Orhan Gazi Demirci

Makine Öğrenmesi Dersleri · Orta · Temel Python bilen lise öğrencileri ve yapay zekâyı donanımla buluşturmak isteyen öğretmenler için.

Raspberry Pi ile Makine Öğrenmesi: Görüntü ve Ses Tanıma

Raspberry Pi, kamera ve mikrofonla kendi görüntü ve ses tanıma modellerinizi eğitip çalıştırıyor, sonra bu modelleri LED, buzzer ve servo motorla gerçek bir cihaza dönüştürüyorsunuz. Kurs, sesle açılan ve atığı tanıyan bir akıllı geri dönüşüm kutusu projesiyle bitiyor.

Derse başla
10ders
960dakika
5kazanım

Bu kursta neler öğreneceksin?

  • Makine öğrenmesinin temel kavramlarını açıklar ve scikit-learn ile ilk modellerini eğitir.
  • Raspberry Pi’de kamera ve mikrofonla veri toplar, OpenCV ve NumPy ile görüntü ve sesi işler.
  • Dengeli ve temiz görüntü ve ses veri setleri hazırlar, sorunlu örnekleri programla bulur.
  • Teachable Machine ve Edge Impulse ile eğittiği modelleri Raspberry Pi’de LiteRT ve Edge Impulse SDK ile çalıştırır.
  • Model kararlarını gpiozero ile LED, buzzer ve servoya bağlar; projesini karışıklık matrisiyle değerlendirir.

Neler gerekli?

  • Raspberry Pi 5 (önerilir) veya Raspberry Pi 4, en az 4 GB RAM
  • Resmî güç adaptörü ve en az 32 GB microSD kart
  • Raspberry Pi Camera Module 3 (Pi 5 için 22–15 pinli kamera kablosuyla) veya USB web kamerası
  • USB mikrofon
  • Breadboard, jumper kablolar, 2 LED, 2 adet 330 Ω direnç, aktif buzzer modülü, SG90 servo motor
  • Monitör, klavye, fare (veya uzaktan bağlantı)
  • Model eğitmek için internet bağlantılı bir bilgisayar ve ücretsiz Edge Impulse hesabı
  • Temel Python bilgisi

Yapay zekâ yalnızca büyük veri merkezlerinde değil, avucunuza sığan bir bilgisayarda da çalışabilir. Bu kursta Raspberry Pi’yi bir kamerayla ve mikrofonla donatıyor, ona görmeyi ve duymayı öğretiyoruz.

Önce makine öğrenmesinin mantığını scikit-learn ile küçük örneklerde kavrıyoruz. Ardından OpenCV ile görüntüleri, NumPy ile sesleri işliyor; kendi veri setlerimizi topluyor ve temizliyoruz. Teachable Machine ile eğittiğimiz görüntü modelini ve Edge Impulse ile eğittiğimiz sesli komut modelini Raspberry Pi’de çalıştırıyoruz. Son olarak modellerin kararlarını LED, buzzer ve servo motorla gerçek dünyaya aktarıyoruz.

Kursun sonunda “aç” komutuyla kapağını açan, kameraya gösterilen atığı tanıyan, sonucu kaydeden ve başarısını karışıklık matrisiyle ölçen bir akıllı geri dönüşüm kutusu yapmış olacaksınız. Kodlar Raspberry Pi OS (Bookworm, 64 bit) ve bu sürümdeki kütüphaneler için hazırlandı.

Kurs İçeriği:

  • 1. Ders: Raspberry Pi ile Tanışma ve Kurulum
  • 2. Ders: Makine Öğrenmesi Nedir? İlk Modelimiz
  • 3. Ders: Kamera ve Görüntü İşlemenin Temelleri
  • 4. Ders: Görüntü Veri Seti Hazırlama
  • 5. Ders: Görüntü Tanıma Modeli Eğitip Pi’de Çalıştırma
  • 6. Ders: Mikrofon ve Sesin Temelleri
  • 7. Ders: Ses Veri Seti Hazırlama
  • 8. Ders: Ses Tanıma Modeli ile Sesli Komutlar
  • 9. Ders: Yapay Zekâyı Donanıma Bağlama: LED, Buzzer ve Servo
  • 10. Ders: Mini Proje: Akıllı Geri Dönüşüm Kutusu

