Ultralytics Platform ile çokgen etiketleme kılavuzu

En son teknoloji ürünü yapay zeka teknolojileri, otonom sürüşten hassas tarıma kadar çok çeşitli endüstrilerde kendine yer buluyor. Örneğin süt hayvancılığı yapan çiftçiler, sığırlardaki hastalıkları tespit etmek için yapay zeka ve görüntü analizini kullanıyor. Topallık gibi sağlık sorunları, hayvanın yürüyüşündeki ve duruşundaki, örneğin kambur bir sırt veya asimetrik hareket gibi değişimler gözlemlenerek takip edilebilir.

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

Yapay zekanın bir dalı olan Bilgisayarlı görü, makinelerin görsel verileri yorumlamasını ve analiz etmesini sağlayarak bu tür uygulamalara olanak tanır. Özellikle Örnek segmentasyonu, bir görüntüdeki her nesneyi piksel düzeyinde tanımlayan ve bölümlere ayıran bir bilgisayarlı görü görevidir; bu sayede bireysel hayvanları hassas bir şekilde tespit etmek ve analiz etmek mümkün hale gelir.

Çokgen ek açıklaması bu süreçte kilit bir rol oynar. Bir görüntüdeki nesnenin kenarları boyunca noktalar yerleştirerek tam şeklinin dikkatlice izlenmesi için kullanılan bir veri ekleme yöntemidir. Basit sınırlayıcı kutu ek açıklamalarının aksine, bu yaklaşım nesnenin gerçek hatlarını takip ederek daha hassas eğitim verileri oluşturulmasına yardımcı olur ve görü yapay zeka modellerinin nesne sınırlarını daha iyi anlamasını sağlar.

Günümüzde çokgen ek açıklamaları oluşturmak için pek çok araç mevcuttur. Ancak bu seçenekler, özellikle farklı ek açıklama türleri için tutarsız veya sınırlı destek sunduklarında parçalı bir yapı sergileyebilir ve bu da tek bir iş akışı içinde çeşitli etiketleme ihtiyaçlarını yönetmeyi zorlaştırır.

Ultralytics Platform, veri kümesi yönetimi, ek açıklama, eğitim, dağıtım ve izleme arasındaki boşluğu dolduran yeni uçtan uca görü yapay zeka çalışma alanımız; birden fazla ek açıklama türünü ve yapay zeka destekli iş akışlarını tek bir sorunsuz çalışma alanında destekleyerek tüm ek açıklama sürecini basitleştirir ve bu sorunu çözer.

Bu makalede, çokgen ek açıklamalarının ne olduğunu ve Ultralytics Platform kullanarak bunları nasıl oluşturacağını keşfedeceğiz. Hadi başlayalım!

Link to this sectionÇokgen ek açıklamasına daha yakından bakış#

Ultralytics Platform ve çokgen ek açıklama özelliklerine dalmadan önce, bir adım geri çekilip çokgen ek açıklamasının ne olduğunu anlayalım.

Görüntü ek açıklaması, yapay zeka modellerinin ne gördüklerini anlayabilmeleri için görsel verilere etiket ekleme sürecidir. Genellikle bir görüntüdeki nesnelerin tanımlanmasını ve bunların bir modelin öğrenebileceği şekilde işaretlenmesini içerir.

En yaygın yöntemlerden biri, sınırlayıcı kutular olarak bilinen, nesnelerin etrafına dikdörtgen kutular çizmektir. Ancak, sınırlayıcı kutular bir nesnenin yalnızca kaba bir taslağını sunar. Çokgen ek açıklaması ise daha hassas bir yaklaşımdır.

Bu yöntem, bir nesneyi kutu içine almak yerine, kenarlarını nokta nokta çizerek çalışır. Bunu yapmak için, ek açıklama yapan kişiler bir nesnenin kenarları boyunca birden fazla köşe (nokta) yerleştirir ve tüm şekil kaplanana kadar konturunu izler.

Bu birleştirilmiş noktalar, nesnenin doğal hatlarını yansıtan bir çokgen oluşturur. Şekil nesnenin sınırlarını yakından takip ettiğinden, ek açıklama geleneksel etiketleme yöntemlerinin genellikle kaçırdığı detayları yakalar. Bu, özellikle yapraklar, insan silüetleri ve örtüşen nesneler gibi düzensiz şekillere veya karmaşık kenarlara sahip nesneler olduğunda oldukça yararlıdır.

