Bilgisayar görme alanında denetimli ve denetimsiz öğrenmenin karşılaştırılması

Yapay zeka (AI), makinelere insan zekasına benzer şekilde öğrenmeyi ve akıl yürütmeyi öğretme temel kavramı üzerine kuruludur. İnsanların doğrudan öğretim ya da kalıpları ve deneyimleri gözlemleme gibi farklı yöntemlerle öğrenmesine benzer şekilde, yapay zeka ve makine öğrenimi sistemleri de bu yaklaşımları izleyecek şekilde tasarlanmıştır.

Özellikle makine öğrenimi algoritmaları söz konusu olduğunda, sistemler her görev için ayrı ayrı programlanmak yerine verilerden öğrenmek üzere eğitilir. Makine öğrenimi modelleri, sabit kurallara dayanmak yerine verilerdeki kalıpları tespit eder ve bu kalıpları kullanarak tahminlerde bulunur veya kararlar alır.

Örneğin, bilgisayar görme, sistemlerin görüntü ve videolar gibi görsel bilgileri yorumlayıp anlamasını sağlamaya odaklanan bir yapay zeka ve makine öğrenimi dalıdır. Nesneleri tanımlamaktan büyük veri kümelerindeki gizli kalıpları tespit etmeye kadar, bu sistemler öğrenme süreçlerinde büyük ölçüde nasıl eğitildiklerine bağlıdır.

Mevcut verilerin türüne ve çözülmesi gereken soruna bağlı olarak, bu sistemleri eğitmek için çeşitli yapay zeka öğrenme teknikleri kullanılır. 

Bazı bilgisayar görme modelleri, etiketli verilerden öğrenir; bu verilerde her girdi doğru bir cevapla eşleştirilmiştir, yani her görüntü veya veri noktası, modele neyi temsil ettiğini belirten önceden tanımlanmış bir etiketle birlikte gelir. Bu, modelin girdi ile beklenen çıktı arasındaki ilişkiyi öğrenmesini sağlar ve yeni, daha önce görülmemiş veriler üzerinde doğru tahminlerde bulunma yeteneğini geliştirir.

Diğer görme modelleri, önceden tanımlanmış cevapların bulunmadığı etiketlenmemiş verilerden öğrenir ve bunun yerine verilerin içindeki kalıpları ve ilişkileri tespit etmeye odaklanır. Bu yaklaşımlar sırasıyla denetimli öğrenme ve denetimsiz öğrenme olarak bilinir ve birçok son teknoloji bilgisayar görme sisteminin temelini oluşturur.

Bu makalede, denetimli ve denetimsiz öğrenmeyi, bunların bilgisayar görme alanında nasıl kullanıldığını ve görsel yapay zeka projenize en uygun yaklaşımı nasıl seçeceğinizi ele alacağız. Hadi başlayalım!

Yapay zeka öğrenme yaklaşımları bilgisayar görme alanını nasıl destekliyor?

Yapay zekayı, makinelerin genellikle insan zekası gerektiren görevleri yerine getirmelerini sağlayan bir dizi teknolojiyi kapsayan bir şemsiye gibi düşünebilirsiniz. Bu şemsiyenin altında yer alan makine öğrenimi, sistemlerin yalnızca sabit kurallara dayanmak yerine verilerden öğrenmesini mümkün kılan kilit bir alandır.

Makine öğrenimi kapsamında, farklı öğrenme teknikleri bir modelin zaman içinde nasıl öğrendiğini ve geliştiğini belirler. Denetimli öğrenme (doğru cevapları içeren etiketli verilerden öğrenme), denetimsiz öğrenme (etiketlenmemiş verilerdeki kalıpları belirleme), 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.

Özellikle bilgisayar görme sistemleri, görsel verileri yorumlamak ve anlamak için bu tür öğrenme yaklaşımları kullanılarak geliştirilmektedir. Denetimli öğrenme, modellerin açıkça etiketlenmiş örneklerden öğrenmesine ve doğru, güvenilir sonuçlar üretmesine olanak tanıdığı için en yaygın olarak kullanılan yöntemdir. 

Örneğin, bir model “kedi” ve “köpek” olarak etiketlenmiş görüntülerle eğitilebilir; şekil, kulaklar ve yüz yapısı gibi özellikleri öğrenerek sınıflandırma algoritmalarını kullanarak classify görüntüleri doğru bir şekilde classify . Öte yandan, bilgisayar görme alanında denetimsiz ve yarı denetimli öğrenme de sıklıkla verideki kalıpları keşfetmek veya etiketli verinin sınırlı olduğu durumlarda performansı artırmak amacıyla kullanılır.

