Endüstride Bilgisayar Görüsü Uygulamaları
Bilgisayar görüsünün üretim, perakende, sağlık ve araç sektörlerinde nasıl fayda sağladığı, bir projenin başarılı olması için nasıl kapsam belirleneceği ve bir fikri bir öğleden sonra test etmek için kısa bir kişi sayma prototipi.

Bir perakende sektörü yetkilisi bir keresinde bana bir kameranın, her saat kaç kişinin kasa kuyruğuna katıldığını söyleyip söyleyemeyeceğini sormuştu. Verdiğim ilk cevap "muhtemelen" oldu. Dürüst cevaba ulaşmam birkaç gün sürdü: sayma için evet, kimin müşteri kimin personel olduğunu tahmin etmek için hayır ve ancak kamera açısı, aydınlatma ve gizlilik kuralları önceden belirlenirse. Model kolay kısımdı. Zor kısım ise kameranın tam olarak hangi soruyu yanıtlaması gerektiği konusunda anlaşmaktı.
Bu yazı, bilgisayar görüsünün endüstride nerede işe yaradığını inceliyor, ardından bir veri toplama kampanyasına başlamadan önce bir projeyi nasıl kapsadığımı ve ilk prototipi nasıl oluşturduğumu gösteriyor. Fabrika denetimi hakkında daha derinlemesine bilgi için, Yüksek Hızlı Üretim İçin Dayanıklı Bilgisayar Görüsü Boru Hatları Oluşturma ve Az Etiketle Nadir Hata Tespiti yazılarına bakabilirsiniz.
Hızlı çıkarımlar
- Bilgisayar görüsü, soru dar ve ölçülebilir olduğunda ("bu çizgiyi geçen insanları say") başarılı olur, belirsiz olduğunda ("mağazayı anla") değil.
- Veri, modelden daha önemlidir: temsili görüntüler, çeşitli koşullar ve tutarlı etiketler sonucu belirler.
- Çıkarımın nerede çalışacağına (uçta veya bulutta) erken karar verin; bu, gecikmeyi, maliyeti ve gizliliği etkiler.
- Özel veri toplamadan önce, önceden eğitilmiş bir dedektör ve sabit bir başarı metriği ile prototip oluşturun.
- Sağlık gibi düzenlenmiş alanlar, modelleme çabasını gölgede bırakan doğrulama ve uyumluluk çalışmalarına ihtiyaç duyar.
Hangi sektörler bilgisayar görüsü kullanır ve ne için?
Desenler sektörler arasında tekrar eder. Çoğu proje dört görevden birine indirgenir: bir görüntüyü sınıflandırmak, nesneleri tespit etmek ve konumlandırmak, pikselleri segmentlere ayırmak veya nesneleri zaman içinde takip etmek.
| Alan | Tipik uygulama | Ana görev | Olağan zorluk |
|---|---|---|---|
| Üretim | Yüzey kusurları, montaj doğrulaması, boyut kontrolleri | Tespit, segmentasyon, anomali tespiti | Nadir kusurlar, aydınlatma kontrolü |
| Perakende | Yaya trafiği, kuyruk uzunluğu, raf stoğu, planogram uyumluluğu | Tespit, takip | Kapanma, gizlilik |
| Sağlık | X-ışını triyajı, patoloji slaytları, retina taraması | Sınıflandırma, segmentasyon | Düzenleme, yorumlanabilirlik, veri erişimi |
| Araçlar ve lojistik | Şerit ve yaya tespiti, koli tarama, hasar denetimi | Tespit, takip, OCR | Uç durumlar, gerçek zamanlı sınırlar |
| Tarım ve altyapı | Mahsul sağlığı, çatlak tespiti, drone denetimi | Segmentasyon, sınıflandırma | Hava durumu, alan kayması |
Üretim, en net geri dönüşü gördüğüm alandır çünkü ortam kontrollüdür: sabit kameralar, tekrarlanabilir parçalar ve hesaplaması kolay bir kusur maliyeti. Sağlık sektöründe riskler en yüksektir. Oradaki bir model, düzenleyici kurumların gözünde bir tıbbi cihazdır, bu yüzden onu içinde bir model olan bir uyumluluk projesi olarak ele alırım, tersi değil.
Bir bilgisayar görüsü projesini başarılı olması için nasıl kapsarım?
