"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Çerez Ayarları
"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Poligon etiketlemeyi, bunun nesnelerin hassas bir şekilde bölümlenmesini nasıl sağladığını ve Ultralytics ile etiketleri nasıl kolayca oluşturabileceğinizi keşfedin.
Bir bilgisayar görme projesini hayata geçirmek mi istiyorsunuz?
En son yapay zeka teknolojileri, otonom sürüşten hassas tarıma kadar çok çeşitli sektörlere giriyor. Örneğin, süt çiftçileri sığırlarda detect için yapay zeka ve görüntü analizini kullanıyor. Topallama gibi sağlık sorunları, hayvanın yürüyüşündeki ve duruşundaki değişiklikler (örneğin sırtın kavislenmesi ve asimetrik hareketler) gözlemlenerek takip edilebiliyor.
Şekil 1. Yapay zeka ve görüntü analizi kullanılarak ineklerin izlenmesine dair bir örnek.
Yapay zekanın bir dalı olan bilgisayar görme, makinelerin görsel verileri yorumlayıp analiz etmesini sağlayarak bu tür uygulamaları mümkün kılar. Özellikle, örnek segmentasyonu, bir görüntüdeki her nesneyi piksel düzeyinde tanımlayan ve bölümlere ayıran bir bilgisayar görme görevidir; bu sayede tek tek hayvanların hassas bir şekilde detect analiz edilmesi mümkün hale gelir.
Poligon etiketleme, bu süreçte kilit bir rol oynar. Bu, bir görüntüdeki nesnenin kenarları boyunca noktalar yerleştirerek nesnenin tam şeklini titizlikle çizmek için kullanılan bir veri etiketleme yöntemidir. Basit sınırlayıcı kutu etiketlemelerinden farklı olarak, bu yaklaşım nesnenin gerçek dış hatlarını takip eder; böylece daha hassas eğitim verilerinin oluşturulmasına yardımcı olur ve görsel yapay zeka modellerinin nesne sınırlarını daha iyi anlamasını sağlar.
Günümüzde poligon etiketleri oluşturmak için pek çok araç mevcuttur. Ancak bu seçenekler, özellikle farklı etiket türleri için tutarsız veya sınırlı destek sundukları durumlarda, genellikle dağınık bir izlenim bırakabilir; bu da tek bir iş akışı içinde çeşitli etiketleme ihtiyaçlarını yönetmeyi zorlaştırır.
Veri kümesi yönetimi, etiketleme, eğitim, devreye alma ve izleme arasındaki boşluğu dolduran yeni uçtan uca görsel yapay zeka çalışma alanımız Ultralytics , tek bir kesintisiz çalışma alanında çeşitli etiketleme türlerini ve yapay zeka destekli iş akışlarını destekleyerek tüm etiketleme sürecini basitleştirir ve bu sorunu çözer.
Bu makalede, poligon açıklamalarının ne olduğunu ve Ultralytics kullanarak bunların nasıl oluşturulacağını inceleyeceğiz. Hadi başlayalım!
Poligon açıklamalarına daha yakından bir bakış
Ultralytics ve poligon etiketleme özelliklerini detaylı olarak incelemeden önce, bir adım geriye gidip poligon etiketlemenin ne olduğunu anlayalım.
Görüntü etiketleme, yapay zeka modellerinin gördüklerini anlayabilmesi için görsel verilere etiketler ekleme sürecidir. Bu süreç genellikle bir görüntüdeki nesneleri tanımlamayı ve bir modelin bunlardan öğrenebileceği şekilde işaretlemeyi içerir.
En yaygın yöntemlerden biri, nesnelerin etrafına "sınırlayıcı kutular" olarak bilinen dikdörtgen kutular çizmektir. Ancak sınırlayıcı kutular, bir nesnenin yalnızca kabaca ana hatlarını gösterir. Çokgen işaretleme ise daha kesin bir yaklaşımdır.
Bu yöntem, nesneyi bir kutu içine almak yerine, noktadan noktaya nesnenin dış hatlarını (sınırlarını) çizerek çalışır. Bunu yapmak için, etiketleyiciler nesnenin kenarları boyunca birden fazla köşe noktası (nokta) yerleştirir ve şeklin tamamı kaplanana kadar dış hatlarını izler.
