Ultralytics Platform ile poligon anotasyonu rehberi

Otonom sürüşten hassas tarıma kadar en son yapay zekâ teknolojileri çok çeşitli sektörlerde kullanılmaya başlanıyor. Örneğin süt hayvancılığı yapan çiftçiler, sığırlardaki hastalıkları tespit etmek için yapay zekâ ve görüntü analizinden yararlanıyor. Topallık gibi sağlık sorunları, hayvanın kambur sırt ve asimetrik hareket gibi yürüyüş ve duruş değişiklikleri gözlemlenerek takip edilebiliyor.

Şekil 1. Yapay zekâ ve görüntü analizi kullanılarak ineklerin izlenmesine bir örnek.

Yapay zekânın bir dalı olan bilgisayarlı görü, makinelerin görsel verileri yorumlayıp analiz etmesini sağlayarak bu tür uygulamaları mümkün kılar. Özellikle örnek segmentasyonu, bir görüntüdeki her nesneyi piksel düzeyinde tanımlayıp segmentlere ayıran bir bilgisayarlı görü görevidir; bu sayede hayvanlar tek tek ve hassas biçimde tespit edilip analiz edilebilir.

Poligon anotasyonu bu süreçte önemli bir rol oynar. Bir görüntüdeki nesnenin tam şeklini, kenarları boyunca noktalar yerleştirerek dikkatlice izlemek için kullanılan bir veri anotasyonu yöntemidir. Basit sınırlayıcı kutu anotasyonlarının aksine bu yaklaşım, nesnenin gerçek dış hatlarını takip eder; böylece daha hassas eğitim verileri oluşturulmasına ve görsel yapay zekâ modellerinin nesne sınırlarını daha iyi anlamasına yardımcı olur.

Günümüzde poligon anotasyonları oluşturmak için birçok araç mevcut. Ancak bu seçenekler, farklı anotasyon türleri için tutarsız veya sınırlı destek sunduklarında genellikle parçalı bir deneyim yaratabiliyor ve çeşitli etiketleme ihtiyaçlarını tek bir iş akışı içinde yönetmeyi zorlaştırabiliyor.

Veri kümesi yönetimi, anotasyon, eğitim, dağıtım ve izleme arasındaki boşluğu kapatan yeni uçtan uca görsel yapay zekâ çalışma alanımız Ultralytics Platform, birden fazla anotasyon türünü ve yapay zekâ destekli iş akışlarını tek ve sorunsuz bir çalışma alanında destekleyerek bu sorunu çözer ve tüm anotasyon sürecini basitleştirir.

Bu makalede poligon anotasyonlarının ne olduğunu ve Ultralytics Platform kullanılarak nasıl oluşturulacağını inceleyeceğiz. Hadi başlayalım!

Poligon anotasyonuna daha yakından bakış#

Ultralytics Platform'a ve poligon anotasyonu özelliklerine geçmeden önce bir adım geri atalım ve poligon anotasyonunun ne olduğunu anlayalım.

Görüntü anotasyonu, yapay zekâ modellerinin ne gördüklerini anlayabilmesi için görsel verilere etiket ekleme sürecidir. Bu süreç genellikle bir görüntüdeki nesneleri tanımlamayı ve bir modelin bunlardan öğrenebileceği şekilde işaretlemeyi içerir.

En yaygın yöntemlerden biri, nesnelerin çevresine sınırlayıcı kutular olarak bilinen dikdörtgen kutular çizmektir. Ancak sınırlayıcı kutular yalnızca bir nesnenin kabaca dış hatlarını gösterir. Poligon anotasyonu ise daha hassas bir yaklaşımdır.

Bu yöntemde nesne bir kutunun içine alınmak yerine, sınırları nokta nokta çizilerek dış hatları belirlenir. Bunun için anotasyon yapan kişi, nesnenin kenarları boyunca birden fazla köşe (nokta) yerleştirerek tüm şekil kapsanana kadar konturunu takip eder.

Birbirine bağlanan bu noktalar, nesnenin doğal dış hatlarını yansıtan bir poligon oluşturur. Şekil nesnenin sınırını yakından takip ettiğinden anotasyon, geleneksel etiketleme yöntemlerinin çoğu zaman gözden kaçırdığı ayrıntıları yakalar. Bu, yapraklar, insan silüetleri ve üst üste binen nesneler gibi düzensiz şekillere veya karmaşık kenarlara sahip nesnelerde özellikle kullanışlıdır.