İçindekiler

  1. 1 Konu anlatımı ⏱ 80 dk Raspberry Pi ile Tanışma ve Kurulum Raspberry Pi 5’i tanıyor, Raspberry Pi OS (64-bit, Bookworm) kurulumunu yapıyoruz. Bookworm’daki “externally-managed-environment” uyarısının nedenini öğreniyor, sanal ortam (venv) kurup kurs boyunca kullanacağımız kütüphaneleri yüklüyor ve Thonny’yi bu ortama bağlıyoruz.
  2. 2 Konu anlatımı ⏱ 80 dk Makine Öğrenmesi Nedir? İlk Modelimiz Kurallarla programlama ile verilerden öğrenme arasındaki farkı keşfediyoruz. Özellik, etiket, eğitim ve test verisi kavramlarını öğreniyor; scikit-learn ile Iris çiçek veri setinde ilk sınıflandırma modelimizi eğitip doğruluğunu ölçüyor, ardından kendi küçük veri setimizle bir karar ağacı kuruyoruz.
  3. 3 Konu anlatımı ⏱ 80 dk Kamera ve Görüntü İşlemenin Temelleri Pi Camera Module 3’ü ya da bir USB web kamerasını Raspberry Pi’ye bağlıyor, picamera2 ve cv2.VideoCapture ile görüntü alıyoruz. Bir görüntünün aslında sayılardan oluşan bir dizi olduğunu görüyor; OpenCV ile gri tona çevirme, yeniden boyutlandırma, kırpma, bulanıklaştırma ve renge göre nesne bulma işlemlerini uyguluyoruz.
  4. 4 Uygulama ⏱ 80 dk Görüntü Veri Seti Hazırlama Akıllı geri dönüşüm kutumuz için kâğıt, plastik, metal ve boş sınıflarından oluşan bir görüntü veri seti topluyoruz. Fotoğrafları sınıf klasörlerine otomatik kaydeden bir Python programı yazıyor, iyi veri setinin kurallarını öğreniyor ve bulanık, karanlık ya da kopya fotoğrafları bulan bir kontrol programıyla veri setimizi temizliyoruz.
  5. 5 Uygulama ⏱ 120 dk Görüntü Tanıma Modeli Eğitip Pi’de Çalıştırma Topladığımız fotoğraflarla Teachable Machine’de bir görüntü tanıma modeli eğitiyor, modeli TensorFlow Lite biçiminde dışa aktarıyoruz. Modeli Raspberry Pi’de LiteRT (ai-edge-litert) ile çalıştıran, labels.txt dosyasını okuyan, güven puanı ve FPS gösteren canlı bir tanıma programı yazıyoruz.
  6. 6 Konu anlatımı ⏱ 80 dk Mikrofon ve Sesin Temelleri Sesin bir dalga olduğunu, frekans, genlik ve örnekleme hızı kavramlarını öğreniyoruz. USB mikrofonu Raspberry Pi’ye bağlayıp sounddevice ile kayıt yapıyor, kaydı WAV dosyası olarak saklıyoruz. NumPy ve matplotlib ile bir sesin dalga formunu ve spektrogramını çizip yorumluyoruz.
  7. 7 Uygulama ⏱ 80 dk Ses Veri Seti Hazırlama Sesli komut modelimiz için “aç”, “kapat”, arka plan gürültüsü ve bilinmeyen kelimelerden oluşan bir ses veri seti topluyoruz. Bir saniyelik kayıtları etiketli dosya adlarıyla kaydeden bir program yazıyor, sessiz, kırpılmış ya da yanlış biçimli kayıtları bulan bir kontrol programı çalıştırıyor ve veri setini Edge Impulse’a yüklüyoruz.
  8. 8 Uygulama ⏱ 120 dk Ses Tanıma Modeli ile Sesli Komutlar Teachable Machine ses modellerinin Raspberry Pi’de neden güvenilir çalışmadığını inceliyor ve bu ders için Edge Impulse’u seçiyoruz. Ses veri setimizle MFCC tabanlı bir sesli komut modeli eğitiyor, modeli edge-impulse-linux ile Pi’ye indiriyor ve “aç”, “kapat” komutlarını güven eşiğiyle algılayan bir Python programı yazıyoruz.
  9. 9 Uygulama ⏱ 80 dk Yapay Zekâyı Donanıma Bağlama: LED, Buzzer ve Servo GPIO pinlerini tanıyor, iki LED, bir buzzer ve bir SG90 servo motoru breadboard üzerinden Raspberry Pi’ye güvenle bağlıyoruz. gpiozero ile her parçayı test ediyor, ardından görüntü tanıma modelinin tahminlerine göre LED yakan, ses çıkaran ve servoyu doğru bölmeye çeviren bir program yazıyoruz.
  10. 10 Proje ⏱ 160 dk Mini Proje: Akıllı Geri Dönüşüm Kutusu Kurs boyunca öğrendiklerimizi tek bir projede birleştiriyoruz: “aç” komutuyla kapağını açan, kameraya gösterilen atığı kâğıt, plastik ya da metal olarak tanıyan, sonucu LED ve buzzer ile bildirip kayıt dosyasına yazan akıllı bir geri dönüşüm kutusu. Son olarak modeli bir test oturumuyla deniyor, doğruluğu ve karışıklık matrisini hesaplıyoruz.