Birbirine bağlanan bu noktalar, nesnenin doğal dış hatlarını yansıtan bir çokgen oluşturur. Şekil, nesnenin sınırlarını yakından takip ettiği için, bu açıklama yöntemi geleneksel etiketleme yöntemlerinin genellikle gözden kaçırdığı ayrıntıları yakalar. Bu özellik, yapraklar, insan silüetleri ve üst üste binen nesneler gibi düzensiz şekillere veya karmaşık kenarlara sahip nesnelerde özellikle yararlıdır.
Verilerdeki bu tür bir hassasiyet, makine öğrenimi modellerinin model eğitimi sırasında daha etkili bir şekilde öğrenmesine yardımcı olur. Etiketlemeler bir nesnenin gerçek sınırlarını doğru bir şekilde yakaladığında, modeller nesnenin desenlerini piksel düzeyinde daha iyi anlayabilir. Bu da, özellikle yüksek doğruluk gerektiren segmentasyon görevlerinde model performansının artmasına yol açar.
Bilgisayar görme iş akışlarında poligon açıklamalarının rolü
Peki, poligon etiketlemeleri aslında nasıl kullanılıyor? Bunlar, örnek segmentasyonu gibi görüntü segmentasyon görevlerini destekleyen görsel yapay zeka modelleriyle yakından bağlantılıdır.
Birçok bilgisayar görme uygulamasında, her bir nesnenin bir görüntü veya video karesinde kapladığı alanı tam olarak bilmek büyük önem taşır. Bunun iyi bir örneği, imalat sektöründe araba parçalarının tespit edilmesidir. Bu durumda modeller, kapılar, camlar ve farlar gibi parçaları, üst üste binmiş olsalar veya karmaşık şekillere sahip olsalar bile tanımlamalı ve sınırlarını kesin olarak belirlemelidir.
İşte burada örnek segmentasyonu devreye giriyor. Bu teknik, modellerin detect nesneyi detect ve sınırlarını piksel düzeyinde tam olarak belirlemesini sağlıyor. Bu, sınırlayıcı kutular kullanan temel nesne algılamadan farklıdır.
Şekil 2. Nesne segmentasyonu, bir arabanın hasarlı parçalarını ayırt etmeye de yardımcı olabilir. (Kaynak)
Çerçeveleme kutuları, nesnelerin çevresinde yalnızca kabaca dikdörtgen şekilli alanlar oluşturur ve genellikle fazladan arka plan içerir; bu da düzensiz şekilleri yakalamayı veya üst üste binen öğeleri ayırmayı zorlaştırır.
Poligon etiketleme, bu düzeyde bir hassasiyetin sağlanmasında hayati bir rol oynar. Veri kümesindeki görüntülerdeki her nesnenin tam şeklini çizmek, nesnelerin gerçek sınırlarını yansıtan yüksek kaliteli eğitim verileri oluşturur. Bu ayrıntılı etiketlemeler, Ultralytics gibi modellerin her bir bileşenin yapısını daha iyi anlamasına yardımcı olur ve böylece daha doğru segmentasyon sonuçları elde edilmesini sağlar.
Geleneksel görüntü açıklama araçlarının sınırlamaları
Şimdi, Ultralytics gibi daha verimli ve ölçeklenebilir çözümlerin gerekliliğini anlamak için geleneksel etiketleme araçlarının sınırlarını inceleyelim.
İşte, geleneksel poligon etiketleme araçlarını kullanırken etiketleyicilerin karşılaştığı bazı yaygın zorluklar:
Anotasyon türleri için sınırlı destek: Bazı araçlar tek bir anotasyon tekniğine odaklandığından, poligonlar, sınırlayıcı kutular ve anahtar noktalar gibi farklı türlerle tek bir yerde çalışmak zorlaşmaktadır.
Karmaşık etiketlemelerin verimsiz bir şekilde işlenmesi: Araçlarda, karmaşık nesneleri ince ayrıntılarla doğru bir şekilde etiketlemeyi kolaylaştıran özellikler bulunmayabilir.
Yapay zeka destekli özelliklerin eksikliği: Birçok araç, etiketleme sürecini hızlandıracak yerleşik yapay zeka desteği olmadan tamamen manuel çalışmaya dayanmaktadır.
