Ultralytics Platform ile poligon anotasyonu kılavuzu

Son teknoloji yapay zekâ uygulamaları, otonom sürüşten hassas tarıma kadar çok çeşitli sektörlerde yaygınlaşıyor. Örneğin süt üreticileri, sığırlardaki hastalıkları tespit etmek için yapay zekâ ve görüntü analizinden yararlanıyor. Topallık gibi sağlık sorunları, kamburlaşmış sırt ve asimetrik hareket gibi hayvanın yürüyüş ve duruşundaki değişiklikler gözlemlenerek izlenebilir.

Şekil 1. Yapay zekâ ve görüntü analiziyle ineklerin izlenmesine bir örnek.

Yapay zekânın bir dalı olan bilgisayarlı görü, makinelerin görsel verileri yorumlamasını ve 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 tek tek hayvanları hassas biçimde algılamak ve analiz etmek mümkün olur.

Çokgen etiketleme bu süreçte önemli bir rol oynar. Bir görüntüdeki nesnenin tam şeklini, kenarları boyunca noktalar yerleştirerek dikkatlice izlemek için kullanılan bir veri etiketleme yöntemidir. Basit sınırlayıcı kutu etiketlerinin aksine bu yaklaşım, nesnenin gerçek dış hattını takip ederek daha hassas eğitim verileri oluşturulmasına ve yapay görme modellerinin nesne sınırlarını daha iyi anlamasına yardımcı olur.

Günümüzde çokgen etiketleri oluşturmak için kullanılabilecek pek çok araç var. Ancak bu seçenekler çoğu zaman dağınık bir deneyim sunabiliyor; özellikle farklı etiket türleri için tutarsız veya sınırlı destek sunduklarında, çeşitli etiketleme ihtiyaçlarını tek bir iş akışında yönetmek zorlaşıyor.

Veri kümesi yönetimi, etiketleme, eğitim, dağıtım ve izleme arasındaki boşluğu kapatan, uçtan uca yeni yapay görme çalışma alanımız olan Ultralytics Platform, birden fazla etiket türünü ve yapay zekâ destekli iş akışlarını sorunsuz bir çalışma alanında destekleyerek bu sorunu çözer ve etiketleme sürecinin tamamını kolaylaştırır.

Bu makalede, çokgen etiketlerin ne olduğunu ve Ultralytics Platform kullanılarak nasıl oluşturulacağını inceleyeceğiz. Haydi başlayalım!

Çokgen etiketlemeye daha yakından bakış#

Ultralytics Platform'u ve çokgen etiketleme özelliklerini incelemeden önce bir adım geri çekilip çokgen etiketlemenin ne olduğunu anlayalım.

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

En yaygın yöntemlerden biri, nesnelerin çevresine sınırlayıcı kutu adı verilen dikdörtgenler çizmektir. Ancak sınırlayıcı kutular, nesnenin yalnızca kabaca ana hatlarını verir. Çokgen etiketleme ise daha hassas bir yaklaşımdır.

Bu yöntem, nesneyi bir kutunun içine almak yerine ana hatlarını (sınırlarını) nokta nokta çizerek işler. Bunun için etiketleyiciler, nesnenin kenarları boyunca birden fazla köşe noktası yerleştirip şeklin tamamı belirlenene kadar dış hattı izler.

Birbirine bağlanan bu noktalar, nesnenin doğal dış hattını takip eden bir çokgen oluşturur. Şekil nesnenin sınırını yakından izlediğinden, etiketleme geleneksel yöntemlerin çoğu zaman kaçırdığı ayrıntıları yakalar. Bu yaklaşım; yapraklar, insan siluetleri ve üst üste binen nesneler gibi düzensiz şekillere veya karmaşık kenarlara sahip nesnelerde özellikle kullanışlıdır.

Verilerdeki bu hassasiyet, makine öğrenimi modellerinin eğitim sırasında daha etkili öğrenmesine yardımcı olur. Etiketler bir nesnenin gerçek sınırlarını doğru biçimde yakaladığında modeller, nesnenin örüntülerini piksel düzeyinde daha iyi anlayabilir. Bu da özellikle yüksek doğruluk gerektiren segmentasyon görevlerinde model performansını artırır.

Bilgisayarlı görü iş akışlarında çokgen etiketlerin rolü#

Peki çokgen etiketler gerçekte nasıl kullanılıyor? Bu etiketler, örnek segmentasyonu gibi görüntü segmentasyonu görevlerini destekleyen yapay görme modelleriyle yakından ilişkilidir.

