı, yüksek doğruluk ile düşük gecikmeyi bir araya getirerek gerçek zamanlı uygulamalara uygun bir çözüm sunmasıdır.

Ultralytics YOLO Neden Öne Çıkıyor?

Ultralytics, YOLO modellerinin geliştirilmesi, eğitilmesi, test edilmesi ve farklı donanımlarda çalıştırılması için kapsamlı bir yazılım ekosistemi sunmaktadır.

Python tabanlı kolay kullanımı, komut satırı desteği ve farklı model seçenekleri sayesinde hem araştırma projelerinde hem de ticari bilgisayarlı görü uygulamalarında kullanılabilir.

Öne çıkan avantajları şunlardır:

1. Gerçek Zamanlı Görüntü İşleme

YOLO, kamera görüntülerini yüksek hızda analiz edebilir. Bu özellik, üretim hatları ve robotik sistemler gibi anlık karar verilmesi gereken uygulamalar için önemlidir.

2. Özel Veri Setleriyle Eğitim

Kendi ürünlerinize, parçalarınıza veya üretim süreçlerinize ait görüntülerle özel modeller eğitebilirsiniz. Böylece hazır modellerin tanımadığı nesneleri de sisteminize öğretebilirsiniz.

3. Farklı Bilgisayar Görüsü Görevleri

Nesne algılama, görüntü segmentasyonu, sınıflandırma, poz tahmini ve nesne takibi gibi farklı görevler desteklenir.

4. Farklı Donanımlarda Çalışabilme

Eğitilen modeller uygun formatlara dönüştürülerek masaüstü bilgisayarlarda, GPU sistemlerinde ve desteklenen gömülü yapay zekâ platformlarında çalıştırılabilir.

5. Geniş Yazılım Ekosistemi

Python API, komut satırı araçları, model eğitimi, veri etiketleme ve dağıtım süreçleri tek bir ekosistem içerisinde yönetilebilir.

Ultralytics YOLO Modelleri ve Görüntü İşleme Yetenekleri

Ultralytics ekosistemi sürekli geliştirilmektedir. Kasım 2026 itibarıyla en yeni yayımlanmış model ailesi YOLO26’dır. YOLO11 ise mevcut üretim uygulamaları için önerilen olgun model seçeneklerinden biridir.

YOLO26, isteğe bağlı NMS-free (Non-Maximum Suppression gerektirmeyen) uçtan uca çıkarım yaklaşımı ve uç cihazlarda çalıştırmaya yönelik optimizasyonlarıyla dikkat çekmektedir.

Ultralytics YOLO ile gerçekleştirilebilen başlıca görevler şunlardır:

Nesne Algılama (Object Detection)

Görüntü içerisindeki nesnelerin sınıfını ve konumunu belirler. Nesnelerin etrafına sınırlayıcı kutular (Bounding Box) çizerek hangi nesnenin nerede bulunduğunu gösterir.

Kullanım alanları:

  • Üretim hattında ürün sayımı
  • Araç ve yaya algılama
  • Depo ve lojistik takibi
  • Güvenlik sistemleri

Görüntü Segmentasyonu (Instance Segmentation)

Nesneleri yalnızca dikdörtgen kutularla değil, piksel seviyesinde maskeler oluşturarak ayırt eder.

Kullanım alanları:

  • Ürün yüzeyindeki kusurların belirlenmesi
  • Parça geometrisinin incelenmesi
  • Hassas kalite kontrol
  • Tarımsal ürün analizi

Görüntü Sınıflandırma (Image Classification)

Bir görüntünün hangi kategoriye ait olduğunu belirler.

Kullanım alanları:

  • Ürünlerin türlerine göre ayrılması
  • Hatalı ve sağlam ürün sınıflandırması
  • Görsel kalite kontrol
  • Otomatik ürün tanıma

Poz Tahmini (Pose Estimation)

İnsan veya diğer desteklenen nesneler üzerinde belirli anahtar noktaları tespit ederek hareket ve duruş analizine olanak sağlar.

Kullanım alanları:

  • İnsan hareketlerinin analizi
  • İş güvenliği uygulamaları
  • Spor hareketlerinin takibi
  • Robotik etkileşim sistemleri

Nesne Takibi (Object Tracking)

Video akışında algılanan nesnelerin kareler arasında takip edilmesini sağlar. Böylece nesnelerin hareketleri, geçişleri ve belirli bölgelerde kalma süreleri analiz edilebilir.

