Bilgisayarlı görü projeleri için veri etiketlemeyi keşfetme
Bilgisayarlı görü projeleri bağlamında veri etiketleme konusunu kapsamlı biçimde ele alan yazımızı oku; görsel verilerin nasıl etiketleneceğini ve bunun neden bu kadar önemli olduğunu öğren.
Yapay zekâ (AI), makinelere insan benzeri yetenekler kazandırmaya odaklanır ve bunu yapmanın en popüler yollarından biri denetimli öğrenme kullanmaktır. Başka bir deyişle, AI modellerine etiketlenmiş örnekler göstererek öğretmek, kalıplardan öğrenmelerine ve görevlerde daha iyi performans göstermelerine yardımcı olabilir. Bu, insanların deneyimlerinden öğrenmesine çok benzer. Peki, bu etiketlenmiş örnekler nasıl oluşturulur?
Veri anotasyonu, makine öğrenimi algoritmalarının verileri anlamasına yardımcı olmak için verileri etiketlemeyi veya işaretlemeyi içerir. Bilgisayarla görme alanında bu, nesneleri, eylemleri veya sahneleri doğru şekilde tanımak ve kategorilere ayırmak için görüntüleri ya da videoları işaretlemek anlamına gelir. Veri etiketleme hayati önem taşır; çünkü bir AI modelinin başarısı, büyük ölçüde üzerinde eğitildiği etiketlenmiş verilerin kalitesine bağlıdır.
Çalışmalar, AI projesi süresinin %80'inden fazlasının veri toplamadan ve birleştirmeden temizlemeye ve etiketlemeye kadar veri yönetimine harcandığını gösteriyor. Bu, AI modeli geliştirmede veri anotasyonunun ne kadar önemli olduğunu ortaya koyuyor. Yüksek kaliteli anotasyonlu veriler kullanmak, AI modellerinin yüz tanıma ve nesne algılama gibi görevleri gerçek dünya koşullarında daha yüksek doğruluk ve güvenilirlikle gerçekleştirmesini mümkün kılar.
Veri anotasyonu neden gereklidir?#
Veri anotasyonu, bir bilgisayarla görme modelinin ne kadar iyi performans gösterdiğinin temelini oluşturur. Etiketlenmiş veriler, modelin öğrenmek ve tahminlerde bulunmak için kullandığı temel gerçektir. Temel gerçek veriler önemlidir; çünkü modelin anlamaya çalıştığı gerçek dünyayı temsil eder. Bu güvenilir temel olmadan AI modeli, pusula olmadan yol alan bir gemiye benzerdi.
Şekil 1. Temel Gerçek ve Tahmin Karşılaştırması.
Doğru etiketleme, bu modellerin gördüklerini anlamasına yardımcı olur ve daha iyi karar vermelerini sağlar. Veriler kötü etiketlenmiş veya tutarsızsa model, yanlış ders kitaplarından öğrenen bir öğrenci gibi doğru tahminler ve kararlar vermekte zorlanır. Anotasyonlu veriler sayesinde bir model, görüntü ve videolardaki nesneler için görüntü sınıflandırma, örnek bölümleme ve poz tahmini gibi görevleri öğrenebilir.
Veri kümeleri için en iyi kaynaklar#
Yepyeni bir veri kümesi oluşturmadan ve görüntüleri ya da videoları titizlikle etiketlemeden önce, projen için önceden oluşturulmuş veri kümelerini kullanıp kullanamayacağını kontrol etmek iyi bir fikirdir. Yüksek kaliteli veri kümelerine ücretsiz erişebileceğin birçok harika açık kaynak deposu vardır. En popüler olanlardan bazıları şunlardır:
- ImageNet: Görüntü sınıflandırma modellerini eğitmek için yaygın olarak kullanılır.
- COCO: Bu veri kümesi nesne algılama, bölümleme ve görüntü açıklaması oluşturma için tasarlanmıştır.
- PASCAL VOC: Nesne algılama ve bölümleme görevlerini destekler.
Şekil 2. COCO veri kümesindeki veri örnekleri.
Bir veri kümesi seçerken projen için ne kadar uygun olduğu, veri kümesinin boyutu, çeşitliliği ve etiketlerin kalitesi gibi faktörleri göz önünde bulundurman önemlidir. Ayrıca, olası hukuki sonuçlardan kaçınmak için veri kümesinin lisans koşullarını incelemeyi ve verilerin iş akışına ve araçlarına uygun bir biçimde biçimlendirilip biçimlendirilmediğini kontrol etmeyi unutma.