Verilerdeki bu hassasiyet, makine öğrenimi modellerinin model eğitimi sırasında daha etkili öğrenmesine yardımcı olur. Anotasyonlar bir nesnenin gerçek sınırlarını doğru biçimde yakaladığında modeller, nesnenin piksel düzeyindeki örüntülerini daha iyi anlayabilir. Bu da özellikle yüksek doğruluk gerektiren segmentasyon görevlerinde model performansının artmasını sağlar.

Bilgisayarlı görü iş akışlarında poligon anotasyonlarının rolü#

Peki poligon anotasyonları gerçekte nasıl kullanılır? Bunlar, örnek segmentasyonu gibi görüntü segmentasyonu görevlerini destekleyen görsel yapay zekâ modelleri ile yakından ilişkilidir.

Birçok bilgisayarlı görü uygulamasında, her nesnenin bir görüntüde veya video karesinde kapladığı kesin alanı bilmek önemlidir. Üretimde otomobil parçalarının tespit edilmesi buna iyi bir örnektir. Bu durumda modellerin, üst üste binseler veya karmaşık şekillere sahip olsalar bile kapılar, camlar ve farlar gibi parçaları tanımlayıp hatlarını hassas biçimde belirlemesi gerekir.

Örnek segmentasyonu burada devreye girer. Modellerin her nesneyi tespit etmesini ve kesin sınırlarını piksel düzeyinde haritalamasını sağlar. Bu, sınırlayıcı kutuları kullanan temel nesne tespitinden farklıdır.

Şekil 2. Örnek segmentasyonu, bir otomobilin hasarlı parçalarını ayırt etmeye de yardımcı olabilir. (Kaynak)

Sınırlayıcı kutular, nesnelerin çevresinde yalnızca kabaca dikdörtgen bölgeler sunar ve çoğu zaman fazladan arka plan içerir. Bu da düzensiz şekillerin yakalanmasını veya üst üste binen nesnelerin birbirinden ayrılmasını zorlaştırır.

Poligon anotasyonu, bu hassasiyet düzeyini mümkün kılmada hayati bir rol oynar. Veri kümesi görüntülerindeki her nesnenin tam şeklini izlemek, gerçek nesne sınırlarını yansıtan yüksek kaliteli eğitim verileri oluşturur. Bu ayrıntılı anotasyonlar, Ultralytics YOLO26 gibi modellerin her bileşenin yapısını daha iyi anlamasına ve daha doğru segmentasyon sonuçları üretmesine yardımcı olur.

Geleneksel görüntü anotasyonu araçlarının sınırlamaları#

Ultralytics Platform gibi daha verimli ve ölçeklenebilir çözümlere duyulan ihtiyacı anlamak için şimdi geleneksel anotasyon araçlarının sınırlamalarını inceleyelim.

Geleneksel poligon anotasyonu araçlarını kullanırken anotasyon yapan kişilerin karşılaştığı bazı yaygın zorluklar şunlardır:

• Anotasyon türleri için sınırlı destek: Bazı araçlar tek bir anotasyon tekniğine odaklanır; bu da poligonlar, sınırlayıcı kutular ve kilit noktalar gibi farklı türlerle tek bir yerde çalışmayı zorlaştırır.
• Karmaşık anotasyonların verimsiz işlenmesi: Araçlarda, ince ayrıntılara sahip karmaşık nesnelerin doğru şekilde anotasyonlanmasını kolaylaştıran özellikler bulunmayabilir.
• Yapay zekâ destekli özelliklerin eksikliği: Birçok araç tamamen manuel çalışmaya dayanır ve anotasyonu hızlandıracak yerleşik yapay zekâ desteği sunmaz.
• Parçalı veri kümesi yönetimi: Araçlar merkezi bir çalışma alanı sağlamadığında veri kümelerini, sürümleri ve anotasyonları yönetmek, özellikle zor olabilir.