Verilerdeki bu hassasiyet, makine öğrenimi modellerinin model eğitimi sırasında daha etkili öğrenmesine yardımcı olur. Ek açıklamalar bir nesnenin gerçek sınırlarını doğru bir şekilde yakaladığında, modeller nesnenin desenlerini piksel düzeyinde daha iyi anlayabilir. Bu durum, özellikle yüksek doğruluk gerektiren segmentasyon görevlerinde model performansının artmasını sağlar.

Link to this sectionBilgisayarlı görü iş akışlarında çokgen ek açıklamalarının rolü#

Peki, çokgen ek açıklamaları gerçekte nasıl kullanılır? Bunlar, örnek segmentasyonu gibi görüntü segmentasyon görevlerini destekleyen görü yapay zeka modelleri ile yakından bağlantılıdır.

Pek çok bilgisayarlı görü uygulamasında, her nesnenin bir görüntü veya video karesinde kapladığı tam alanı bilmek esastır. İmalatta parça tespiti buna iyi bir örnektir. Bu durumda, modellerin kapılar, pencereler ve farlar gibi parçaları, örtüşseler veya karmaşık şekillere sahip olsalar bile tanımlaması ve hassas bir şekilde ana hatlarını belirlemesi gerekir.

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

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

Sınırlayıcı kutular, nesnelerin etrafında yalnızca kaba dikdörtgen bölgeler sağlar ve genellikle fazladan arka plan içerir; bu da düzensiz şekilleri yakalamayı veya örtüşen öğeleri ayırmayı zorlaştırır.

Çokgen ek açıklaması, bu hassasiyet düzeyini sağlamada hayati bir rol oynar. Veri kümesi görüntülerindeki her nesnenin tam şeklini izlemek, gerçek nesne sınırlarını yansıtan yüksek kaliteli eğitim verileri oluşturur. Bu ayrıntılı ek açıklamalar, Ultralytics YOLO26 gibi modellerin her bir bileşenin yapısını daha iyi anlamasına yardımcı olarak daha doğru segmentasyon sonuçlarına yol açar.

Link to this sectionGeleneksel görüntü ek açıklama araçlarının sınırlamaları#

Şimdi, Ultralytics Platform gibi daha verimli ve ölçeklenebilir çözümlere duyulan ihtiyacı anlamak için geleneksel ek açıklama araçlarının sınırlamalarını inceleyelim.

İşte geleneksel çokgen ek açıklama araçlarını kullanırken ek açıklama yapan kişilerin karşılaştığı bazı yaygın zorluklar:

• Ek açıklama türleri için sınırlı destek: Bazı araçlar tek bir ek açıklama tekniğine odaklanır ve bu da çokgenler, sınırlayıcı kutular ve anahtar noktalar gibi farklı türlerle tek bir yerde çalışmayı zorlaştırır.
• Karmaşık ek açıklamaların verimsiz işlenmesi: Araçlar, ince ayrıntılara sahip karmaşık nesneleri doğru bir şekilde etiketlemeyi kolaylaştıracak özelliklerden yoksun olabilir.
• Yapay zeka destekli özelliklerin eksikliği: Birçok araç, ek açıklamayı hızlandıracak yerleşik yapay zeka desteği olmaksızın tamamen manuel çalışmaya güvenir.
• Parçalı veri kümesi yönetimi: Araçlar merkezi bir çalışma alanı sağlamadığında veri kümelerini, sürümleri ve ek açıklamaları yönetmek zor olabilir.

Ultralytics Platform, hem Segment Anything Models (SAM) hem de YOLO modelleri tarafından desteklenen yapay zeka destekli ek açıklama özellikleriyle bu endişeleri giderir. SAM, kullanıcıların tıklamalar gibi basit girdilerden yüksek kaliteli segmentasyon maskeleri oluşturmasına olanak tanır ve bu maskeler daha sonra hassas çokgen ek açıklamalarına dönüştürülebilir.