Parçalı veri kümesi yönetimi: Veri kümelerini, sürümleri ve açıklamaları yönetmek, özellikle araçlar merkezi bir çalışma alanı sunmadığında zor olabilir.
Ultralytics , hem Segment Anything Models (SAM) hem de YOLO desteklenen yapay zeka destekli etiketleme özellikleri sayesinde bu sorunları çözüyor. SAM , kullanıcıların tıklama gibi basit girdilerden yüksek kaliteli segmentasyon maskeleri oluşturmasına SAM ; bu maskeler daha sonra hassas poligon etiketlemelerine dönüştürülebiliyor.
Benzer şekilde, YOLO akıllı etiketleme, önceden eğitilmiş veya özel olarak eğitilmiş YOLO kullanarak bir görüntü üzerinde çıkarım işlemi gerçekleştirir ve sınır kutuları, segmentasyon maskeleri veya yönlendirilmiş sınır kutuları gibi tahminleri etiketler olarak ekler; bu etiketler daha sonra incelenebilir ve gerektiğinde düzeltilebilir. Bu özellikler bir araya geldiğinde, etiketleme sürecini daha hızlı, daha tutarlı ve ölçeklendirilmesi daha kolay hale getirir.
Ultralytics tarafından desteklenen farklı açıklama türleri
Ultralytics , kullanıcıların görüntüleri doğrudan çalışma alanı içinde etiketlemelerine olanak tanıyan entegre bir etiketleme düzenleyicisi içerir. Bu sayede, ayrı ve genellikle zaman alıcı veri etiketleme araçlarına başvurmaya gerek kalmadan veri kümelerini oluşturmak ve yönetmek daha kolay hale gelir.
Poligon etiketlemelerinin yanı sıra, Ultralytics başka birçok etiketleme türünü de desteklemektedir. İşte kısa bir özet:
Çerçeveleme kutuları: Etiketleyiciler, nesnelerin etrafına basit dikdörtgen kutular çizerek, detect görüntü içinde etiketlenmesini ve detect kolaylaştırabilir.
Önemli noktalar: Bu yöntem, poz tahmini gibi görevler için vücut eklemleri veya referans noktaları gibi belirli noktaları işaretlemek amacıyla kullanılır.
Yönlendirilmiş sınır kutuları (OBB'ler): Bu kutular, kullanıcıların döndürülmüş veya eğimli nesneleri standart sınır kutularına kıyasla daha doğru bir şekilde yakalamasını sağlar.
Sınıflandırma etiketleri: Daha basit görevlerde kullanıcılar, tek tek nesneleri işaretlemek yerine resimlerin tamamına etiket atayabilir.
Ultralytics nesnelere çokgenlerle açıklama ekleme
Şimdi, Ultralytics 'nda poligon açıklamalarını manuel olarak ya da yapay zeka destekli araçlar yardımıyla nasıl oluşturacağımıza bir göz atalım.
Ultralytics unda poligon açıklamalarını manuel olarak oluşturma
Poligon açıklamalarını manuel olarak oluşturmak için işte hızlı bir adım adım kılavuz:
1. Adım - Veri kümenize gidin: Etiketlemek istediğiniz resimleri içeren veri kümesini açın. Resimleriniz ve etiketleriniz burada depolanır ve yönetilir.
2. Adım - Bir görüntüyü açın: Bir görüntüyü tıklayarak onu etiketleme arayüzünde açın. Etiketleme iş akışı, veri setinin amacına göre değişir. Örneğin, örnek segmentasyon veri setlerinde etiketlemeler poligon maskeleri kullanılarak oluşturulur.
3. Adım – Maske oluşturmaya başlayın: Açıklama eklemeye başlamak için resme tıklayın . Her tıklamada nesnenin sınırına bir köşe eklenir.
4. Adım – Nesnenin dış hatlarını çizin: Nesnenin şeklini belirlemek için kenarlarının etrafına tıklamaya devam edin .
5. Adım – Çokgeni tamamlayın: Çokgeni tamamlamak ve bir sınıf etiketi atamak için ya “Enter” tuşuna basabilir ya da ilk noktaya tıklayabilirsiniz .