Ultralytics Platform, Segment Anything Modelleri (SAM) ve YOLO modelleri tarafından desteklenen yapay zekâ destekli anotasyon özellikleriyle bu sorunları giderir. SAM, tıklama gibi basit girdilerden yüksek kaliteli segmentasyon maskeleri oluşturmayı sağlar; bu maskeler daha sonra hassas poligon anotasyonlarına dönüştürülebilir.

Benzer şekilde, YOLO tabanlı akıllı anotasyon, bir görüntü üzerinde çıkarım gerçekleştirmek ve sınırlayıcı kutular, segmentasyon maskeleri veya yönlendirilmiş sınırlayıcı kutular gibi tahminleri anotasyon olarak eklemek için önceden eğitilmiş veya özel eğitilmiş YOLO modellerini kullanır. Bu anotasyonlar daha sonra gerektiğinde incelenip ayarlanabilir. Bu özellikler bir arada anotasyon sürecini daha hızlı, daha tutarlı ve ölçeklendirilmesi daha kolay hâle getirir.

Ultralytics Platform tarafından desteklenen farklı anotasyon türleri#

Ultralytics Platform, kullanıcıların görüntüleri doğrudan çalışma alanı içinde anotasyonlamasına olanak tanıyan entegre bir anotasyon düzenleyicisi içerir. Bu, genellikle zaman alan ayrı veri etiketleme araçlarına ihtiyaç duymadan veri kümeleri oluşturmayı ve yönetmeyi kolaylaştırır.

Poligon anotasyonlarının yanı sıra Ultralytics Platform, başka anotasyon türlerini de destekler. Kısa bir genel bakış:

• Sınırlayıcı kutular: Anotasyon yapan kişiler nesnelerin çevresine basit dikdörtgen kutular çizebilir; bu da nesneleri bir görüntüde etiketlemeyi ve tespit etmeyi kolaylaştırır.
• Kilit noktalar: Bu yöntem, poz tahmini gibi görevlerde vücut eklemleri veya işaret noktaları gibi belirli noktaları işaretlemek için kullanılır.
• Yönlendirilmiş sınırlayıcı kutular (OBBs): Bunlar, standart sınırlayıcı kutulara kıyasla döndürülmüş veya açılı nesnelerin daha doğru biçimde yakalanmasını sağlar.
• Sınıflandırma etiketleri: Daha basit görevlerde kullanıcılar, tek tek nesneleri işaretlemek yerine tüm görüntülere etiket atayabilir.

Ultralytics Platform'da nesneleri poligonlarla anotasyonlama#

Şimdi Ultralytics Platform'da manuel olarak veya yapay zekâ destekli araçlarla poligon anotasyonlarının nasıl oluşturulacağını görelim.

Ultralytics Platform'da manuel olarak poligon anotasyonları oluşturma#

Poligon anotasyonlarını manuel olarak oluşturmak için hızlı, adım adım bir kılavuz:

• 1. Adım - Veri kümenize gidin: Anotasyonlamak istediğin görüntüleri içeren veri kümesini aç. Görüntülerin ve anotasyonların depolandığı ve yönetildiği yer burasıdır.
• 2. Adım - Bir görüntü açın: Görüntüyü anotasyon arayüzünde açmak için bir görüntüye tıkla. Anotasyon iş akışı, veri kümesi görevine bağlıdır. Örneğin, örnek segmentasyonu veri kümesinde anotasyonlar poligon maskeleri kullanılarak oluşturulur.
• 3. Adım – Maske oluşturmaya başlayın: Anotasyonlamaya başlamak için görüntüye tıkla. Her tıklama, nesne sınırı boyunca bir köşe ekler.
• 4. Adım – Nesnenin dış hatlarını izleyin: Şeklini belirlemek için nesnenin kenarları boyunca tıklamaya devam et.
• 5. Adım – Poligonu tamamlayın: Poligonu tamamlamak ve bir sınıf etiketi atamak için “Enter” tuşuna basabilir veya ilk noktaya tıklayabilirsin.
• 6. Adım – Ek anotasyonlar ekleyin: Görüntüdeki diğer nesneler için daha fazla poligon oluşturmak üzere işlemi tekrarla.
• 7. Adım – Anotasyonları kaydetme: Anotasyonlar oluşturduğun anda otomatik olarak kaydedilir.

