YOLO Grid Demo – Nesne Tespitinin Mantığını Anlamak

Neden Bu Projeyi Yaptım?

Bilgisayar mühendisliği yolculuğumda, özellikle görüntü işleme ve yapay zekâ konuları beni hep cezbetti. Çevremizdeki dünyayı makinelerin gözüyle görmek, onların da bizim gibi nesneleri tanıyabilmesi bana inanılmaz heyecan veriyor.

Ama çoğu zaman gördüğüm şey şuydu: YOLO gibi güçlü modeller hep “bir kutu” olarak kullanılıyor. İnsanlar modeli alıyor, eğitiyor, tahmin yapıyor ama işin arkasındaki mekanizmayı anlamıyor.

Ben bu projeyi yaparken amacım şuydu:

YOLO’nun grid mantığını sadeleştirerek anlatmak
“Bu model neden hızlı? Neden bu kadar tercih ediliyor?” sorularına yanıt bulmak
Öğrenciler ve yeni başlayanlar için eğitici bir demo hazırlamak

Günümüzde Neden İhtiyaç Duyuluyor?

Bugün nesne tespiti her yerde:

🚘 Otonom araçlar → Önündeki yayayı, bisikleti, trafik ışığını anında fark etmek zorunda
🏭 Sanayi 4.0 → Fabrikalarda kalite kontrol için ürünlerin hatalarını görmek
📱 Güvenlik ve gözetim → Kameraların sahnede insan, çanta, araba gibi nesneleri algılaması
🛒 E-ticaret → Fotoğraftaki ürünü algılayıp doğru kategoriye atamak

Tüm bu senaryolarda hız ve doğruluk kritik.
YOLO’nun en büyük katkısı işte burada: tek bakışta (You Only Look Once) hızlı tespit.

Ama bu hızın sırrı tam olarak grid yapısında gizli.
İşte ben de bu demoda tam bunu açığa çıkarmak istedim.

Projeyi Nasıl Yaptım?

Araştırma ve Planlama
Önce YOLO’nun mantığını çalıştım. Makaleleri inceledim, resmi dökümantasyonlara baktım. Anladım ki işin temeli “görüntüyü gridlere bölmek ve her grid hücresine sorumluluk vermek”.
Demo Ortamını Kurma

Python ve gerekli kütüphaneleri (OpenCV, NumPy, Matplotlib) kurdum.
Basit görseller üzerinden test etmeye karar verdim.

Grid Yapısını Kodlama

Görüntüyü okuttum.
Belli satır/sütunlara bölerek kare kare grid çektim.
Her hücreyi görselleştirdim ki gözle görülür olsun.

Tahmin Mantığını Gösterme

Her hücreye “bir nesne var mı?” sorusunu sorduran bir yapı kurdum.
Nesne varsa bounding box ile çizdirdim.

Sonuçları Görselleştirme

Gridin üzerinde kutular belirdiğinde aslında YOLO’nun mantığı basitleştirilmiş haliyle karşımıza çıktı.

YOLO’nun Gözünden Dünya

Bu projeyi yaparken şunu fark ettim: YOLO aslında dünyaya bizim gibi bakmıyor. Biz resmi komple görüp kediyi, masayı aynı anda algılıyoruz. YOLO ise resmi küçük pencerelere ayırıyor ve her pencereye sorumluluk veriyor.

Bu bana biraz şuna benziyor:
Bir futbol sahasında 11 oyuncu var. Her biri sahasının bir bölümünden sorumlu.
YOLO’nun grid hücreleri de aynı böyle çalışıyor. Bir hücre kendi bölgesindeki nesneyi görüyor ve rapor ediyor. Sonra bunlar birleşip ortaya sonuç çıkıyor.

Neden Faydalı?

Eğitim için: YOLO’nun “sihirli kutu” olmadığını gösteriyor.
Araştırma için: Grid boyutunu değiştirip performans gözlenebilir.
Uygulamalar için: Nesne tespitine giriş yapmak isteyenler için anlaşılır bir örnek.

Gelecek Geliştirmeler

Projeyi daha da ileri götürmek için aklımda şunlar var:

Farklı görsellerle testler yapmak.
Daha gelişmiş YOLO sürümlerine (YOLOv5, YOLOv8) uyarlamak.
Grid boyutlarını değiştirerek nasıl sonuçlar alındığını göstermek.
Canlı kamera görüntüsüyle demo yapmak.

Sonuç

YOLO Grid Demo, aslında büyük bir modelin perde arkasını göstermeyi hedefleyen küçük ama öğretici bir çalışma.
Benim için en önemli kısmı ise şuydu:
“Bir modeli sadece kullanmak değil, anlamak da gerekiyor.”

Bu projeyi yaparken YOLO’nun grid mantığını iyice özümsedim ve şimdi bir resme bakarken sanki o gridleri kafamda görebiliyorum.