Koda dokunmadan önce problemi yazın. Ben bunun gibi tek sayfalık bir spesifikasyon kullanırım ve her satırın bir cevabı olana kadar başlamayı reddederim:
question: How many people join the checkout queue per hour?
output: integer count per 15-minute window
success_metric: absolute error under 10% against a manual count over 3 days
camera: fixed, 1080p, mounted above the queue, 25 fps
conditions: daylight and artificial light, up to 15 people in frame
privacy: no frames stored; only counts leave the device
runs_on: edge device at the store
failure_cost: a wrong count misleads staffing, but nobody is harmed
Bu dosyadaki iki satır en çok acıyı önler. Başarı metriği, modelin kendi çıktısına göre değil, gerçek bir şeye göre ölçülmelidir. Ve gizlilik satırı, veriyi cihazda mı işleyeceğinizi yoksa bir sunucuya mı göndereceğinizi belirler. "Model yanlış olduğunda ne olur" sorusunu yanıtlayabildiğinizde, aslında ne kadar doğruluğa ihtiyacınız olduğuna karar verebilirsiniz.
Uçta mı yoksa bulutta mı: çıkarım nerede çalışmalı?
Uç çıkarım düşük gecikme süresi sağlar, çevrimdışı çalışır ve ham videoyu yerel tutar, bu da en kolay gizlilik senaryosudur. Bulut çıkarım daha fazla işlem gücü sağlar ve güncellemeleri önemsiz hale getirir, ancak bant genişliği ve gidiş-dönüş maliyeti vardır. Yaygın bir uzlaşma, cihazda tespit yapmak ve yalnızca meta verileri (sayımlar, olayların kırpılmış görüntüleri) buluta göndermektir. Bir modeli küçük donanıma sığdırmanız gerekiyorsa, ONNX Runtime ve TensorRT dışa aktarma ve niceleme konularını kapsar.
Hızlı bir prototip nasıl görünür?
Özel veri toplamadan önce, önceden eğitilmiş bir modelin sorunun çoğunu zaten çözüp çözmediğini test edin. Bu betik, Ultralytics takibini kullanarak bir videoda yatay bir çizgiyi geçen insanları sayar:
pip install ultralytics
from ultralytics import YOLO
model = YOLO("yolo11n.pt") # small pretrained detector; swap for a current weights file
LINE_Y = 400 # pixel row of the counting line in your frame
last_y: dict[int, float] = {}
count = 0
for result in model.track(source="queue.mp4", stream=True, persist=True, classes=[0], verbose=False):
boxes = result.boxes
if boxes.id is None:
continue
for track_id, (cx, cy, w, h) in zip(boxes.id.int().tolist(), boxes.xywh.tolist()):
previous = last_y.get(track_id)
if previous is not None and previous < LINE_Y <= cy:
count += 1 # moved downwards across the line
last_y[track_id] = cy
print(f"people crossing the line: {count}")
Sınıf 0, bu modelin kullandığı COCO sınıflarında "kişi"dir ve persist=True izleyici kimliklerini kareler arasında korur, böylece bir kişi bir kez sayılır. Sayıyı birkaç dakikalık çekimdeki manuel bir sayımla karşılaştırın. Eğer yakınsa, bir pilot proje için bir durumunuz var demektir. Eğer başarısız olursa, modeli suçlamadan önce nedenini araştırın: genellikle kamera açısı, insanların üst üste binmesi veya izlerin titrediği yere yerleştirilen çizgi. Bunun arkasındaki nesne algılama temelleri YOLO Nesne Algılama Rehberi yazısında açıklanmıştır.
Bu hafta ne yapmalıyım?
Sahip olduğunuz proje fikrini alın ve yukarıdaki tek sayfalık spesifikasyonu doldurun. Ardından, planlanan kamera konumundan beş dakikalık gerçek çekim kaydedin ve prototipi üzerinde çalıştırın. Hafta sonuna kadar daha büyük bir modele, daha iyi verilere, farklı bir kamera açısına veya farklı bir projeye ihtiyacınız olup olmadığını bileceksiniz ki bu, bunu öğrenmenin en ucuz anıdır.
Uğur Kaval
Modern teknolojilerle yenilikçi çözümler geliştirmede uzmanlaşmış AI/ML Mühendisi & Full Stack Geliştirici. Otomasyon, makine öğrenmesi ve web geliştirme tutkunu.