Benzer şekilde, YOLO tabanlı akıllı ek açıklama, bir görüntü üzerinde çıkarım yapmak ve sınırlayıcı kutular, segmentasyon maskeleri veya yönlendirilmiş sınırlayıcı kutular gibi tahminleri ek açıklama olarak eklemek için önceden eğitilmiş veya özel olarak eğitilmiş YOLO modellerini kullanır; bunlar daha sonra gerektiği şekilde incelenebilir ve ayarlanabilir. Bu yetenekler bir araya geldiğinde, ek açıklama sürecini daha hızlı, daha tutarlı ve ölçeklendirilmesi daha kolay hale getirir.

Link to this sectionUltralytics Platform tarafından desteklenen farklı ek açıklama türleri#

Ultralytics Platform, kullanıcıların görüntüleri doğrudan çalışma alanı içinde etiketlemesine olanak tanıyan entegre bir ek açıklama düzenleyici içerir. Bu, ayrı ve genellikle zaman alıcı veri etiketleme araçlarına ihtiyaç duymadan veri kümeleri oluşturmayı ve yönetmeyi kolaylaştırır.

Çokgen ek açıklamalarına ek olarak, Ultralytics Platform diğer birçok ek açıklama türünü de destekler. İşte hızlı bir genel bakış:

• Sınırlayıcı kutular: Ek açıklama yapan kişiler nesnelerin etrafına basit dikdörtgen kutular çizebilir, bu da bir görüntüde onları etiketlemeyi ve tespit etmeyi kolaylaştırır.
• Anahtar noktalar: Bu yöntem, vücut eklemleri veya önemli noktalar gibi belirli noktaları işaretlemek için kullanılır; poz tahmini gibi görevler için tercih edilir.
• Yönlendirilmiş sınırlayıcı kutular (OBB): Bunlar, kullanıcıların döndürülmüş veya açılı nesneleri standart sınırlayıcı kutulara kıyasla daha doğru bir şekilde yakalamasını sağlar.
• Sınıflandırma etiketleri: Daha basit görevler için kullanıcılar, bireysel nesneleri işaretlemek yerine tüm görüntülere etiket atayabilir.

Link to this sectionUltralytics Platform üzerinde çokgenlerle nesneleri etiketleme#

Şimdi, Ultralytics Platform üzerinde manuel olarak veya yapay zeka destekli araçlarla nasıl çokgen ek açıklamaları oluşturacağımıza bakalım.

Link to this sectionUltralytics Platform üzerinde manuel olarak çokgen ek açıklamaları oluşturma#

İşte manuel olarak çokgen ek açıklamaları oluşturmak için hızlı bir adım adım kılavuz:

• 1. Adım - Veri kümenize gidin: Etiketlemek istediğiniz görüntüleri içeren veri kümesini açın. Görüntüleriniz ve ek açıklamalarınız burada depolanır ve yönetilir.
• 2. Adım - Bir görüntü açın: Ek açıklama arayüzünde açmak için bir görüntüye tıklayın. Ek açıklama iş akışı, veri kümesi görevine bağlıdır. Örneğin, bir örnek segmentasyonu veri kümesinde, ek açıklamalar çokgen maskeleri kullanılarak oluşturulur.
• 3. Adım – Bir maske oluşturmaya başlayın: Etiketlemeye başlamak için görüntünün üzerine tıklayın. Her tıklama, nesne sınırı boyunca bir köşe ekler.
• 4. Adım – Nesne taslağını izleyin: Şeklini tanımlamak için nesnenin kenarları boyunca tıklamaya devam edin.
• 5. Adım – Çokgeni tamamlayın: Çokgeni tamamlamak ve bir sınıf etiketi atamak için "Enter" tuşuna basabilir veya ilk noktaya tıklayabilirsiniz.
• 6. Adım – Ek ek açıklamalar ekleyin: Görüntüdeki diğer nesneler için daha fazla çokgen oluşturmak üzere işlemi tekrarlayın.
• 7. Adım – Ek açıklamaları kaydetme: Ek açıklamalar, siz onları oluştururken otomatik olarak kaydedilir.

Şekil 3. Ultralytics Platform kullanılarak manuel olarak çokgen ek açıklamaları oluşturmaya bir bakış (Kaynak)

Link to this sectionUltralytics Platform üzerinde akıllı çokgen ek açıklaması#

Şimdi, ek açıklama sürecini hızlandıran Ultralytics Platform tarafından desteklenen yapay zeka destekli etiketleme özelliklerine göz atalım.