Bilgisayar görme alanında denetimli öğrenme modellerinin kullanımına bir bakış

Denetimli öğrenme algoritmalarını, bir öğretmenin doğru cevaplarla birlikte örnekler verdiği ve böylece öğrencilerin neyin doğru neyin yanlış olduğunu öğrenebildiği bir sınıf ortamına benzetebilirsiniz. Makine öğrenmesinde ise modeller, her bir girdinin bilinen bir çıktı ile eşleştirildiği etiketli veriler kullanarak benzer bir şekilde öğrenir.

Diyelim ki beyzbol maçlarının analizini otomatikleştiren bir bilgisayar görme sistemi geliştiriyorsunuz. Top, sopa ve oyuncular gibi nesnelerin etiketlendiği görüntüler veya video kareleri üzerinde Ultralytics gibi bir modeli eğitebilirsiniz. 

Her nesne, konumu ve kategorisi ile işaretlenecek ve böylece model neyi araması gerektiğini öğrenebilecektir. Zamanla model, yeni görüntülerde bu nesneleri detect konumlarını belirleyebilecek ve bu sayede kareler arası top takibi ve oyuncu algılama gibi kullanım senaryolarını destekleyecektir.

Nesne algılamanın ötesinde, denetimli öğrenme, doğruluk ve tutarlılığın önemli olduğu görüntü sınıflandırma, örnek segmentasyonu ve duruş tahmini gibi çeşitli bilgisayar görme görevlerinde yaygın olarak kullanılmaktadır. Bu görevlerin her birinde modeller, belirli kalıpları tanımlamak ve yeni girdiler üzerinde güvenilir tahminlerde bulunmak için etiketli verilerden öğrenir.

Bu modeller genellikle derin öğrenme kullanılarak oluşturulur; derin öğrenme, sinir ağları aracılığıyla verilerden doğrudan kalıpları öğrenen bir makine öğrenimi türüdür. Sinir ağları, insan beyninin işleyişinden genel hatlarıyla esinlenerek bilgileri işleyecek şekilde tasarlanmıştır; bu sayede modeller, büyük veri kümelerinden karmaşık görsel özellikleri öğrenebilir.

Eski bilgisayar görme yaklaşımları genellikle, destek vektör makineleri (SVM'ler, kategoriler arasındaki en uygun sınırı bularak classify modellerdir) veya karar ağaçları (verileri dallara ayırarak karar veren modeller) gibi algoritmalarla birleştirilmiş, elle tasarlanmış özelliklere dayanıyordu. 

Buna karşılık, günümüzün bilgisayar görme modelleri derin öğrenmeyi kullanarak bu özellikleri verilerden otomatik olarak öğreniyor ve bu sayede büyük ölçekli ve son derece ayrıntılı görsel görevleri daha etkili bir şekilde yerine getiriyor.

Görsel yapay zekada denetimsiz öğrenme modellerine duyulan ihtiyacın anlaşılması

Bilgisayar görme alanında denetimli öğrenme en yaygın yaklaşım olsa da, etiketli verilerin bulunmadığı ya da bu verilerin oluşturulmasının çok pahalı ve zaman alıcı olduğu belirli görme uygulamaları da mevcuttur. 

Bu durumlarda, denetimsiz öğrenme algoritmaları yararlı bir alternatif olabilir. Diyelim ki, bir vahşi yaşam kamerasından elde edilmiş, etiketlenmemiş çok sayıda fotoğrafınız var. 

Her görüntünün içeriğini belirten etiketler bulunmuyor, ancak yine de verileri düzenlemek veya anlamak istiyorsunuz. Denetimsiz bir model, bu görüntüleri analiz ederek benzer olanları bir araya toplayabilir ve birbirine benzeyen hayvanları, tam etiketlerini bilmeden bile kümeler halinde ayırabilir.

Bilgisayar görme alanında denetimsiz öğrenme nasıl işler?

Peki, denetimsiz makine öğrenimi nasıl işler? Model, doğru cevaplardan öğrenmek yerine, veriler içindeki kalıpları ve yapıyı kendi başına tespit ederek öğrenir. Etiketlenmiş örneklere dayanmadan veriler arasında benzerlikleri ve farklılıkları arar.