Kullanım alanları:

  • Araç geçiş sayımı
  • Üretim hattı ürün takibi
  • Depo içi hareket analizi
  • İnsan ve robot hareketlerinin izlenmesi

Yönlendirilmiş Nesne Algılama (OBB)

Döndürülmüş sınırlayıcı kutular kullanarak açılı veya farklı yönlerde bulunan nesneleri daha uygun şekilde konumlandırır.

Özellikle hava görüntüleri, yoğun yerleşimli parçalar ve lojistik uygulamalarında faydalıdır.

Derinlik Tahmini (Depth Estimation)

YOLO26’nın desteklediği tek görüntüden derinlik tahmini özelliği, RGB görüntü üzerinden piksel seviyesinde derinlik haritası üretir. Robot navigasyonu ve sahne analizi gibi uygulamalarda kullanılabilir.

Endüstriyel Görüntü İşlemede YOLO Kullanımı

YOLO’nun önemli kullanım alanlarından biri endüstriyel otomasyondur. Üretim tesislerinde kameralar aracılığıyla elde edilen görüntüler yapay zekâ modelleriyle analiz edilerek üretim süreçleri daha akıllı hale getirilebilir.

Örneğin bir üretim hattında kamera, bant üzerinden geçen ürünleri sürekli izleyebilir. YOLO modeli ürünleri tanıyabilir, sayabilir ve belirlenen kalite kriterlerine uymayan parçaları tespit edebilir.

Başlıca endüstriyel kullanım senaryoları:

Otomatik Kalite Kontrol: Ürün üzerindeki çizik, deformasyon, eksik parça ve montaj hatalarının tespit edilmesi.

Üretim Takibi: Ürünlerin sayılması, sınıflandırılması ve üretim aşamalarının izlenmesi.

İş Güvenliği: Çalışanların tehlikeli bölgelere girmesinin, kişisel koruyucu ekipman eksikliklerinin veya güvenli olmayan hareketlerin algılanması.

Akıllı Depo ve Lojistik: Palet, kutu ve ürünlerin tanınması, sayılması ve hareketlerinin takip edilmesi.

Makine ve Robot Kontrolü: Kamera verilerinden elde edilen nesne konumu ve hareket bilgilerinin robotik sistemlere aktarılması.

Robotik Sistemlerde Ultralytics YOLO

Robotların çevrelerini algılayabilmesi ve nesnelerle etkileşim kurabilmesi için bilgisayarlı görü teknolojileri kritik öneme sahiptir.

YOLO, robotlara kamera üzerinden çevrelerini analiz etme yeteneği kazandırabilir.

Örneğin bir mobil robot:

  1. Kameradan görüntü alır.
  2. YOLO modeliyle insanları ve nesneleri algılar.
  3. Nesnelerin konumlarını belirler.
  4. Algılama sonuçlarını robot kontrol yazılımına aktarır.
  5. Hareket veya görev planlama sistemi bu verileri kullanarak karar verir.

Bu yapı; otonom mobil robotlar (AMR), insansı robotlar, depo robotları ve endüstriyel robot kollarında değerlendirilebilir.

Özellikle robotların nesne tanıma, hedef bulma, çevresel farkındalık ve insan-robot etkileşimi yeteneklerinin geliştirilmesinde YOLO önemli bir yazılım bileşeni olabilir.

YOLO ile Kendi Yapay Zekâ Modelinizi Eğitmek

Ultralytics YOLO’nun önemli avantajlarından biri, kendi görüntü verilerinizle özel model eğitebilmenizdir.

Örneğin bir fabrikada üretilen parçaların hatalı ve sağlam olarak sınıflandırılmasını istiyorsanız öncelikle bu parçalara ait görüntüleri toplamanız gerekir.

Genel eğitim süreci şu aşamalardan oluşur:

  1. Görüntü Toplama: Kamera veya fotoğraf makineleriyle veri seti oluşturulur.
  2. Veri Etiketleme: Görüntülerdeki nesneler işaretlenerek sınıfları belirlenir.
  3. Veri Setini Hazırlama: Eğitim, doğrulama ve test verileri ayrılır.
  4. Model Eğitimi: YOLO modeli özel veri setiyle eğitilir.
  5. Performans Testi: Modelin doğruluk, hız ve hata oranları değerlendirilir.
  6. Sisteme Entegrasyon: Eğitilen model hedef donanıma aktarılır.