Birçok bilgisayarlı görü uygulamasında, her nesnenin bir görüntüde veya video karesinde kapladığı alanı tam olarak bilmek önemlidir. Üretimde otomobil parçalarını algılama buna iyi bir örnektir. Bu durumda modellerin, üst üste gelseler veya karmaşık şekillere sahip olsalar bile kapılar, camlar ve farlar gibi parçaları belirleyip sınırlarını hassas biçimde çizmesi gerekir.

Örnek segmentasyonu bu noktada devreye girer. Modellerin her nesneyi algılamasını ve tam sınırlarını piksel düzeyinde belirlemesini sağlar. Bu, sınırlayıcı kutular kullanan temel nesne algılamadan farklıdır.

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

Sınırlayıcı kutular nesnelerin çevresindeki dikdörtgen bölgeleri yalnızca kabaca gösterir ve çoğu zaman fazladan arka planı da içerir; bu da düzensiz şekilleri yakalamayı veya üst üste binen öğeleri ayırmayı zorlaştırır.

Çokgen etiketleme, bu hassasiyet düzeyini mümkün kılmada hayati bir rol oynar. Veri kümesindeki görüntülerde her nesnenin tam şeklini izlemek, nesnelerin gerçek sınırlarını yansıtan yüksek kaliteli eğitim verileri oluşturur. Bu ayrıntılı etiketler, Ultralytics YOLO26 gibi modellerin her bileşenin yapısını daha iyi anlamasına ve daha doğru segmentasyon sonuçları vermesine yardımcı olur.

Geleneksel görüntü etiketleme araçlarının sınırlamaları#

Şimdi, Ultralytics Platform gibi daha verimli ve ölçeklenebilir çözümlere neden ihtiyaç duyulduğunu anlamak için geleneksel etiketleme araçlarının sınırlamalarına göz atalım.

Geleneksel çokgen etiketleme araçlarını kullanan etiketleyicilerin karşılaştığı yaygın zorluklardan bazıları şunlardır:

• Etiket türleri için sınırlı destek: Bazı araçlar tek bir etiketleme tekniğine odaklanır ve çokgenler, sınırlayıcı kutular ve kilit noktalar gibi farklı türlerle tek bir yerde çalışmayı zorlaştırır.
• Karmaşık etiketleri işleme verimsizliği: Araçlarda, ince ayrıntılara sahip karmaşık nesneleri hassas biçimde etiketlemeyi kolaylaştıran özellikler bulunmayabilir.
• Yapay zekâ destekli özelliklerin eksikliği: Pek çok araç, etiketlemeyi hızlandıracak yerleşik yapay zekâ desteği sunmadan tümüyle manuel çalışmaya dayanır.
• Dağınık veri kümesi yönetimi: Veri kümelerini, sürümleri ve etiketleri yönetmek; özellikle araçlar merkezi bir çalışma alanı sunmadığında zor olabilir.

Ultralytics Platform, hem Segment Anything Models (SAM) hem de YOLO modelleriyle desteklenen yapay zekâ yardımlı etiketleme özellikleriyle bu sorunların üstesinden gelir. SAM, kullanıcıların tıklama gibi basit girdilerle yüksek kaliteli segmentasyon maskeleri oluşturmasını sağlar; bu maskeler daha sonra hassas çokgen etiketlere dönüştürülecek şekilde iyileştirilebilir.

Benzer şekilde YOLO tabanlı akıllı etiketleme, bir görüntü üzerinde çıkarım yapmak ve sınırlayıcı kutular, segmentasyon maskeleri veya yönelimli sınırlayıcı kutular gibi tahminleri etiket olarak eklemek için önceden eğitilmiş ya da özel olarak eğitilmiş YOLO modellerini kullanır. Ardından bu etiketler incelenip gerektiği gibi düzenlenebilir. Bu özellikler bir araya geldiğinde etiketleme süreci hızlanır, daha tutarlı hâle gelir ve ölçeklendirilmesi kolaylaşır.

Ultralytics Platform tarafından desteklenen farklı etiket türleri#

Ultralytics Platform, kullanıcıların görüntüleri doğrudan çalışma alanında etiketlemesine olanak tanıyan entegre bir etiketleme düzenleyicisi içerir. Bu sayede genellikle zaman alan ayrı veri etiketleme araçlarına ihtiyaç duymadan veri kümeleri oluşturmak ve yönetmek kolaylaşır.

