Model Eğitimini Başlatalım:

Eğitim işlemini başlatmak için aşağıdaki komutları kullanalım.

Görsel üzerinde tespit edilen nesneler dışında, tespit edilmesi gereken daha spesifik nesneler de bulunabilir bu gibi durumlarda kendi veri setimiz ile model eğitim işlemi gerçekleştirmeliyiz.

Pascal VOC Data Setleri ile YOLO Modeli Nasıl Eğitilir ?

Farklı kişi ve nesneleri tespit etmek için YOLO modelini sıfırdan eğitme kararı aldım. Eğitim işleminden önce kendi veri setlerimiz ile birleştirilmesi gereken üzerine eklenecek veri setleri bulunuyordu ve Pascal VOC veri kümesi bunlardan birisiydi.

Pascal VOC Verilerini Alınması

YOLO’yu eğitmek için 2007'den 2012'ye kadar tüm VOC verilerine ihtiyacımız var. …

Proje öncesinde hazır eğitilmiş model dosyaları olan yolov3 ve tiny-yolo modellerini kullanarak test işlemleri gerçekleştirmiştik. Şimdi ise eklenen kişi bilgilerinin resim üzerinden tespit işlemi yapmamız gerekir. Örneğin verilen resimde Meyra ve Mümin kişileri yer alıyor ise o kişileri bounding box içerisine alıp “Person” etiketi altında değil de uygun şekilde “Meyra” ve “Mümin” olarak işaretlemeliyiz. Bu işlem için aşağıda yer alan yapacağımız hazırlıklara bakalım.

Veri Seti İçin Görsel Elde Edilmesi

Fotoğraf makinesinden çektiğimiz kişilerin görsellerini data klasörü altına kişi isimleri ile kopyalayalım. Örneğin data klasörü altında Meyra ve Mümin klasörleri bulunsun ve bu klasörlerin içlerinde sadece o kişilere ait görseller bulunmalı.

…

Template Matching (Şablon Eşleştirme)

Görüntü işlemede; bir parçayı, o parçanın çıkarıldığı bütün resimden bağımsız bir şekilde değerlendirip içeriğinde yer aldığını tespit edebilmek için birden çok yaklaşım ve yöntem yer alır. Nesneyi temel düzeyde tespit edebilme yöntemlerinden biri de Template Matching işlemidir.

Darknet framework konfigürasyon aşamaları yazımın devamı niteliğinde Framework kurulumu aşamasında github üzerindeki darknet deposunu git komutu ile klonlanlayalım. Git komutu ile klonlandıktan sonra darknet klasörü içerisine girelim.

Projenizin kurulum aşamasında ilk olarak Darknet framework’ünün hangi işletim sistemi ile daha verimli ve düzgün çalışılacağını tespit etmeniz gerekir. Projeler de çok yönlülüğü, gücü, güvenliği ve testlerdeki hızı nedeniyle ben Linux platformu üzerinden devam etme kararı aldım. Linux platformunda yaptığım darknet framework konfigürasyonundan sizlere bahsetmek istiyorum.

Ubuntu için İzlenecek Adımlar;

1. Github reposu bilgisayarınıza indirmelisiniz.

Proje belirleme aşamalarını ve gereksinimleri ile ilgili yazımın hemen devamında başlığından da anlayacağınız üzere Eye For You (I4U) adlı projemi oluştururken hangi framework’ü ve hangi algoritma modelini kullandığımdan bahsedeceğim. İlk olarak darknet framework’ü ile başlayalım.

Darknet

Darknet, C ve CUDA ile yazılmış açık kaynaklı bir yapay sinir ağı içeren frameworktür. Hızlı ve kurulumu kolaydır. CPU ve GPU hesaplamasını destekler. Birbiri üzerinden geliştirilen birçok Darknet frameworkü yer almaktadır ve bu kaynağı Github’da kolayca ulaşabilirsiniz.

Eye For You (I4U) adlı projemi Darknet framework’ünü ve kendi eğittiğim YOLOV3 algoritmasına sahip modelimi kullanarak geliştirdim. Peki neden Yolov3 algoritmasını tercih ettin? YOLO dışında başka algoritmalar var…

Eye For You (I4U)

Günümüz koşullarıyla gelişen teknolojide oluşturulan sistemler, insan müdahalesi olmadan otonom olarak kullanılmasını sağlayan sistemlere yönelik köklü bir dijital dönüşüm başlatıldı. Bu dönüşümün de etkisiyle yapay zeka alanında uğraşan kişi ve kurumların sayısında yoğun bir artış görülmeye başlandı. Bu artışın sebepleri arasında her ne kadar popüler kültür yer alsa da gerçek anlamda toplum yararına olacak şekilde oluşturulmuş birçok proje yer aldı. Projelerimizin oluşum aşamasında önce gerçek manada toplum yararına olabilmesini amaçlayıp öyle bir başlangıç yapmalıyız. Otonom sistemlerin oluşturulması için yapay zeka teknolojileri ile birlikte kullanılmaları gerekti. Tek başına yetersiz kalan yapay zeka teknolojileri görüntü işleme, ses analizi vb. ek sistemlere ihtiyaç…