Yaygın bir kullanım örneği, modelin normal verilerin nasıl göründüğünü öğrenip bundan sapma gösteren her şeyi tespit ettiği anomali tespitidir. Anormallik ve uç değer tespiti, en etkili endüstriyel uygulamalardan biridir. Örnekler arasında üretim hattındaki kusurlu ürünlerin tespit edilmesi, radyologların incelemesi için olağandışı tıbbi taramaların işaretlenmesi veya güvenlik kamerası görüntülerinde şüpheli faaliyetlerin tespit edilmesi sayılabilir. Kusurlar ve anormallikler genellikle nadir ve çeşitlidir, bu nedenle her olası durumu etiketlemek pratik değildir; bu da denetimsiz yaklaşımları doğal bir seçim haline getirir.

Bunu desteklemek amacıyla, genellikle ham görüntülerden ziyade görüntülerden çıkarılan özellikler üzerinde kümeleme ve boyut indirgeme gibi teknikler sıklıkla kullanılır. K-ortalamaları kümeleme gibi kümeleme yöntemleri, ortak kalıplara dayalı olarak benzer görüntüleri bir araya getirirken, temel bileşen analizi (PCA) gibi boyut indirgeme teknikleri ise en önemli özelliklere odaklanarak verileri sadeleştirir. 

Bu, modelin büyük ve karmaşık veri kümeleri içinde anlamlı kalıpları ve yapıları tespit etmesini kolaylaştırır. Denetimsiz öğrenmenin en büyük avantajı, etiketlenmemiş verilerle iyi sonuç vermesi ve ilk bakışta göze çarpmayan kalıpları ortaya çıkarabilmesidir. Bununla birlikte, denetimli öğrenmeye kıyasla değerlendirilmesi daha zordur ve nihai çıktı üzerinde daha az kontrol sağlar.

Bilgisayar görmesinde kendi kendine öğrenme ve yarı denetimli öğrenme

Denetimli ve denetimsiz öğrenmeyi incelerken, bu ikisi arasında bir orta yol olup olmadığını merak edebilirsiniz. İlginç bir şekilde, kendi kendine 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 örnekleri kullanmak yerine, ya verilerden kendi öğrenme görevlerini oluştururlar ya da küçük bir etiketli veri kümesini daha büyük bir etiketlenmemiş veri kümesiyle birleştirirler.

Kendi kendine denetimli öğrenmede, model verilerin kendisinden oluşturulan görevleri çözerek öğrenir. Örneğin, modelin eksik bir kısmı olan bir görüntü verilebilir ve o boşluğu neyin doldurması gerektiğini tahmin etmeyi öğrenebilir ya da aynı nesnenin farklı açıdan çekilmiş görüntülerini tanımayı öğrenebilir. Bu, modelin manuel etiketlere ihtiyaç duymadan yararlı özellikleri öğrenmesine yardımcı olur.

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

Bu yaklaşımların en önemli avantajı, oluşturulması genellikle maliyetli ve zaman alıcı olan büyük etiketli veri kümelerine olan ihtiyacı azaltmalarıdır. Bununla birlikte, tamamen denetimli yöntemlere kıyasla tasarımı ve değerlendirilmesi daha karmaşık olabilir.

Denetimli ve denetimsiz öğrenme arasındaki temel farklar

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

Örneğin, bir trafik izleme sisteminde, denetimli öğrenme modeli, etiketlenmiş görüntüler üzerinde eğitilerek detect , yayaları veya trafik ışıklarını detect edebilir. Buna karşılık, denetimsiz bir model, neye bakması gerektiği açıkça belirtilmeden, büyük miktarda video kaydını analiz ederek benzer trafik akışlarını gruplandırabilir veya beklenmedik trafik sıkışıklığı ya da anormal hareketler gibi olağandışı olayları tespit edebilir.

Bilgisayar görme alanında denetimli öğrenme ne zaman kullanılmalıdır?

Denetimli öğrenme, hedefin net bir şekilde tanımlandığı ve modelin girdi verilerini doğru çıktılara eşleştirmesi gereken bilgisayar görme görevleri için mükemmel bir seçenektir. Bu yöntem, özellikle güvenilir bir etiketli veri kümesine sahip olduğunuzda ve tutarlı, öngörülebilir sonuçlara ihtiyaç duyduğunuzda oldukça etkili olur.

Bu yöntem genellikle, modelin bilinen kategoriler arasında ayrım yapması veya belirli sonuçları tahmin etmesi gereken durumlarda kullanılır. Desenleri keşfetmek yerine, etiketli verilerden kesin ilişkileri öğrenmeye odaklanılır; bu da modeli istenen sonuca yönlendirmeyi kolaylaştırır.