Ultralytics Platform, çokgen etiketlerin yanı sıra başka etiket türlerini de destekler. Kısaca göz atalım:

• Sınırlayıcı kutular: Etiketleyiciler nesnelerin çevresine basit dikdörtgen kutular çizebilir; böylece nesneleri görüntüde etiketlemek ve tespit etmek kolaylaşır.
• Anahtar noktalar: Bu yöntem, poz tahmini gibi görevlerde vücut eklemleri veya belirgin noktalar gibi belirli noktaları işaretlemek için kullanılır.
• Yönlendirilmiş sınırlayıcı kutular (OBBs): Bunlar, standart sınırlayıcı kutulara kıyasla kullanıcıların döndürülmüş veya açılı nesneleri daha doğru şekilde belirlemesini sağlar.
• Sınıflandırma etiketleri: Daha basit görevlerde kullanıcılar, tek tek nesneleri işaretlemek yerine tüm görüntülere etiket atayabilir.

Ultralytics Platform'da nesneleri çokgenlerle etiketleme#

Şimdi, Ultralytics Platform'da elle veya yapay zekâ destekli araçlarla çokgen açıklamalarının nasıl oluşturulacağına bakalım.

Ultralytics Platform'da çokgen açıklamalarını elle oluşturma#

Çokgen açıklamalarını elle oluşturmaya yönelik kısa, adım adım bir kılavuz:

• 1. Adım - Veri kümesine git: Etiketlemek istediğin görüntüleri içeren veri kümesini aç. Görüntülerin ve açıklamaların depolandığı ve yönetildiği yer burasıdır.
• 2. Adım - Bir görüntü aç: Görüntüyü etiketleme arayüzünde açmak için görüntüye tıkla. Etiketleme iş akışı, veri kümesinin görevine bağlıdır. Örneğin, örnek segmentasyonu veri kümesinde açıklamalar çokgen maskeleri kullanılarak oluşturulur.
• 3. Adım – Maske oluşturmaya başla: Etiketlemeye başlamak için görüntüye tıkla. Her tıklama, nesnenin sınırı boyunca bir köşe noktası ekler.
• 4. Adım – Nesnenin dış hatlarını izle: Nesnenin şeklini belirlemek için kenarlarının çevresine tıklamaya devam et.
• 5. Adım – Çokgeni tamamla: Çokgeni tamamlamak ve bir sınıf etiketi atamak için “Enter” tuşuna basabilir veya ilk noktaya tıklayabilirsin.
• 6. Adım – Ek açıklamalar ekle: Görüntüdeki diğer nesneler için daha fazla çokgen oluşturmak üzere işlemi tekrarla.
• 7. Adım – Açıklamaları kaydet: Açıklamalar oluşturuldukça otomatik olarak kaydedilir.

Şekil 3. Ultralytics Platform kullanarak çokgen açıklamalarını elle oluşturma (Kaynak)

Ultralytics Platform'da akıllı çokgen açıklamaları#

Şimdi, açıklama sürecini hızlandıran ve Ultralytics Platform'un desteklediği yapay zekâ destekli etiketleme özelliklerine bakalım.

Platform, akıllı açıklama oluşturmak için iki yaklaşım sunar: biri etkileşimli, tıklama tabanlı açıklama üretimi için Segment Anything modellerinden, diğeri model tahminlerini doğrudan açıklama olarak eklemek için YOLO modellerinden yararlanır. Her iki yaklaşım da akıllı çokgen açıklamaları oluşturmak için kullanılabilir.

Ultralytics Platform'da SAM kullanarak akıllı açıklama oluşturma#

Ultralytics Platform'daki SAM destekli açıklama, Her Şeyi Segmentlere Ayırma Modeli'ni (SAM) kullanarak çok az girdiyle segmentasyon maskeleri oluşturur ve elle etiketleme işlemini kolaylaştırır. Kullanıcılar nesnelerin dış hatlarını 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 piksel düzeyinde maskeleri gerçek zamanlı olarak oluşturur. Ardından bu maskeler iyileştirilip çokgen açıklamaları olarak kullanılabilir; böylece süreç hızlanır, tutarlılık artar ve ölçeklendirme kolaylaşır.

Ultralytics Platform'da çokgen açıklamaları oluşturmak için SAM'ı kullanma adımları:

• 1. Adım – Bir görüntü aç: Veri kümesine git ve tam ekran görüntüleyiciyi açmak için bir görüntüye tıkla.
• 2. Adım – Etiketleme moduna geç: “Edit”e tıkla, ardından SAM'ı etkinleştirmek için Akıllı moda geç (veya S tuşuna bas).
• 3. Adım – Bir SAM modeli seç: Hız ve doğruluk ihtiyaçlarına göre araç çubuğundan bir SAM modeli seç.
• 4. Adım – İstemler ver: Dahil edilecek alanlar için sol tıklamayla pozitif noktalar, hariç tutulacak alanlar için sağ tıklamayla negatif noktalar ekle.
• 5. Adım – Maskeyi oluştur ve uygula: SAM, gerçek zamanlı olarak bir segmentasyon maskesi tahmin eder. Açıklamayı uygulamak için “Enter” tuşuna bas (veya otomatik uygulama özelliğini kullan).
• 6. Adım – Açıklamayı iyileştir: Kaydetmeden önce doğruluğu artırmak için gerekirse daha fazla nokta ekle veya sonucu düzenle.