Python ile YOLO Kullanımına Başlangıç

Ultralytics kütüphanesini Python ortamına yüklemek için:

pip install ultralytics

Hazır YOLO26 modeliyle bir görüntü üzerinde nesne algılama:

from ultralytics import YOLO

# YOLO26 Nano modelini yükle
model = YOLO("yolo26n.pt")

# Görüntü üzerinde nesne algılama
results = model.predict(
    source="test.jpg",
    conf=0.50,
    save=True
)

# Algılanan nesneleri yazdır
for result in results:
    for box in result.boxes:
        cls = int(box.cls[0])
        confidence = float(box.conf[0])

        print(
            model.names[cls],
            round(confidence, 2)
        )

Bu örnek, önceden eğitilmiş modelle temel nesne algılama işlemini gerçekleştirir. Kendi üretim verilerinizi kullanmak için ayrıca özel veri seti hazırlayıp model eğitmeniz gerekir.

YOLO Modellerini Gömülü ve Edge AI Sistemlerinde Kullanmak

Yapay zekâ uygulamalarında yalnızca modelin doğruluğu değil, hangi donanımda ve hangi hızda çalıştığı da önemlidir.

Her görüntüyü uzak bir sunucuya göndermek yerine görüntü işleme işlemini doğrudan cihaz üzerinde gerçekleştirmek, gecikmeyi ve ağ bağımlılığını azaltabilir.

Bu yaklaşım Edge AI olarak adlandırılır.

YOLO modelleri uygun donanım ve yazılım desteğiyle şu platformlarda çalıştırılabilir:

  • NVIDIA Jetson ailesi
  • GPU destekli endüstriyel bilgisayarlar
  • x86 tabanlı mini bilgisayarlar
  • Raspberry Pi gibi desteklenen ARM sistemleri
  • ONNX, TensorRT ve OpenVINO destekleyen sistemler

Modelin donanıma uygun şekilde dışa aktarılması performans açısından önemlidir. Örneğin NVIDIA GPU sistemlerinde TensorRT, farklı platformlarda ise ONNX veya OpenVINO tercih edilebilir.

Burada önemli bir ayrıntı vardır: ESP32 gibi mikrodenetleyiciler, standart Ultralytics YOLO modellerini doğrudan çalıştırmak için genellikle uygun değildir. Bu tür sistemlerde daha küçük ve özel olarak optimize edilmiş TinyML modelleri veya görüntü işleme görevini üstlenen ayrı bir Edge AI işlemcisi tercih edilmelidir.

Meşe Bilişim ile Akıllı Görüntü İşleme Çözümleri

Meşe Bilişim olarak elektronik donanım, gömülü yazılım, IoT ve yapay zekâ teknolojilerini bir araya getirerek endüstriyel problemlere yönelik çözümler geliştiriyoruz.

Ultralytics YOLO gibi bilgisayarlı görü teknolojileri, geliştirdiğimiz akıllı sistemlerde kullanılabilecek önemli araçlardan biridir.

Bu teknolojinin IoT altyapıları, sensör sistemleri, endüstriyel otomasyon ve robotik uygulamalarla birleştirilmesiyle farklı projeler gerçekleştirilebilir.

Örneğin:

  • Yapay zekâ destekli üretim hattı kalite kontrol sistemleri
  • Kamera tabanlı ürün ve parça sayma çözümleri
  • Endüstriyel alanlarda insan ve araç algılama
  • Robotlar için nesne tanıma ve çevresel algılama
  • IoT tabanlı görüntü işleme ve uzaktan izleme sistemleri
  • Edge AI tabanlı gerçek zamanlı analiz çözümleri

Bu sistemler, yalnızca görüntüleri analiz etmekle kalmayıp elde edilen sonuçları IoT platformlarına aktararak daha kapsamlı otomasyon çözümlerinin oluşturulmasını sağlar.

Sonuç: Bilgisayarlı Görünün Geleceği

Bilgisayarlı görü teknolojileri, üretimden lojistiğe, robotikten akıllı şehirlere kadar birçok sektörde dönüşüm yaratmaktadır.

Ultralytics YOLO; gerçek zamanlı nesne algılama, özel model eğitimi, farklı görüntü işleme görevleri ve Edge AI entegrasyonu sayesinde bu dönüşümün önemli teknolojilerinden biridir.

Özellikle kendi veri setinizle eğitebildiğiniz modeller sayesinde standart kamera sistemlerini akıllı algılama sistemlerine dönüştürmek mümkündür.

Meşe Bilişim olarak yapay zekâ, IoT ve elektronik donanım teknolojilerini bir araya getirerek endüstriyel ihtiyaçlara yönelik yeni nesil çözümler geliştirmeye devam ediyoruz.

Projenizde yapay zekâ destekli görüntü işleme kullanmak ister misiniz? Meşe Bilişim ile iletişime geçerek projenize uygun bilgisayarlı görü ve Edge AI çözümlerini değerlendirebilirsiniz.