Şekil 3. Ultralytics Platform kullanılarak manuel poligon anotasyonları oluşturmaya bir bakış (Kaynak)

Ultralytics Platform'da akıllı poligon anotasyonu#

Şimdi, anotasyon sürecini hızlandıran ve Ultralytics Platform tarafından desteklenen yapay zekâ destekli etiketleme özelliklerine göz atalım.

Platform, akıllı anotasyon için iki yaklaşım sunar: Biri etkileşimli, tıklama tabanlı anotasyon oluşturma için Segment Anything Modelleri tarafından desteklenir; diğeri ise model tahminlerini doğrudan anotasyon olarak eklemek için YOLO modelleri tarafından desteklenir. Her iki yaklaşım da akıllı poligon anotasyonu için kullanılabilir.

Ultralytics Platform'da SAM kullanarak akıllı anotasyon#

Ultralytics Platform'daki SAM destekli anotasyon, minimum girdiyle segmentasyon maskeleri oluşturmak için Segment Anything Model'i (SAM) kullanarak manuel etiketlemeyi kolaylaştırır. Kullanıcılar nesneleri nokta nokta izlemek yerine, nelerin dahil edilmesi veya hariç tutulması gerektiğini belirtmek için tıklama gibi basit istemlerle görüntüyle etkileşim kurabilir.

Platform, SAM 2.1 ve SAM 3 dahil olmak üzere birden fazla SAM modelini destekler; böylece kullanıcılar ihtiyaçlarına göre daha hızlı performans veya daha yüksek doğruluk arasında seçim yapabilir. SAM, kullanıcı girdisine göre gerçek zamanlı olarak piksel düzeyinde maskeler oluşturur. Bu maskeler daha sonra iyileştirilip poligon anotasyonları olarak kullanılabilir; böylece süreç daha hızlı, daha tutarlı ve ölçeklendirilmesi daha kolay hâle gelir.

Ultralytics Platform'da poligon anotasyonu için SAM kullanma adımları:

• 1. Adım – Bir görüntü açın: Veri kümenize git ve tam ekran görüntüleyiciyi açmak için bir görüntüye tıkla.
• 2. Adım – Anotasyon moduna girin: “Edit” seçeneğine tıkla, ardından SAM'i etkinleştirmek için Smart moduna geç (veya S tuşuna bas).
• 3. Adım – Bir SAM modeli seçin: Hız ve doğruluk ihtiyaçlarına göre araç çubuğundan bir SAM modeli seç.
• 4. Adım – İstemler sağlayın: Pozitif noktalar (dahil edilecek alanlar) eklemek için sol tıkla, negatif noktalar (hariç tutulacak alanlar) eklemek için sağ tıkla.
• 5. Adım – Maskeyi oluşturun ve uygulayın: SAM, gerçek zamanlı olarak bir segmentasyon maskesi tahmin eder. Anotasyonu uygulamak için “Enter” tuşuna bas (veya otomatik uygulamayı kullan).
• 6. Adım – Anotasyonu iyileştirin: Kaydetmeden önce doğruluğu artırmak için gerekirse daha fazla nokta ekle veya sonucu ayarla.

Şekil 4. Ultralytics Platform içinde SAM destekli poligon anotasyonu (Kaynak)

Ultralytics Platform'da YOLO kullanarak akıllı anotasyon#

Ultralytics Platform'daki YOLO tabanlı akıllı anotasyon, bir görüntü üzerinde tahminler oluşturup bunları anotasyon olarak eklemek için önceden eğitilmiş Ultralytics YOLO modellerini veya ince ayar yapılmış YOLO modellerini kullanarak etiketlemeyi hızlandırır. Bu tahminler, veri kümesi görevine bağlı olarak sınırlayıcı kutuları, segmentasyon maskelerini veya yönlendirilmiş sınırlayıcı kutuları içerebilir.