Bir diğer önemli avantaj ise kontrol imkanıdır. Denetimli öğrenme sayesinde, net ölçütler kullanarak performansı değerlendirmek, modeli ince ayarlamak ve devreye alma sırasında istikrarlı bir davranış sağlamak daha kolaydır. Bu da, zaman içinde tutarlılık ve güvenilirlik gerektiren sistemler için bu yöntemi ideal kılar.

Ancak bunun bir dezavantajı da var. Model, etiketli verilerin kalitesine ve hacmine büyük ölçüde bağlıdır ve bu tür verilerin toplanması ve etiketlenmesi zaman alıcı olabilir.

Denetimli bilgisayar görüşünün gerçek hayattan örnekleri

Ultralytics YOLO gibi görsel yapay zeka modelleri, özellikle gerçek zamanlı uygulamalarda nesne algılama gibi görevleri yüksek doğrulukla yerine getirmek için denetimli öğrenmeyi kullanır. İşte denetimli öğrenmenin fark yarattığı bazı yaygın gerçek dünya görsel uygulama örnekleri:

• Sağlık hizmetleri ve tıbbi görüntüleme: Doktorlar, X-ışınları veya MRG gibi etiketlenmiş taramalarla eğitilmiş bilgisayar görme sistemlerini kullanabilirler. Bu sistemlerde, sınıflandırıcılar tümörler veya kırıklar gibi durumları tespit etmek için kullanılır ve böylece daha hızlı ve daha doğru teşhislerin konulmasına yardımcı olur.
• Endüstriyel kalite kontrolü: Üretim ortamlarında, etiketlenmiş verilerle eğitilmiş görüntü işleme sistemleri, şekil, yüzey kusurları, doku ve boyut gibi kaliteyle ilgili çeşitli özellikleri analiz ederek ürünleri denetleyebilir. Hem kusursuz hem de kusurlu ürün örneklerinden öğrenerek, bu sistemler hataları tutarlı bir şekilde tespit edebilir ve üretim standartlarını koruyabilir.
• Otonom sürüş: Otonom sürüş sistemleri, şeritleri, araçları, yayaları ve trafik işaretlerini tanımak için etiketlenmiş sürüş verileriyle eğitilmiş modellere dayanır ve araçların gerçek zamanlı olarak güvenli bir şekilde yol almasına yardımcı olur.
• Perakende ve kasa sistemleri: Mağazalar, raflardaki veya kasadaki ürünleri tanımlamak için etiketlenmiş ürün görselleriyle eğitilmiş modeller kullanır; bu sayede otomatik faturalandırma ve daha verimli stok yönetimi sağlanır. Bu sistemler, ek verilerle birleştirildiğinde müşteri segmentasyonu gibi görevleri de destekleyebilir ve işletmelerin alışveriş alışkanlıklarını daha iyi anlamasına yardımcı olur.
• Tarım ve ürün izleme: Çiftçiler, etiketlenmiş görüntülerle eğitilmiş modelleri kullanarak classify detect classify ; örneğin sağlıklı ve hasarlı patatesleri belirleyip sayabilir, kalite kontrolünü iyileştirebilir ve kayıpları azaltabilir.

Gözetimsiz öğrenme, bilgisayar görme alanında hangi tür sorunları çözebilir?

Denetimsiz öğrenme, yeterli miktarda etiketli veriniz olmadığında veya verileriniz net cevaplar içermediğinde yararlıdır. Bu durumlarda amaç, kesin tahminlerde bulunmak değil, verilerdeki kalıpları ve yapıyı anlamaktır.

Bu yöntem, etiketlenmemiş bir veri kümesini ilk kez incelerken sıklıkla kullanılır. Modele neyi araması gerektiğini söylemek yerine, benzerlikleri tespit etmesine, ilgili görüntüleri gruplandırmasına veya olağandışı kalıpları kendi başına ortaya çıkarmasına izin verirsiniz.

Geniş bir görüntü koleksiyonunda, denetimsiz bir yaklaşım benzer görüntüleri bir araya toplamaya veya daha fazla dikkat gerektirebilecek aykırı değerleri tespit etmeye yardımcı olabilir. Bu da onu veri bilimi projelerinde yararlı bir başlangıç noktası haline getirir.

GAN'lar, varyasyonel otoenkoderler ve difüzyon modelleri gibi üretken modeller, tamamen yeni görüntüler oluşturmak için görüntülerin temel dağılımını öğrenir. Bu modeller, görüntü sentezi, eksik alan doldurma, süper çözünürlük ve stil aktarımı gibi uygulamaları destekler ve günümüzün üretken yapay zeka backbone oluşturur.