6. Adım – Ek açıklamalar ekleyin: Görüntüdeki diğer nesneler için daha fazla çokgen oluşturmak üzere işlemi tekrarlayın .
7. Adım – Açıklamaları kaydetme: Açıklamalar , oluşturuldukları anda otomatik olarak kaydedilir.
Şekil 3. Ultralytics kullanılarak poligon açıklamalarının manuel olarak oluşturulmasına genel bir bakış (Kaynak)
Şimdi, Ultralytics tarafından desteklenen ve etiketleme sürecini hızlandıran yapay zeka destekli etiketleme özelliklerine bir göz atalım.
Platform, akıllı etiketleme için iki farklı yöntem sunar: biri, etkileşimli ve tıklama tabanlı etiketleme oluşturma için Segment Anything Modelleri’ni kullanan yöntem; diğeri ise model tahminlerini doğrudan etiket olarak eklemek için YOLO kullanan yöntemdir. Her iki yöntem de akıllı poligon etiketleme için kullanılabilir.
Ultralytics SAM kullanarak akıllı açıklama ekleme
Ultralytics 'ndaki SAM etiketleme, Segment Anything Model (SAM) kullanarak minimum girdi ile segmentasyon maskeleri oluşturarak manuel etiketlemeyi kolaylaştırır. Kullanıcılar, nesneleri nokta nokta çizmek yerine, neyin dahil edilmesi veya hariç tutulması gerektiğini belirtmek için tıklama gibi basit komutlarla görüntüyle etkileşime girebilirler.
Platform, SAM .1 ve SAM dahil olmak üzere çeşitli SAM desteklemekte olup, kullanıcıların ihtiyaçlarına göre daha yüksek performans ya da daha yüksek doğruluk arasında seçim yapmalarına olanak tanır. SAM , kullanıcı girdilerine dayanarak gerçek zamanlı olarak piksel düzeyinde maskeler SAM . Bu maskeler daha sonra iyileştirilip poligon etiketleri olarak kullanılabilir; bu da süreci daha hızlı, daha tutarlı ve ölçeklendirilmesi daha kolay hale getirir.
Ultralytics Platform'da SAM poligon etiketleme SAM kullanmak üzere izlenecek adımlar şunlardır:
1. Adım – Bir görüntüyü açın: Veri kümenize gidin ve bir görüntüyü tıklayarak tam ekran görüntüleyiciyi açın.
2. Adım – Açıklama moduna girin: “Düzenle”yi tıklayın, ardından SAM etkinleştirmek için Akıllı moda geçin (veya S tuşuna basın).
3. Adım – Bir SAM seçin: Hız ve doğruluk gereksinimlerinize göre araç çubuğundan bir SAM seçin.
4. Adım – Yönergeler girin: Sol tıklayarak olumlu noktalar ekleyin (alanları dahil edin) ve sağ tıklayarak olumsuz noktalar ekleyin (alanları hariç tutun).
5. Adım – Maskeyi oluşturun ve uygulayın: SAM , segmentasyon maskesini gerçek zamanlı olarak SAM . Anotasyonu uygulamak için “Enter” tuşuna basın (veya otomatik uygulama özelliğini kullanın).
6. Adım – Etiketlemeyi iyileştirin: Kaydetmeden önce doğruluğu artırmak için gerekirse daha fazla nokta ekleyin veya sonucu düzeltin.
Şekil 4. Ultralytics içinde SAM poligon etiketleme (Kaynak)
Ultralytics YOLO kullanarak akıllı etiketleme
Ultralytics YOLO akıllı etiketleme, önceden eğitilmiş Ultralytics YOLO veya ince ayarlanmış YOLO kullanarak bir görüntü üzerinde tahminler oluşturup bunları etiket olarak ekleyerek etiketleme sürecini hızlandırır. Bu tahminler, veri kümesinin görevine bağlı olarak sınırlayıcı kutular, segmentasyon maskeleri veya yönlendirilmiş sınırlayıcı kutular içerebilir.