Mevcut veri kümeleri ihtiyaçlarına tam olarak uymuyorsa özel bir veri kümesi oluşturmak harika bir seçenektir. Projenin gereksinimlerine bağlı olarak web kameraları, dronlar veya akıllı telefonlar gibi araçları kullanarak görüntüler toplayabilirsin. İdeal olarak özel veri kümen çeşitli, dengeli ve çözmeye çalıştığın problemi gerçekten temsil eden nitelikte olmalıdır. Bu, farklı aydınlatma koşullarında, çeşitli açılardan ve birden fazla ortamda görüntüler yakalamak anlamına gelebilir.
Yalnızca daha az sayıda görüntü veya video toplayabiliyorsan veri artırma yararlı bir tekniktir. Bu teknik, mevcut görüntülere döndürme, çevirme veya renk ayarlamaları gibi dönüşümler uygulayarak veri kümeni genişletmeyi içerir. Veri kümenin boyutunu artırır ve modelini daha sağlam, verilerdeki değişikliklerle başa çıkma konusunda daha yetenekli hâle getirir. Açık kaynak veri kümeleri, özel veri kümeleri ve artırılmış verilerin bir karışımını kullanarak bilgisayarla görme modellerinin performansını önemli ölçüde artırabilirsin.
Görüntü anotasyonu tekniklerinin türleri#
Görüntülere anotasyon eklemeye başlamadan önce farklı anotasyon türlerine aşina olman önemlidir. Bu, projen için doğru olanı seçmene yardımcı olur. Şimdi başlıca anotasyon türlerinden bazılarına göz atalım.
Sınırlayıcı kutular#
Sınırlayıcı kutular, bilgisayarla görmede en yaygın anotasyon türüdür. Bunlar, bir görüntüdeki nesnenin konumunu işaretlemek için kullanılan dikdörtgen kutulardır. Bu kutular köşelerinin koordinatlarıyla tanımlanır ve AI modellerinin nesneleri tanımlayıp konumlandırmasına yardımcı olur. Sınırlayıcı kutular temel olarak nesne algılama için kullanılır.
Şekil 3. Sınırlayıcı Kutu Örneği.
Bölümleme maskeleri#
Bazen bir nesnenin yalnızca etrafına çizilen bir sınırlayıcı kutuyla algılanandan daha doğru şekilde algılanması gerekir. Bir görüntüdeki nesnelerin sınırlarıyla ilgileniyor olabilirsin. Bu durumda bölümleme maskeleri, karmaşık nesnelerin ana hatlarını belirlemeni sağlar. Bölümleme maskeleri, piksel düzeyinde daha ayrıntılı bir gösterimdir.
Bu maskeler anlamsal bölümleme ve örnek bölümleme için kullanılabilir. Anlamsal bölümleme, bir görüntüdeki her pikseli temsil ettiği nesneye veya alana göre etiketlemeyi içerir; örneğin yaya, araba, yol veya kaldırım. Örnek bölümleme ise her nesneyi ayrı ayrı tanımlayıp ayırarak bir adım daha ileri gider; görüntüdeki tüm arabalar aynı türden olsa bile her bir arabayı birbirinden ayırt etmek buna örnektir.
Şekil 4. Anlamsal Bölümleme (sol) ve Örnek Bölümleme Maskeleri (sağ) Örneği.
3B küboidler#
3B küboidler sınırlayıcı kutulara benzer; onları benzersiz kılan, derinlik bilgisi eklemeleri ve bir nesnenin 3B gösterimini sunmalarıdır. Bu ek bilgi, sistemlerin nesnelerin 3B uzaydaki şeklini, hacmini ve konumunu anlamasını sağlar. 3B küboidler, nesnelerin araçtan uzaklığını ölçmek için otonom araçlarda sıklıkla kullanılır.
Şekil 5. 3B Küboid Örneği.
Anahtar noktalar ve referans noktaları#
Bir diğer ilginç anotasyon türü, gözler, burunlar veya eklemler gibi belirli noktaların nesneler üzerinde işaretlendiği anahtar noktalardır. Referans noktaları ise bu noktaları birbirine bağlayarak yüzler veya vücut pozları gibi daha karmaşık şekillerin yapısını ve hareketini yakalamayı bir adım ileri taşır. Bu anotasyon türleri yüz tanıma, hareket yakalama ve artırılmış gerçeklik gibi uygulamalarda kullanılır. Ayrıca jest tanıma veya spor performansını analiz etme gibi görevlerde AI modellerinin doğruluğunu artırırlar.
Şekil 6. Anahtar Nokta Örneği.
