Görüntü İşleme AI: Computer Vision ve Nesne Tanıma Sistemleri

# 1. YOLOv8 Kurulum
pip install ultralytics opencv-python

# 2. Basit Nesne Tanıma
from ultralytics import YOLO
import cv2

# Model yükle (ilk çalıştırmada indirilir)
model = YOLO('yolov8n.pt')  # nano model (hızlı, hafif)
# model = YOLO('yolov8s.pt')  # small
# model = YOLO('yolov8m.pt')  # medium
# model = YOLO('yolov8l.pt')  # large (en doğru)

# Görüntü üzerinde tahmin
results = model('path/to/image.jpg')

# Sonuçları işle
for result in results:
    boxes = result.boxes  # Bounding box'lar

    for box in boxes:
        # Koordinatlar
        x1, y1, x2, y2 = box.xyxy[0]

        # Sınıf ve güven skoru
        class_id = int(box.cls[0])
        confidence = float(box.conf[0])
        class_name = model.names[class_id]

        print(f"{class_name}: {confidence:.2f} ({x1},{y1},{x2},{y2})")

# Sonucu görselleştir ve kaydet
annotated_frame = results[0].plot()
cv2.imwrite('output.jpg', annotated_frame)

# Output:
# person: 0.92 (120,50,380,450)
# car: 0.88 (400,200,600,350)
# dog: 0.75 (50,300,150,400)

# Webcam veya video dosyasından real-time nesne tanıma
from ultralytics import YOLO
import cv2

model = YOLO('yolov8n.pt')

# Video kaynağı (0 = webcam, veya video dosya yolu)
cap = cv2.VideoCapture(0)
# cap = cv2.VideoCapture('video.mp4')  # Video dosyası için

while cap.isOpened():
    success, frame = cap.read()

    if not success:
        break

    # Tahmin (her frame'de)
    results = model(frame)

    # Annotate edilmiş frame al
    annotated_frame = results[0].plot()

    # Ekranda göster
    cv2.imshow('YOLOv8 Detection', annotated_frame)

    # 'q' tuşuna basılırsa çık
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

# Kendi veri setinle YOLO eğitme (örn: Ürün tespiti)

# 1. Veri seti hazırla (YOLO formatında)
# dataset/
#   ├── images/
#   │   ├── train/ (1000+ görsel)
#   │   └── val/   (200+ görsel)
#   └── labels/
#       ├── train/ (.txt annotation dosyaları)
#       └── val/

# 2. data.yaml oluştur
# path: /path/to/dataset
# train: images/train
# val: images/val
# names:
#   0: laptop
#   1: phone
#   2: tablet

# 3. Model eğitimi
from ultralytics import YOLO

model = YOLO('yolov8n.pt')  # Pre-trained model ile başla

# Eğitim
results = model.train(
    data='data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # GPU kullan (CPU için 'cpu')
    project='product_detection',
    name='run1'
)

# 4. En iyi modeli kullan
best_model = YOLO('product_detection/run1/weights/best.pt')
results = best_model('test_image.jpg')

# Örnek Performans:
# - 1000 görsel: ~30 dakika eğitim (GPU)
# - mAP50: %85-92 (kendi veri setinde)
# - Inference: ~50 FPS (GPU)

import cv2
import easyocr
from ultralytics import YOLO

# 1. Modelleri yükle
plate_detector = YOLO('plate_detector.pt')  # Özel eğitilmiş plaka tespit modeli
reader = easyocr.Reader(['tr'])  # Türkçe OCR

def detect_plate(image_path):
    # Görüntüyü oku
    img = cv2.imread(image_path)

    # 1. Plaka tespiti (YOLO)
    results = plate_detector(img)

    plates = []

    for result in results:
        for box in result.boxes:
            # Plaka bölgesini kırp
            x1, y1, x2, y2 = map(int, box.xyxy[0])
            plate_roi = img[y1:y2, x1:x2]

            # 2. OCR ile karakterleri oku
            ocr_results = reader.readtext(plate_roi)

            if ocr_results:
                plate_text = ocr_results[0][1]  # İlk sonuç
                confidence = ocr_results[0][2]

                # Türk plaka formatı kontrolü (34 ABC 123)
                plate_text = clean_plate_text(plate_text)

                plates.append({
                    'text': plate_text,
                    'confidence': confidence,
                    'bbox': (x1, y1, x2, y2)
                })

    return plates

def clean_plate_text(text):
    # Sadece harf ve rakam
    text = ''.join(c for c in text if c.isalnum())
    text = text.upper()

    # Türk plaka formatına çevir (34ABC123 → 34 ABC 123)
    if len(text) >= 7:
        return f"{text[:2]} {text[2:5]} {text[5:]}"
    return text

# Kullanım
plates = detect_plate('car_image.jpg')

for plate in plates:
    print(f"Plaka: {plate['text']} (Güven: {plate['confidence']:.2f})")

# Output:
# Plaka: 34 ABC 123 (Güven: 0.94)
# Plaka: 06 XYZ 456 (Güven: 0.89)