Kullanıcılar daha sonra bu etiketlemeleri inceleyip gerektiğinde düzeltebilirler. Ultralytics YOLO akıllı etiketlemeyi kullanmak için gerekli adımlara genel bir bakış:
1. Adım – Bir görüntüyü açın: Veri kümenize gidin ve tam ekran görüntüleyicide açmak üzere bir görüntü seçin.
2. Adım – Açıklama moduna girin: “Düzenle”yi tıklayın , ardından Akıllı moda geçin (veya S tuşuna basın).
3. Adım – Bir YOLO seçin: Araç çubuğundaki model seçiciden bir YOLO seçin.
4. Adım – Tahmin işlemini çalıştırın: Modelin açıklamaları otomatik olarak oluşturması için “Tahmin Et” düğmesine tıklayın.
5. Adım – Anotasyonları inceleyin: Görüntüye eklenen tahmini sınır kutularını, segmentasyon maskelerini veya OBB'leri kontrol edin .
6. Adım – Düzenleyin ve kaydedin: Gerektiği şekilde yanlış açıklamaları düzenleyin , düzeltin veya silin, ardından son etiketlerinizi kaydedin.
Şekil 5. YOLO etiketleme özelliğinin kullanımına genel bir bakış (Kaynak)
Poligon etiketlemenin gerçek hayattaki kullanım örnekleri
Poligon etiketleme, imalattaki kalite kontrolünden tarım ve sağlık sektörlerine kadar pek çok alanda önemli bir etki yaratıyor. Gelin, bazı önemli gerçek hayattaki uygulamaları inceleyelim.
Bilgisayar görme teknolojisini kullanarak zararlı böceklerin tespiti
Tarımda, verimi artırmak ve kayıpları azaltmak için bitki sağlığının izlenmesi hayati önem taşır. Bitki yapraklarında zararlı böceklerin istila ettiği alanları tespit etmek zor olabilir, zira bu bölgeler genellikle düzensiz şekillere ve belirsiz sınırlara sahiptir.
Bu tür sorunlara, bir sınıfa (örneğin enfekte olmuş alanlar) ait tüm pikselleri etiketleyen anlamsal segmentasyon veya nesnelerin sınırlarını daha hassas bir şekilde ayıran örnek segmentasyonu gibi görüntü segmentasyon teknikleri kullanılarak yaklaşılabilir.
Ultralytics ile kullanıcılar, poligon işaretleme özelliğini kullanarak bu enfekte olmuş alanların tam şeklini belirleyebilir. Bu, daha doğru veri setlerinin oluşturulmasına yardımcı olur ve görsel yapay zeka algoritmalarının tarım ortamlarındaki ince desenleri tespit etmesini kolaylaştırır.
Bunun sonucunda ekipler, modellerin haşere istilasının tam olarak nerede olduğunu tespit etmesine yardımcı olacak daha iyi eğitim verileri oluşturabilir. Bu, etkilenmemiş yaprak kısımlarını da içerebilen sınırlayıcı kutuları kullanmaktan daha etkilidir.
Örnek segmentasyonu ile desteklenen tıbbi görüntü analizi
Tarımda zararlı böceklerin tespitine benzer şekilde, sınırlardaki en ufak farklılıklar bile tıbbi görüntülemede kanser gibi hastalıkların analiz edilme şeklini etkileyebilir. Bu durum, özellikle CT taramalarında tümörler gibi tıbbi anomalilerin tespitinde hayati önem taşır.
Geleneksel etiketleme yöntemleri, ince kenarları gözden kaçırabilir veya çevre dokuları da kapsayabilir; bu da doğruluğu düşürebilir. Ultralytics ile ekipler, poligon etiketlemeyi kullanarak eğitim verilerindeki bu bölgeleri hassas bir şekilde çizebilir ve böylece modellerin daha doğru ve güvenilir tümör segmentasyonu üretmesine yardımcı olabilir.
Önemli çıkarımlar
Modellerin görüntülerdeki nesne şekillerini yüksek hassasiyetle anlaması gerektiğinde, çokgen etiketleme hayati önem taşır. Bu yöntem, özellikle Ultralytics kullanılırken karmaşık şekilleri daha doğru bir şekilde temsil etmeye yardımcı olur. Hassasiyet ile güçlü araçları bir araya getirerek, ekipler daha güvenilir ve yüksek performanslı yapay zeka modelleri geliştirebilir.
