Bilgisayarlı görüde denetimli ve denetimsiz öğrenmeyi keşfetme

Yapay zeka (AI), makinelere insan zekasına benzer şekillerde öğrenmeyi ve akıl yürütmeyi öğretme temel kavramı üzerine inşa edilmiştir. İnsanların doğrudan talimat veya desenleri ve deneyimleri gözlemleme gibi farklı yöntemlerle öğrenmesine benzer şekilde, AI ve makine öğrenimi sistemleri de aynı yaklaşımları izleyecek şekilde tasarlanmıştır.

Özellikle makine öğrenimi algoritmaları söz konusu olduğunda, sistemler her görev için açıkça programlanmak yerine verilerden öğrenecek şekilde eğitilir. Sabit kurallara güvenmek yerine, makine öğrenimi modelleri verilerdeki desenleri tanımlar ve bu desenleri tahminler yapmak veya kararlar almak için kullanır.

Örneğin, bilgisayarlı görü, sistemlerin resimler ve videolar gibi görsel bilgileri yorumlamasını ve anlamasını sağlamaya odaklanan bir AI ve makine öğrenimi dalıdır. Nesneleri tanımaktan büyük veri setlerindeki gizli desenleri tanımlamaya kadar, bu sistemler öğrenmek için nasıl eğitildiklerine büyük ölçüde güvenirler.

Mevcut verinin türüne ve çözülen soruna bağlı olarak, bu sistemleri eğitmek için çeşitli AI öğrenme teknikleri kullanılır.

Bazı bilgisayarlı görü modelleri, her girdinin doğru bir cevapla eşleştirildiği etiketli verilerden öğrenir; yani her resim veya veri noktası, modele neyi temsil ettiğini söyleyen önceden tanımlanmış bir etiketle gelir. Bu, modelin girdi ile beklenen çıktı arasındaki ilişkiyi öğrenmesini sağlar ve yeni, görülmemiş veriler üzerinde doğru tahminler yapma yeteneğini geliştirir.

Diğer görü modelleri ise önceden tanımlanmış cevapların sunulmadığı etiketlenmemiş verilerden öğrenir ve bunun yerine verinin kendisindeki desenleri ve ilişkileri tanımlamaya odaklanır. Bu yaklaşımlar sırasıyla denetimli öğrenme ve denetimsiz öğrenme olarak bilinir ve birçok son teknoloji bilgisayarlı görü sisteminin temelini oluştururlar.

Bu makalede, denetimli ve denetimsiz öğrenmeyi, bunların bilgisayarlı görüde nasıl kullanıldığını ve görü AI projeniz için en uygun yaklaşımı nasıl seçeceğinizi keşfedeceğiz. Başlayalım!

Link to this sectionAI öğrenme yaklaşımları bilgisayarlı görüye nasıl güç verir#

Yapay zekayı makinelerin genellikle insan zekası gerektiren görevleri yerine getirmesini sağlayan bir dizi teknolojiyi kapsayan bir şemsiye gibi düşünebilirsin. Bu şemsiye altında makine öğrenimi, sistemlerin yalnızca sabit kurallara güvenmek yerine verilerden öğrenmesini mümkün kılan kilit bir alandır.

Makine öğrenimi içinde, farklı öğrenme teknikleri bir modelin zamanla nasıl öğrendiğini ve geliştiğini belirler. Denetimli öğrenme (doğru cevaplarla etiketli verilerden öğrenme), denetimsiz öğrenme (etiketlenmemiş verilerdeki desenleri tanımlama), pekiştirmeli öğrenme (geri bildirim veya ödüller kullanarak deneme yanılma yoluyla öğrenme) ve yarı denetimli öğrenme (az miktarda etiketli veriyi büyük miktarda etiketlenmemiş veriyle birleştirme) gibi yaklaşımlar, sistemlerin girdi verilerini nasıl işlediğini ve çıktı verilerini nasıl ürettiğini tanımlar.

Şekil 1. AI öğrenme yöntemlerine genel bakış (Kaynak)

Özellikle bilgisayarlı görü sistemleri, görsel verileri yorumlamak ve anlamak için bu tür öğrenme yaklaşımları kullanılarak oluşturulur. Denetimli öğrenme, modellerin net bir şekilde etiketlenmiş örneklerden öğrenmesini ve doğru, güvenilir sonuçlar üretmesini sağladığı için en yaygın kullanılan yöntemdir.