LabelImg kullanarak veri anotasyonu nasıl yapılır?#
Artık farklı anotasyon türlerini ele aldığımıza göre, popüler bir araç olan LabelImg ile görüntülere nasıl anotasyon ekleyebileceğini öğrenelim. LabelImg, görüntü anotasyonunu kolaylaştıran açık kaynaklı bir araçtır ve YOLO (Bir Kez Bak) biçiminde veri kümeleri oluşturmak için kullanılabilir. Küçük Ultralytics YOLOv8 projeleri üzerinde çalışan yeni başlayanlar için harika bir seçenektir.
LabelImg'yi kurmak oldukça kolaydır. Öncelikle bilgisayarında Python 3 yüklü olduğundan emin ol. Ardından hızlı bir komutla LabelImg'yi yükleyebilirsin:
pip3 install labelImgYüklendikten sonra aracı şu komutla başlatabilirsin:
labelImgLabelImg, Windows, macOS ve Linux dahil olmak üzere birden fazla platformda çalışır. Kurulum sırasında herhangi bir sorunla karşılaşırsan resmî LabelImg deposu daha ayrıntılı talimatlar sağlayabilir.
Şekil 7. Görüntü Anotasyonu için LabelImg Kullanımı.
Aracı başlattığında görüntülerini etiketlemeye başlamak için şu basit adımları izle:
- Sınıflarını ayarla: “predefined_classes.txt” adlı bir dosyada anotasyon eklemek istediğin sınıfların (kategorilerin) listesini tanımlayarak başla. Bu dosya, yazılımın görüntülerinde hangi nesneleri etiketleyeceğini bilmesini sağlar.
- YOLO biçimine geç: LabelImg varsayılan olarak PASCAL VOC biçimini kullanır; ancak YOLO ile çalışıyorsan biçimleri değiştirmen gerekir. YOLO'ya geçmek için araç çubuğundaki “PascalVOC” düğmesine tıklaman yeterlidir.
- Anotasyon eklemeye başla: Görüntülerini yüklemek için "Open" veya "OpenDIR" seçeneklerini kullan. Ardından anotasyon eklemek istediğin nesnelerin etrafına sınırlayıcı kutular çiz ve doğru sınıf etiketini ata. Her görüntüyü etiketledikten sonra çalışmanı kaydet. LabelImg, YOLO anotasyonlarını içeren ve görüntünle aynı ada sahip bir metin dosyası oluşturur.
- Kaydet ve incele: Anotasyonlar YOLO biçiminde bir .txt dosyasına kaydedilir. Yazılım ayrıca tüm sınıf adlarının listelendiği bir “classes.txt” dosyası da kaydeder.
Verimli veri etiketleme stratejileri#
Veri etiketleme sürecini daha sorunsuz hâle getirmek için aklında tutman gereken birkaç temel strateji vardır. Örneğin, açık anotasyon yönergeleri kritik önem taşır. Bunlar olmadığında farklı anotatörler bir görevi farklı yorumlayabilir.
Diyelim ki görev, görüntülerdeki kuşlara sınırlayıcı kutularla anotasyon eklemek. Bir anotatör tüm kuşu etiketlerken diğeri yalnızca başını veya kanatlarını etiketleyebilir. Bu tür bir tutarsızlık, eğitim sırasında modelin kafasını karıştırabilir. "Kanatlar ve kuyruk dahil olmak üzere kuşun tamamını etiketle" gibi net tanımların yanı sıra zor durumlar için örnekler ve talimatlar sunarak verilerin doğru ve tutarlı biçimde etiketlenmesini sağlayabilirsin.
Yüksek standartları korumak için düzenli kalite kontrolleri de önemlidir. Karşılaştırma ölçütleri belirleyip çalışmaları incelemek için belirli metrikler kullanarak verilerin doğruluğunu koruyabilir ve sürekli geri bildirim yoluyla süreci iyileştirebilirsin.
Özetle veri etiketleme#
Veri anotasyonu, bilgisayarla görme modelin üzerinde önemli bir etkiye sahip olabilecek basit bir kavramdır. Görüntülere anotasyon eklemek için LabelImg gibi araçlar kullanıyor veya modelleri açık kaynak veri kümeleriyle eğitiyor olsan da veri etiketlemeyi anlamak kritik önem taşır. Veri etiketleme stratejileri tüm süreci kolaylaştırıp daha verimli hâle getirebilir. Anotasyon yaklaşımını iyileştirmeye zaman ayırman, daha iyi ve güvenilir AI sonuçları elde etmeni sağlayabilir.
Keşfetmeye ve becerilerini geliştirmeye devam et! AI hakkında öğrenmeye devam etmek için topluluğumuzla bağlantıda kal! AI'ı üretim ve sağlık hizmetleri gibi sektörlerde yenilikçi çözümler oluşturmak için nasıl kullandığımızı keşfetmek üzere GitHub depomuza göz at. 🚀