Platform, akıllı etiketleme için iki yaklaşım sunar: biri interaktif, tıklama tabanlı ek açıklama oluşturma için Segment Anything Models tarafından desteklenen; diğeri ise model tahminlerini doğrudan ek açıklama olarak eklemek için YOLO modelleri tarafından desteklenen yaklaşım. Her iki yaklaşım da akıllı çokgen ek açıklaması için kullanılabilir.

Link to this sectionUltralytics Platform içinde SAM kullanarak akıllı etiketleme#

Ultralytics Platform üzerinde SAM destekli ek açıklama, minimum girdi ile segmentasyon maskeleri oluşturmak için Segment Anything Model (SAM) kullanarak manuel etiketlemeyi basitleştirir. Nesneleri nokta nokta izlemek yerine, kullanıcılar neyin dahil edilip neyin hariç tutulması gerektiğini belirtmek için tıklamalar gibi basit komutlarla görüntüyle etkileşime girebilir.

Platform, SAM 2.1 ve SAM 3 dahil olmak üzere birden fazla SAM modelini destekler; bu da kullanıcıların ihtiyaçlarına göre daha hızlı performans veya daha yüksek doğruluk arasında seçim yapmasına olanak tanır. Kullanıcı girdisine dayanarak SAM, gerçek zamanlı olarak piksel düzeyinde maskeler üretir. Bu maskeler daha sonra hassas çokgen ek açıklamaları olarak kullanılabilir ve üzerinde düzenleme yapılabilir; böylece süreç daha hızlı, daha tutarlı ve ölçeklenmesi daha kolay hale gelir.

İşte Ultralytics Platform'da çokgen ek açıklaması için SAM kullanma adımları:

• 1. Adım – Bir görüntü açın: Veri kümenize gidin ve tam ekran görüntüleyiciyi açmak için bir görüntüye tıklayın.
• 2. Adım – Ek açıklama moduna girin: "Edit" (Düzenle) seçeneğine tıklayın, ardından SAM'i etkinleştirmek için Smart (Akıllı) moda geçin (veya S tuşuna basın).
• 3. Adım – Bir SAM modeli seçin: Hız ve doğruluk ihtiyaçlarınıza göre araç çubuğundan bir SAM modeli seçin.
• 4. Adım – Komutlar sağlayın: Pozitif noktalar (dahil edilecek alanlar) eklemek için sol tıklayın ve negatif noktalar (hariç tutulacak alanlar) eklemek için sağ tıklayın.
• 5. Adım – Maskeyi oluşturun ve uygulayın: SAM gerçek zamanlı olarak bir segmentasyon maskesi tahmin eder. Ek açıklamayı uygulamak için "Enter" tuşuna basın (veya otomatik uygulamayı kullanın).
• 6. Adım – Ek açıklamayı iyileştirin: Kaydetmeden önce doğruluğu artırmak için gerekirse daha fazla nokta ekleyin veya sonucu ayarlayın.

Şekil 4. Ultralytics Platform içinde SAM destekli çokgen ek açıklaması (Kaynak)

Link to this sectionUltralytics Platform içinde YOLO kullanarak akıllı etiketleme#

Ultralytics Platform üzerinde YOLO tabanlı akıllı etiketleme, bir görüntü üzerinde tahminler oluşturmak ve bunları ek açıklama olarak eklemek için önceden eğitilmiş Ultralytics YOLO modellerini veya ince ayarlı YOLO modellerini kullanarak etiketlemeyi hızlandırır. Bu tahminler, veri kümesi görevine bağlı olarak sınırlayıcı kutular, segmentasyon maskeleri veya yönlendirilmiş sınırlayıcı kutular içerebilir.

Kullanıcılar daha sonra bu ek açıklamaları gerektiği şekilde inceleyebilir ve iyileştirebilir. İşte Ultralytics Platform üzerinde YOLO tabanlı akıllı etiketleme kullanmanın adımlarına genel bir bakış:

• 1. Adım – Bir görüntü açın: Veri kümenize gidin ve tam ekran görüntüleyicide açmak için bir görüntü seçin.
• 2. Adım – Ek açıklama moduna girin: "Edit" (Düzenle) seçeneğine tıklayın, ardından Smart (Akıllı) moda geçin (veya S tuşuna basın).
• 3. Adım – Bir YOLO modeli seçin: Araç çubuğundaki model seçicide bir YOLO modeli seçin.
• 4. Adım – Tahmini çalıştırın: Modelin otomatik olarak ek açıklamalar oluşturmasını sağlamak için "Predict" (Tahmin Et) düğmesine tıklayın.
• 5. Adım – Ek açıklamaları inceleyin: Görüntüye eklenen tahmin edilen sınırlayıcı kutuları, segmentasyon maskelerini veya OBB'leri kontrol edin.
• 6. Adım – İyileştirin ve kaydedin: Yanlış ek açıklamaları gerektiği gibi düzenleyin, ayarlayın veya kaldırın, ardından nihai etiketlerinizi kaydedin.

Şekil 5. YOLO akıllı etiketleme kullanımına bir bakış (Kaynak)

Link to this sectionÇokgen ek açıklamasının gerçek dünya kullanım durumları#

Çokgen ek açıklaması; imalatta kalite kontrolden tarıma ve sağlık hizmetlerine kadar sektörlerde gerçek bir etki yaratıyor. Bazı önemli gerçek dünya uygulamalarını keşfedelim.

Link to this sectionBilgisayarlı görü kullanarak zararlı tespiti#

Tarımda, mahsul sağlığını izlemek verimi artırmak ve kayıpları azaltmak için kritiktir. Mahsul yapraklarındaki zararlı bulaşmış bölgeleri tespit etmek zor olabilir çünkü bu bölgeler genellikle düzensiz şekillere ve belirsiz sınırlara sahiptir.

Bu tür bir problem, bir sınıfa ait tüm pikselleri (örneğin enfekte olmuş alanlar) etiketleyen anlamsal segmentasyon veya nesne konturlarını daha hassas bir şekilde ayıran örnek segmentasyonu gibi görüntü segmentasyon teknikleri kullanılarak ele alınabilir.

Ultralytics Platform ile kullanıcılar, bu enfekte bölgelerin tam şeklini izlemek için çokgen ek açıklamasını kullanabilir. Bu, daha doğru veri kümeleri oluşturmaya yardımcı olur ve görü yapay zeka algoritmalarının tarımsal ortamlardaki ince desenleri tespit etmesini kolaylaştırır.

Sonuç olarak ekipler, modellerin zararlı istilalarının tam olarak nerede bulunduğunu belirlemesine yardımcı olan daha iyi eğitim verileri oluşturabilir. Bu yöntem, yaprağın etkilenmeyen kısımlarını içerebilen sınırlayıcı kutular kullanmaktan daha etkilidir.

Link to this sectionÖrnek segmentasyonu ile desteklenen tıbbi görüntü analizi#

Tarımda zararlı tespiti ile benzer şekilde, sınırlardaki küçük farklılıklar bile kanser gibi hastalıkların tıbbi görüntülemede nasıl analiz edildiğini etkileyebilir. Bu, BT taramalarındaki tümörler gibi sağlık anormalliklerini tanımlarken özellikle çok önemlidir.

Geleneksel ek açıklama yöntemleri ince kenarları kaçırabilir veya çevreleyen dokuyu içerebilir; bu da doğruluğu düşürebilir. Ultralytics Platform ile ekipler, bu bölgeleri eğitim verilerinde tam olarak izlemek için çokgen ek açıklamasını kullanabilir ve modellerin daha doğru ve güvenilir tümör segmentasyonu üretmesine yardımcı olabilir.

Link to this sectionÖnemli çıkarımlar#

Çokgen ek açıklaması, modellerin görüntülerdeki nesne şekillerini yüksek hassasiyetle anlaması gerektiğinde kilit rol oynar. Özellikle Ultralytics Platform kullanıldığında, karmaşık şekilleri daha doğru bir şekilde temsil etmeye yardımcı olur. Ekipler, hassasiyeti güçlü araçlarla birleştirerek daha güvenilir ve yüksek performanslı yapay zeka modelleri oluşturabilir.

Görü yapay zekasını projelerinize dahil etmeye hazır mısınız? Topluluğumuza katılın ve otomotiv endüstrisinde yapay zeka ve robotikte görü yapay zekası hakkında daha fazla bilgi edinin. Daha fazlasını öğrenmek için GitHub depomuzu keşfedin. Bugün başlamak için lisanslama seçeneklerimize göz atın!