Örneğin, bir model “kedi” ve “köpek” olarak etiketlenmiş resimler üzerinde eğitilebilir ve sınıflandırma algoritmalarını kullanarak yeni resimleri doğru bir şekilde sınıflandırabilmesi için şekil, kulaklar ve yüz yapısı gibi özellikleri öğrenebilir. Bu arada, denetimsiz ve yarı denetimli öğrenme de bilgisayarlı görüde, genellikle verilerdeki desenleri keşfetmek veya etiketli veri sınırlı olduğunda performansı artırmak için kullanılır.

Link to this sectionBilgisayarlı görüde denetimli öğrenme modellerini kullanmaya bir bakış#

Denetimli öğrenme algoritmalarını, bir öğretmenin öğrencilerin neyin doğru neyin yanlış olduğunu öğrenebilmesi için doğru cevaplarla birlikte örnekler sunduğu bir sınıf ortamıyla karşılaştırabilirsin. Makine öğreniminde modeller, her girdinin bilinen bir çıktı ile eşleştirildiği etiketli verileri kullanarak benzer bir şekilde öğrenir.

Beyzbol maçlarının analizini otomatikleştiren bir bilgisayarlı görü sistemi oluşturma üzerinde çalıştığını varsayalım. Ultralytics YOLO26 gibi bir modeli, top, sopa ve oyuncular gibi nesnelerin etiketlendiği resimler veya video kareleri üzerinde eğitebilirsin.

Her nesne konumu ve kategorisi ile işaretlenir, bu da modelin neye bakması gerektiğini öğrenmesini sağlar. Zamanla model, bu nesneleri yeni görüntülerde tespit edip konumlandırabilir ve kareler arasında top takibi ve oyuncu tespiti gibi kullanım durumlarını destekleyebilir.

Şekil 2. Denetimli öğrenme ile etkinleştirilen nesne tespitine bir örnek (Kaynak)

Nesne tespitinin ötesinde, denetimli öğrenme; görüntü sınıflandırma, örnek segmentasyonu ve poz tahmini gibi doğruluk ve tutarlılığın önemli olduğu bir dizi bilgisayarlı görü görevinde yaygın olarak kullanılır. Bu görevlerin her birinde modeller, belirli desenleri tanımlamak ve yeni girdiler üzerinde güvenilir tahminler yapmak için etiketli verilerden öğrenir.

Bu modeller genellikle, kalıpları doğrudan verilerden öğrenmek için sinir ağlarını kullanan bir makine öğrenimi türü olan derin öğrenme kullanılarak oluşturulur. Sinir ağları, bilgiyi insan beyninin çalışma şeklinden esinlenerek işlemek üzere tasarlanmıştır ve modellerin büyük veri setlerinden karmaşık görsel özellikleri öğrenmesine olanak tanır.

Daha önceki bilgisayarlı görü yaklaşımları genellikle manuel olarak tasarlanmış özellikleri, destek vektör makineleri (SVM'ler, verileri kategoriler arasındaki en iyi sınırı bularak sınıflandıran modellerdir) veya karar ağaçları (verileri dallara ayırarak kararlar alan modeller) gibi algoritmalarla birleştirerek kullanırdı.

Buna karşılık, günümüzdeki bilgisayarlı görü modelleri bu özellikleri verilerden otomatik olarak öğrenmek için derin öğrenmeyi kullanır, bu da onları büyük ölçekli ve çok ayrıntılı görsel görevleri ele almada daha etkili hale getirir.

Link to this sectionGörü AI'da denetimsiz öğrenme modellerine duyulan ihtiyacı anlama#

Denetimli öğrenme bilgisayarlı görüde başvurulan yaklaşım olsa da, etiketli verinin mevcut olmadığı veya oluşturulmasının çok pahalı ve zaman alıcı olduğu bazı görü uygulamaları vardır.

