Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, Yakup adlı bir eğitmen tarafından sunulan, YOLO ve Tiny YOLO modelleri kullanarak nesne tespiti ve sayma işlemlerini anlatan bir eğitim içeriğidir.
- Video, GitHub'dan repo indirme ve gerekli kütüphanelerin kurulumu ile başlayıp, eğitilmiş YOLO modellerinin indirilmesi ve dönüştürülmesi sürecini göstermektedir. Ardından fotoğraf ve videolarda nesne tespiti yapma işlemleri, "count" bayrağı kullanılarak toplam nesne sayısının hesaplanması anlatılmaktadır. İkinci bölümde ise Tiny YOLO modeli için ağırlıkların kullanımı, custom class dosyasının oluşturulması ve config dosyasının düzenlenmesi gösterilmekte, ayrıca Tiny YOLO'nun işlemci üzerinde çalıştırılmasıyla FPS değerinin neredeyse on kat arttığı belirtilmektedir.
- Eğitim, araç plakaları tespiti örneği üzerinden nesne sayma ve sınıflandırma işlemlerini detaylı şekilde ele almaktadır.
- YOLO Modelleri ile Nesne Tespiti
- Bu videoda YOLO modelleri kullanılarak fotoğraflar ve videolarda tespit edilen nesnelerin sayısını bulma işlemi gösterilecek.
- İşlemler için Medium üzerinden oluşturulan bir yazı ve GitHub üzerinden bir repo kullanılacak.
- Repo, Türkçe kaynak olması ve takip kolaylığı için ekstra bir yazı ile birlikte paylaşılmış.
- 00:44Repo İndirme ve Kurulum
- Repo, yeşil kutucuğa tıklayarak "Download Zip" seçeneğiyle indirilebilir ve masaüstüne "detection" adında bir klasöre kaydedilebilir.
- CMD üzerinden "git clone" komutu ile repo klasöre kopyalanabilir.
- Gerekli kütüphanelerin kurulumu için "require.txt" veya "require_gpu.txt" dosyaları kullanılabilir, GPU varsa "require_gpu.txt", yoksa "require.txt" kullanılmalıdır.
- 01:44Sanal Çevre Oluşturma ve Kütüphane Kurulumu
- Kütüphanelerin kurulumu için sanal çevre oluşturulmalıdır.
- Windows için "python -m venv" komutu ile sanal çevre oluşturulabilir.
- Sanal çevre aktif etmek için "source env_path.bat" komutu kullanılabilir.
- 03:54Model Ağırlıkları İndirme ve Dönüştürme
- YOLO modelleri üzerinden nesne tanıma işlemi için eğitilmiş model ağırlıkları gereklidir.
- Eğitilmiş model ağırlıkları, kendi eğitilen modeller veya Coco dataset ile eğitilmiş YOLO modellerinin ağırlıkları olarak indirilebilir.
- Darknet ile yazılmış ağırlıklar, TensorFlow kütüphanesi kullanılarak işlenebilmek için dönüştürülmesi gerekir.
- 06:30Model Çalıştırma ve Nesne Sayma
- Model çalıştırma için CMD üzerinden "python detect.py" komutu kullanılır.
- Nesne sayma işlemi için "count" bayrağı eklenir.
- Her sınıftan ayrı ayrı nesne sayısını görmek için "b_class" parametresinin değeri "true" olarak değiştirilir.
- 09:23Video Tespit İşlemi
- Video tespiti için "detek video" isimli bir script kullanılıyor ve kod kopyalanıp yapıştırılıyor.
- Video tespiti için "video" parametresi ile hangi video üzerinden işlem yapılacağı belirtiliyor.
- "Output" parametresi ile detection yapılan video kaydediliyor ve "count" bayrağı ile objeleri sayma işlemi gerçekleştiriliyor.
- 11:03Sınıf Bazlı Tespit
- "Detek video" scriptindeki "by class" değişkeni değiştirilerek her sınıfa ait tespit edilen objelerin sayısı ayrı ayrı bulunabiliyor.
- Sınıf bazlı tespit yapıldığında sol üstte her sınıf için ayrı ayrı kaç tane tespit edildiği görüntüleniyor.
- Tespit işlemi sonucunda "detection" klasörü içerisinde sonuç videosu kaydediliyor.
- 11:43Tiny Model Kullanımı
- Tiny model için "convert" işlemi yaparken "--tiny" eklenmesi gerekiyor.
- Kendi model eğitimi yapıldığında, "class" dosyası oluşturulmalı ve her satıra tek bir sınıf ismi yazılmalı.
- Config dosyasında "class" satırı değiştirilerek kendi sınıf dosyası adı belirtilmeli.
- 13:52Model Testi
- Test için araba fotoğrafları kullanılarak detection işlemi gerçekleştiriliyor ve sol üst köşede nesne sayısı yazdırılıyor.
- Video üzerinden de detection işlemi yapılabiliyor ve sol üst köşede tespit edilen plaka sayısı gösteriliyor.
- Tiny model kullanıldığında FPS değeri neredeyse on kat artıyor, ancak doğruluk oranı biraz düşüyor.