📍Makine Öğrenmesi / Derin Öğrenme.📍Bilgisayarla Görü.📍Python, C++, Java, JavaScript. ⌨️Birebir özel ders veya mentörlük almak isterseniz bana buradaki form üzerinden ulaşabilirsiniz:

Meta tarafından çıkarılan DINOv3 modelinin ağırlık dosyalarına erişim için izin bekliyorum şu anlık ⏳. Ağırlık dosyalarını aldıktan sonra (SAT-493M veriseti ile eğitilmiş olan 300 milyon parametreli model) uydu görüntüleri üzerine analiz yaptırıp sonuçları buradan paylaşacağım.

Proje reposu:

Köpek derilerinde oluşan hastalıkları türlerine göre ayırt eden bir model buldum. İşte kullandığım birkaç görselin sonuçlarının videosu: . Not: Bu projeyi dilimize çevirerek github'a yükledim. Siz de kolayca test edebilirsiniz. Kaynak projeyi de repo'da alıntıladım incelemek

Kalabalık alanlarda (süpermarket, havalimanı, avm, parklar vb.) kameradan alınan görüntülerden insan sayısına göre ısı yoğunluk haritası çalışması: . #yapayzeka #computervision @ultralytics

Yapay zeka projelerininizi çalıştırmak için uzak masaüstü destekli GPU sunucusu kiralıyorsanız bu sunucunun kesinlikle açık olan portlarına ve OS sistem sürümüne dikkat etmenizi tavsiye ederim. PyTorch ve CUDA destekli paket gereksinimlerinin kurulması için oldukça önemli bir.

Bugün HuggingFace’ten google/vit-base-patch16-224 Vision Transformer modelini çalıştırdım. Resimleri patch’lere bölüp Transformer ile işliyor ve görselin sınıfını tahmin ediyor. Benim test ettiğim görselde doğru sınıfı buldu. Örneği ve sonucu görselde paylaştım. Bu modeli

Kaçmayacaksın.

Her ortamda model eğitiyoruz

Eğer büyük veri setlerinizi google colab gibi sunuculara yüklerken (upload ederken) yavaş yükleme hızından şikayetçiyseniz bugün bulduğum bir çözüm yolunu paylaşıyorum: . python3 -m http.server 8000 --> bu komutu veri setinizin bulunduğu klasörde terminal açarak terminalin.

Model eğitmek için doğru verileri bulup doğru kombinasyonu uygulayarak veri seti oluşturabilmek psikoloji bozan bir şeymiş.

🧪 supervision, CV projelerinde model sonrası aşamaları sadeleştiriyor. Karmaşıklığı azaltıp odaklanman gereken işe zaman kazandırıyor. GitHub:

3️⃣ Nesne takibi ve üretim entegrasyonu ⚙️. Multi-object tracking algoritmalarını entegre etmek çok kolay. Prototipten üretime geçerken altyapıyı değiştirmeden ilerleyebiliyorsun.

2️⃣ Akıllı çıktı filtreleme 🧠. Belirli sınıflara odaklanmak, confidence skoruna göre örnekleri ayıklamak gibi işlemler birkaç satırda hallediliyor. Inference sonrası veri temizliği artık zahmet değil.

1️⃣ Model çıktılarını kolayca görselleştir. 🎯 Segmentasyon maskeleri, bounding box'lar, sınıf adları, renkler. Hepsini birkaç satırla tek kareye yansıtmak mümkün. Prototipleme sürecinde büyük zaman kazandırıyor.

🔧 Bilgisayarla görme modellerinden çıktı almak işin sadece yarısı. Onları anlamlı hale getirmek, yönetmek, filtrelemek ve görselleştirmek ayrı bir yük. supervision kütüphanesi bu yükü büyük ölçüde ortadan kaldırıyor. YOLO, SAM, RT-DETR gibi modellerle uyumlu, üretime hazır,.

İleride net globale açılır dediğiniz yerli yapay zeka girişimleri var mı?.

PyTorch ve ONNX modellerini CPU'da kafa kafaya test ettim!. 🎥 YOLOv8n ile gerçek zamanlı webcam nesne tespiti 💻 Ubuntu + sadece CPU (GPU yok!).⚡ Hangisi daha hızlı, daha akıcı?. #yapayzeka #pytorch #ubuntu #derinogrenme.Yanıt videoda 👇.🔗

Linuxta model kütüphanelerini kullanırken oluşturduğunuz sanal ortamın bazen global ortamdaki bazı kütüphaneleri kullanma ihtiyacı olabilir. Bunu sağlayabilmek için sanal ortam klasöründeki pyenv.cfg dosyasını açıp içindeki include-system-site-packages değişkenini true olarak

RT @avuntusaati: “Eğer karar veremiyorsanız, cevap Hayırdır.” Naval. Gerçek istek nettir. Kararsızlık doğrudan Hayırdır. .

RT @matematikselorg: Adalet, yalnızca kendi hakkını almak değil, başkalarının hakkını da gözetmektir. Platon’un sözleriyle: “Adalet aritmet….