Bu gibi durumlarda, denetimsiz öğrenme algoritmaları yararlı bir alternatif olabilir. Bir vahşi yaşam kamerasından gelen büyük bir etiketlenmemiş fotoğraf koleksiyonuna sahip olduğunu varsayalım.

Her resmin ne içerdiğini belirten hiçbir etiket yoktur, ancak yine de verileri düzenlemek veya anlamak istiyorsun. Denetimsiz bir model bu resimleri analiz edebilir ve birbirine benzeyenleri gruplayabilir, tam etiketlerini bilmese bile birbirine benzeyen hayvanları kümelere ayırabilir.

Link to this sectionDenetimsiz öğrenme bilgisayarlı görüde nasıl çalışır#

Peki, denetimsiz makine öğrenimi nasıl çalışır? Model, doğru cevaplardan öğrenmek yerine, verilerdeki desenleri ve yapıyı kendi başına tanımlayarak öğrenir. Etiketli örneklere güvenmeden verilerdeki benzerlikleri ve farklılıkları arar.

Yaygın bir kullanım durumu, modelin normal verilerin nasıl göründüğünü öğrendiği ve ardından ondan sapan her şeyi tanımladığı anomali tespitidir. Anomali ve aykırı değer tespiti, en etkili endüstriyel uygulamalardan biridir. Örnekler arasında bir üretim hattındaki kusurlu öğeleri fark etmek, radyolog incelemesi için olağandışı tıbbi taramaları işaretlemek veya güvenlik görüntülerindeki şüpheli etkinlikleri tespit etmek yer alır. Kusurlar ve anomaliler genellikle nadir ve çeşitli olduğundan, her olası vakayı etiketlemek pratik değildir, bu da denetimsiz yaklaşımları doğal bir uyum haline getirir.

Bunu desteklemek için, genellikle ham resimlerin kendisinden ziyade resimlerden çıkarılan özellikler üzerinde kümeleme ve boyutsallık azaltma gibi teknikler kullanılır. K-means kümeleme gibi kümeleme yöntemleri, paylaşılan desenlere göre benzer resimleri gruplandırırken, temel bileşen analizi (PCA) gibi boyutsallık azaltma teknikleri en önemli özelliklere odaklanarak verileri basitleştirir.

Bu, modelin büyük ve karmaşık veri setlerindeki anlamlı desenleri ve yapıyı tanımlamasını kolaylaştırır. Denetimsiz öğrenmenin temel avantajı, etiketlenmemiş verilerle iyi çalışması ve hemen belli olmayan desenleri ortaya çıkarabilmesidir. Bununla birlikte, değerlendirilmesi daha zordur ve denetimli öğrenmeye kıyasla nihai çıktı üzerinde daha az kontrol sağlar.

Link to this sectionBilgisayarlı görüde öz denetimli ve yarı denetimli öğrenme#

Denetimli ve denetimsiz öğrenmeyi keşfederken, ikisi arasında bir orta yol olup olmadığını merak edebilirsin. İlginç bir şekilde, öz denetimli ve yarı denetimli öğrenme, denetimli ve denetimsiz öğrenme arasındaki boşluğu doldurur.

Bu yaklaşımlar, modellerin etiketlenmemiş verilerden daha etkili bir şekilde öğrenmesini mümkün kılar. Yalnızca etiketli örneklere güvenmek yerine, ya verilerden kendi öğrenme görevlerini oluştururlar ya da küçük bir etiketli veri setini daha büyük bir etiketlenmemiş veri setiyle birleştirirler.

Öz denetimli öğrenmede, model verinin kendisinden oluşturulan görevleri çözerek öğrenir. Örneğin, eksik bir parçası olan bir resim verilebilir ve o boşluğu neyin doldurması gerektiğini tahmin etmeyi öğrenebilir veya aynı nesnenin farklı görünümlerini tanımayı öğrenebilir. Bu, modelin manuel etiketlere ihtiyaç duymadan yararlı özellikleri öğrenmesine yardımcı olur.

Öte yandan, yarı denetimli öğrenmede, performansı artırmak için daha büyük bir etiketlenmemiş veri setiyle birlikte az miktarda etiketli veri kullanılır. Bazı durumlarda model, etiketlenmemiş veriler için etiketler oluşturabilir ve bunları öğrenmeye devam etmek için kullanabilir.