Şekil 4. Ultralytics Platform'da SAM destekli çokgen açıklaması (Kaynak)

Ultralytics Platform'da YOLO kullanarak akıllı açıklama oluşturma#

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

Kullanıcılar bu açıklamaları inceleyip gerektiğinde iyileştirebilir. Ultralytics Platform'da YOLO tabanlı akıllı açıklama oluşturma adımları şöyle:

• 1. Adım – Bir görüntü aç: Veri kümesine git ve tam ekran görüntüleyicide açmak için bir görüntü seç.
• 2. Adım – Etiketleme moduna geç: “Edit”e tıkla, ardından Akıllı moda geç (veya S tuşuna bas).
• 3. Adım – Bir YOLO modeli seç: Araç çubuğundaki model seçicisinden bir YOLO modeli seç.
• 4. Adım – Tahmin çalıştır: Modelin otomatik olarak açıklamalar oluşturmasını sağlamak için “Predict”e tıkla.
• 5. Adım – Açıklamaları incele: Görüntüye eklenen tahmini sınırlayıcı kutuları, segmentasyon maskelerini veya OBB'leri incele.
• 6. Adım – İyileştir ve kaydet: Gerektiğinde hatalı açıklamaları düzenle, ayarla veya kaldır; ardından son etiketlerini kaydet.

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

Çokgen açıklamalarının gerçek dünyadaki kullanım alanları#

Çokgen açıklamaları, üretimde kalite kontrolünden tarım ve sağlık hizmetlerine kadar pek çok sektörde önemli bir etki yaratıyor. Gerçek dünyadaki bazı temel uygulamalara göz atalım.

Bilgisayarlı görü kullanarak zararlı tespiti#

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 sorun, enfekte alanlar gibi bir sınıfa ait tüm pikselleri etiketleyen anlamsal segmentasyon veya nesne dış hatlarını daha hassas biçimde birbirinden ayıran örnek segmentasyonu gibi görüntü segmentasyonu teknikleriyle ele alınabilir.

Ultralytics Platform ile kullanıcılar, enfekte alanların şeklini tam olarak izlemek için çokgen açıklamalarını kullanabilir. Bu, daha doğru veri kümeleri oluşturmaya yardımcı olur ve görüntü yapay zekâ algoritmalarının tarımsal ortamlardaki ince örüntüleri fark etmesini kolaylaştırır.

Böylece ekipler, modellerin zararlı istilalarının tam olarak nerede olduğunu belirlemesine yardımcı olan daha iyi eğitim verileri oluşturabilir. Bu yöntem, etkilenmemiş yaprak bölümlerini de içerebilen sınırlayıcı kutuları kullanmaktan daha etkilidir.

Örnek segmentasyonuyla desteklenen tıbbi görüntü analizi#

Tarımda zararlı tespitine benzer şekilde, sınırlardaki küçük farklılıklar bile tıbbi görüntülemede kanser gibi hastalıkların analizini etkileyebilir. Bu durum, BT taramalarında tümör gibi sağlık sorunlarına işaret eden anormallikleri belirlerken özellikle önemlidir.

Geleneksel açıklama yöntemleri ince kenarları gözden kaçırabilir veya çevredeki dokuları kapsayabilir; bu da doğruluğu düşürebilir. Ultralytics Platform ile ekipler, eğitim verilerindeki bu bölgelerin dış hatlarını hassas biçimde izlemek için çokgen açıklamalarını kullanabilir ve böylece modellerin daha doğru, güvenilir tümör segmentasyonu yapmasına yardımcı olabilir.

Önemli çıkarımlar#

Modellerin görüntülerdeki nesne şekillerini yüksek hassasiyetle anlaması gerektiğinde çokgen açıklamaları önem kazanır. 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.

Projelerine görüntü yapay zekâsı katmaya hazır mısın? Topluluğumuza katıl ve otomotiv sektöründeki yapay zekâyı ve robotikte görüntü yapay zekâsını keşfet. Daha fazla bilgi edinmek için GitHub depomuza göz at. Hemen başlamak için lisanslama seçeneklerimizi incele!