Kullanıcılar daha sonra bu anotasyonları gerektiği şekilde inceleyip iyileştirebilir. Ultralytics Platform'da YOLO tabanlı akıllı anotasyonu kullanma adımlarına genel bir bakış:

• 1. Adım – Bir görüntü açın: Veri kümenize git ve tam ekran görüntüleyicide açmak için bir görüntü seç.
• 2. Adım – Anotasyon moduna girin: “Edit” seçeneğine tıkla, ardından Smart moduna geç (veya S tuşuna bas).
• 3. Adım – Bir YOLO modeli seçin: Araç çubuğundaki model seçicisinden bir YOLO modeli seç.
• 4. Adım – Tahmin çalıştırın: Modelin anotasyonları otomatik olarak oluşturmasını sağlamak için “Predict” seçeneğine tıkla.
• 5. Adım – Anotasyonları inceleyin: Görüntüye eklenen tahmini sınırlayıcı kutuları, segmentasyon maskelerini veya OBB'leri incele.
• 6. Adım – İyileştirin ve kaydedin: Hatalı anotasyonları gerektiği şekilde düzenle, ayarla veya kaldır; ardından son etiketlerini kaydet.

Şekil 5. YOLO akıllı anotasyonunu kullanmaya kısa bir bakış (Kaynak)

Poligon anotasyonunun gerçek dünyadaki kullanım alanları#

Poligon anotasyonu, üretimde kalite kontrolden tarım ve sağlık hizmetlerine kadar çeşitli sektörlerde gerçek bir etki yaratıyor. Şimdi gerçek dünyadaki bazı önemli uygulamaları inceleyelim.

Bilgisayarlı görü kullanarak zararlıları tespit etme#

Tarımda ürün sağlığını izlemek, verimi artırmak ve kayıpları azaltmak için kritik öneme sahiptir. Ürün yapraklarındaki zararlı bulaşmış alanları tespit etmek zor olabilir; çünkü bu bölgeler genellikle düzensiz şekillere ve belirsiz sınırlara sahiptir.

Bu tür bir probleme, bir sınıfa ait tüm pikselleri (bulaşmış alanlar gibi) etiketleyen anlamsal segmentasyon veya nesne konturlarını daha hassas biçimde ayıran örnek segmentasyonu gibi görüntü segmentasyonu teknikleriyle yaklaşılabilir.

Ultralytics Platform ile kullanıcılar, bu bulaşmış alanların tam şeklini izlemek için poligon anotasyonunu kullanabilir. Bu, daha doğru veri kümeleri oluşturulmasına ve görsel yapay zekâ algoritmalarının tarım ortamlarındaki ince örüntüleri fark etmesine yardımcı olur.

Bunun sonucunda ekipler, modellerin zararlı istilalarının tam olarak nerede bulunduğunu belirlemesine yardımcı olan daha iyi eğitim verileri oluşturabilir. Bu, yaprağın etkilenmemiş kısımlarını da içerebilen sınırlayıcı kutuları kullanmaktan daha etkilidir.

Örnek segmentasyonuyla desteklenen tıbbi görüntü analizi#

Tarımda zararlı tespitine benzer şekilde, sınırların küçük farklılıkları bile kanser gibi hastalıkların tıbbi görüntülemede nasıl analiz edildiğini etkileyebilir. Bu, BT taramalarındaki tümörler gibi sağlıkla ilgili anomalileri tespit ederken özellikle önemlidir.

Geleneksel anotasyon yöntemleri ince kenarları gözden kaçırabilir veya çevre dokuyu içerebilir; bu da doğruluğu azaltabilir. Ultralytics Platform ile ekipler, eğitim verilerindeki bu bölgeleri hassas biçimde izlemek için poligon anotasyonunu kullanabilir ve modellerin daha doğru ve güvenilir tümör segmentasyonu üretmesine yardımcı olabilir.

Önemli çıkarımlar#

Modellerin görüntülerdeki nesne şekillerini yüksek hassasiyetle anlaması gerektiğinde poligon anotasyonu kritik öneme sahiptir. Özellikle Ultralytics Platform kullanıldığında karmaşık şekillerin daha doğru temsil edilmesine yardımcı olur. Ekipler, hassasiyeti güçlü araçlarla birleştirerek daha güvenilir ve yüksek performanslı yapay zekâ modelleri oluşturabilir.

Görsel yapay zekâyı projelerine taşımaya hazır mısın? Topluluğumuza katıl ve otomotiv sektöründe yapay zekâ ile robotikte görsel yapay zekâ hakkında bilgi edin. Daha fazla bilgi için GitHub depomuzu incele. Bugün başlamak için lisans seçeneklerimize göz at!