Bu yaklaşımların temel yararı, genellikle oluşturulması pahalı ve zaman alıcı olan büyük etiketli veri setlerine olan ihtiyacı azaltmalarıdır. Ancak, tam denetimli yöntemlere kıyasla tasarlanmaları ve değerlendirilmeleri daha karmaşık olabilir.

Link to this sectionDenetimli ve denetimsiz öğrenme arasındaki temel farklar#

Denetimli ve denetimsiz öğrenme arasındaki fark, bir modelin nasıl öğrendiğine ve neyi başarmaya çalıştığına dayanır. Denetimli öğrenme belirli görevleri öğrenmek için etiketli verilere ve net rehberliğe güvenirken, denetimsiz öğrenme önceden tanımlanmış cevaplar olmadan çalışır ve verilerdeki desenleri ve yapıyı keşfetmeye odaklanır.

Örneğin, bir trafik izleme sisteminde, denetimli bir öğrenme modeli araçları, yayaları veya trafik ışıklarını tespit etmek için etiketli resimler üzerinde eğitilebilir. Buna karşılık, denetimsiz bir model, benzer trafik desenlerini gruplandırmak veya beklenmedik sıkışıklık veya anormal hareket gibi olağandışı olayları, neye bakması gerektiği açıkça söylenmeden tanımlamak için büyük miktarda video görüntülerini analiz edebilir.

Link to this sectionBilgisayarlı görüde denetimli öğrenme ne zaman kullanılır#

Denetimli öğrenme, hedefin net bir şekilde tanımlandığı ve modelin girdi verilerini doğru çıktılarla eşleştirmesi gereken bilgisayarlı görü görevleri için harika bir seçenektir. Özellikle güvenilir bir etiketli veri setin olduğunda ve tutarlı, tahmin edilebilir sonuçlara ihtiyaç duyduğunda çok iyi çalışır.

Şekil 3. Denetimli öğrenme tarafından yönlendirilen bilgisayarlı görü görevleri (Kaynak)

Genellikle modelin bilinen kategoriler arasında ayrım yapması veya belirli sonuçları tahmin etmesi gereken problemler için kullanılır. Desenleri keşfetmek yerine odak noktası, etiketli verilerden kesin ilişkiler öğrenmektir, bu da modeli istenen sonuca yönlendirmeyi kolaylaştırır.

Bir diğer önemli avantajı da kontroldür. Denetimli öğrenme ile performansı net ölçümler kullanarak ölçmek, modeli ince ayarlamak ve dağıtım sırasında istikrarlı bir davranış sağlamak daha kolaydır. Bu, zaman içinde tutarlılık ve güvenilirlik gerektiren sistemler için mükemmeldir.

Ancak bu, bir ödünleşimle birlikte gelir. Model, etiketli verilerin kalitesine ve ölçeğine büyük ölçüde bağlıdır ve bu tür verileri toplamak ve açıklama eklemek zaman alıcı olabilir.

Link to this sectionDenetimli bilgisayarlı görünün gerçek dünya örnekleri#

Ultralytics YOLO modelleri gibi görü AI modelleri, özellikle gerçek zamanlı uygulamalarda yüksek doğrulukla nesne tespiti gibi görevleri yerine getirmek için denetimli öğrenmeyi kullanır. İşte denetimli öğrenmenin fark yarattığı bazı yaygın gerçek dünya görü kullanım durumları:

• Sağlık ve tıbbi görüntüleme: Doktorlar, tümör veya kırık gibi durumları tanımlamak için sınıflandırıcıların kullanıldığı, röntgen veya MRI gibi etiketli taramalar üzerinde eğitilmiş bilgisayarlı görü sistemlerini kullanarak daha hızlı ve daha doğru teşhisleri destekleyebilirler.
• Endüstriyel kalite kontrolü: Üretim ortamlarında, etiketli veriler üzerinde eğitilmiş görü sistemleri, şekil, yüzey kusurları, doku ve boyut gibi kaliteyle ilgili bir dizi özelliği analiz ederek ürünleri denetleyebilir. Hem kabul edilebilir hem de kusurlu ürün örneklerinden öğrenerek, bu sistemler hataları tutarlı bir şekilde tanımlayabilir ve üretim standartlarını koruyabilir.
• Otonom sürüş: Kendi kendine giden sistemler, şeritleri, araçları, yayaları ve trafik işaretlerini tanımak için etiketli sürüş verileri üzerinde eğitilmiş modellere güvenir ve bu da araçların gerçek zamanlı olarak güvenli bir şekilde hareket etmesine yardımcı olur.
• Perakende ve ödeme sistemleri: Mağazalar, raflardaki veya kasadaki öğeleri tanımlamak için etiketli ürün resimleri üzerinde eğitilmiş modelleri kullanır, bu da otomatik faturalandırmayı ve daha verimli envanter yönetimini mümkün kılar. Bu sistemler, ek verilerle birleştirildiğinde müşteri segmentasyonu gibi görevleri de destekleyerek işletmelerin alışveriş modellerini daha iyi anlamalarına yardımcı olabilir.
• Tarım ve ürün izleme: Çiftçiler, sağlıklı ve hasarlı patatesleri tanımlayıp saymak gibi mahsulleri tespit etmek ve sınıflandırmak için etiketli resimler üzerinde eğitilmiş modelleri kullanabilir, böylece kalite kontrolü iyileştirilir ve kayıplar azaltılır.

Şekil 4. Sağlıklı ve kusurlu patatesleri tespit etmek ve saymak için YOLO kullanma

Link to this sectionBilgisayarlı görüde denetimsiz öğrenme ne tür problemleri çözebilir#

Denetimsiz öğrenme, yeterli etiketli verin olmadığında veya verilerin net cevaplarla gelmediğinde kullanışlıdır. Bu durumlarda amaç tam tahminler yapmak değil, verilerdeki desenleri ve yapıyı anlamaktır.

Genellikle etiketlenmemiş bir veri setini ilk kez keşfederken kullanılır. Modele neye bakacağını söylemek yerine, benzerlikleri tanımlamasına, ilgili resimleri gruplandırmasına veya olağandışı desenleri kendi başına vurgulamasına izin verirsin.

Büyük bir resim koleksiyonunda denetimsiz bir yaklaşım, benzer resimleri birlikte düzenlemeye veya daha fazla dikkat gerektirebilecek aykırı değerleri işaretlemeye yardımcı olabilir. Bu, onu veri bilimi projelerinde yararlı bir başlangıç noktası yapar.

GAN'lar, varyasyonel otoencoder'lar ve difüzyon modelleri dahil olmak üzere üretken modeller, tamamen yeni resimler oluşturmak için resimlerin altında yatan dağılımı öğrenir. Bu modeller; resim sentezleme, inpainting, süper çözünürlük ve stil transferi gibi uygulamalara güç verir ve günümüzün üretken AI sistemlerinin temelini oluşturur.

Denetimsiz segmentasyonda, bazı yöntemler etiketli maskelere güvenmeden pikselleri veya bölgeleri uyumlu segmentler halinde gruplandırır; bu, açıklama çok maliyetli olduğunda veya hedef önceden tanımlanmış kategorilerle eşleşmekten ziyade yapıyı keşfetmek olduğunda kullanışlıdır.

Denetimsiz öğrenme, etiketlemenin zaman alıcı olduğu veya pratik olmadığı büyük veri setleriyle çalışırken de etkilidir. Bu gibi durumlarda, etiketli eğitim verilerine güvenmeden verilerden içgörü elde etmeni sağlar.

Ayrıca üretken AI (resim, metin veya ses gibi yeni veriler oluşturan modeller) ve temsil öğrenme (ham verilerden yararlı özellikler veya desenler öğrenen modeller) gibi alanlarda da yaygın olarak kullanılır, burada modeller büyük miktardaki verilerden genel özellikleri öğrenir. Genel olarak, problemin keşif, desen keşfi veya etiketlenmemiş verilerle çalışma içeriyorsa, denetimsiz öğrenme dikkate alınması gereken esnek ve pratik bir yaklaşımdır.

Link to this sectionBilgisayarlı görüde denetimsiz öğrenmenin gerçek dünya örnekleri#

İşte bilgisayarlı görüde denetimsiz öğrenmenin uygulandığı kullanım durumlarına dair bazı örnekler:

• Üretimde anomali tespiti: Modeller normal ürünlerin neye benzediğini öğrenebilir ve her olası kusurun etiketli örneklerine ihtiyaç duymadan kusurları veya düzensizlikleri işaretleyebilir.
• Resim düzenleme ve arama: Fotoğraf kütüphaneleri veya e-ticaret katalogları gibi büyük resim koleksiyonları, görsel benzerliğe dayalı olarak otomatik olarak gruplandırılabilir, bu da veri bilimcilerin büyük veri setlerini düzenlemesini, keşfetmesini ve aramasını kolaylaştırır.
• Gözetim ve güvenlik: Sistemler, etiketli olaylar üzerinde açıkça eğitilmeden, beklenmedik hareket veya kalabalık değişiklikleri gibi olağandışı desenleri veya davranışları tanımlamak için video görüntülerini analiz edebilir.
• Ön işleme ve veri keşfi: Denetimsiz yöntemler, genellikle denetimli modelleri eğitmeden önce ham resim verilerini keşfetmek ve yapılandırmak için kullanılır, bu da veri kalitesini artırmaya ve manuel çabayı azaltmaya yardımcı olur.

Link to this sectionDenetimli ve denetimsiz öğrenmenin pratik sınırlamaları#

Her iki öğrenme yaklaşımının avantajlarına rağmen, göz önünde bulundurulması gereken bazı sınırlamalar vardır. İşte bilgisayarlı görü modelleri oluştururken akılda tutulması gereken bazı pratik faktörler:

• Denetimli modellerde aşırı uyum (overfitting): Denetimli öğrenmede bir model, genel desenleri öğrenmek yerine eğitim verilerini çok yakından öğrenebilir. Bu genellikle veri seti küçük veya yeterince çeşitli olmadığında gerçekleşir. Örneğin, bir ürün türündeki kusurları tespit etmek için eğitilmiş bir model, biraz farklı ürünlerden veya aydınlatma koşullarından oluşan yeni veriler üzerinde test edildiğinde başarısız olabilir.
• Kümeleme algoritmalarıyla ilgili zorluklar: Denetimsiz öğrenmede bir model, benzer veri noktalarını gruplandırabilir. Ancak veriler gürültülü, tutarsız olduğunda veya net bir yapıdan yoksun olduğunda bu durum bozulabilir. Örneğin, resim gruplandırma görevlerinde, benzer renklere ancak farklı nesnelere sahip resimler yanlışlıkla birlikte gruplandırılabilir.
• Doğru ön işlemenin önemi: Eğitimden önce verilerin temizlenmesi ve hazırlanması gerekir. Bu genellikle resim işleme ve veri dönüşümünü ele alan Python kütüphaneleri kullanılarak yapılır. Resimlerin boyut, kalite veya aydınlatma açısından değişebileceği bilgisayarlı görüde bu özellikle önemlidir. Doğru ön işleme olmadan, modeller anlamlı desenler yerine gürültüden öğrenebilir ve bu da düşük performansa yol açar.

Link to this sectionÖne çıkanlar#

Bilgisayarlı görüde hem denetimli hem de denetimsiz öğrenme önemli roller oynar. Doğru yaklaşım, sahip olduğun verinin türüne, etiketli veya etiketlenmemiş olmasına ve çözmeye çalıştığın probleme ve dağıtım ihtiyaçlarına bağlıdır.

Hedefin yüksek doğruluk ve net bir şekilde tanımlanmış çıktılarsa, denetimli makine öğrenimi genellikle daha iyi bir seçimdir. Verileri keşfediyorsan veya etiketler olmadan çalışıyorsan, denetimsiz öğrenme daha uygun olabilir.

AI hakkında daha fazla şey öğrenmek mi istiyorsun? Topluluğumuza ve GitHub depomuza göz at. Robotikte AI ve tarımda bilgisayarlı görü hakkında bilgi edinmek için çözüm sayfalarımızı keşfet. Lisanslama seçeneklerimizi keşfet ve bugün bilgisayarlı görü ile bir şeyler oluşturmaya başla!