Denetimsiz segmentasyon: Bazı yöntemler, etiketli maskelere dayanmadan pikselleri veya bölgeleri tutarlı segmentler halinde gruplandırır; bu, etiketleme işleminin çok maliyetli olduğu durumlarda veya amaç önceden tanımlanmış kategorilerle eşleştirme yerine yapıyı ortaya çıkarmak olduğunda yararlıdır.

Etiketleme işleminin zaman alıcı veya pratik olmadığı büyük veri kümeleriyle çalışırken, denetimsiz öğrenme de oldukça etkilidir. Bu tür durumlarda, etiketlenmiş eğitim verilerine bağlı kalmadan verilerden içgörüler elde etmenizi sağlar. 

Ayrıca, modellerin büyük miktarda veriden genel özellikleri öğrendiği üretken yapay zeka (görüntü, metin veya ses gibi yeni veriler üreten modeller) ve temsil öğrenimi (ham verilerden yararlı özellikleri veya kalıpları öğrenen modeller) gibi alanlarda da yaygın olarak kullanılmaktadır. Genel olarak, probleminiz keşif, kalıp keşfi veya etiketlenmemiş verilerle çalışmayı içeriyorsa, denetimsiz öğrenme dikkate alınması gereken esnek ve pratik bir yaklaşımdır.

Bilgisayar görme alanında denetimsiz öğrenmenin gerçek hayattan örnekleri

İşte bilgisayar görme alanında denetimsiz öğrenmenin uygulandığı bazı kullanım örnekleri:

• Üretimde anomali tespiti: Modeller, normal ürünlerin nasıl göründüğünü öğrenebilir ve her türlü kusurun etiketlenmiş örneklerine ihtiyaç duymadan kusurları veya düzensizlikleri tespit edebilir.
• Görüntü düzenleme ve arama: Fotoğraf arşivleri veya e-ticaret katalogları gibi geniş görüntü koleksiyonları, görsel benzerliğe göre otomatik olarak gruplandırılabilir; bu da veri bilimcilerin büyük veri kümelerini düzenlemesini, incelemesini ve içinde arama yapmasını kolaylaştırır.
• Gözetim ve güvenlik: Sistemler, etiketlenmiş olaylar üzerinde özel olarak eğitilmeden, video kayıtlarını analiz ederek beklenmedik hareketler veya kalabalık değişiklikleri gibi olağandışı kalıpları veya davranışları tespit edebilir.
• Ön işleme ve veri keşfi: Denetimli modellerin eğitilmesinden önce ham görüntü verilerini incelemek ve yapılandırmak için genellikle denetimsiz yöntemler kullanılır; bu da veri kalitesinin artırılmasına ve manuel iş yükünün azaltılmasına yardımcı olur. 

Denetimli ve denetimsiz öğrenmenin pratik sınırlamaları

Her iki öğrenme yaklaşımının avantajlarına rağmen, dikkate alınması gereken bazı sınırlamalar bulunmaktadır. Bilgisayar görme modelleri oluştururken akılda tutulması gereken bazı pratik faktörler şunlardır:

• Denetimli modellerde aşırı uyum: Denetimli öğrenmede , bir model genel kalıpları öğrenmek yerine eğitim verilerini aşırı derecede yakından öğrenebilir. Bu durum genellikle veri kümesi küçük olduğunda veya yeterince çeşitlilik içermediğinde ortaya çıkar. Örneğin, belirli bir ürün türündeki detect üzere eğitilmiş bir model, biraz farklı ürünlerden veya ışık koşullarından oluşan yeni veriler üzerinde test edildiğinde başarısız olabilir.
• Kümeleme algoritmalarındaki zorluklar: Denetimsiz öğrenmede, bir model benzer veri noktalarını bir araya toplayabilir. Ancak veriler gürültülü, tutarsız veya net bir yapıya sahip değilse bu süreç başarısız olabilir. Örneğin, görüntü gruplama görevlerinde, renkleri benzer ancak nesneleri farklı olan görüntüler yanlış bir şekilde aynı grupta toplanabilir.
• Doğru ön işlemenin önemi: Eğitimden önce verilerin temizlenmesi ve hazırlanması gerekir. Bu işlem genellikle görüntü işleme ve veri dönüştürme işlemlerini gerçekleştiren Python kullanılarak yapılır. Görüntülerin boyut, kalite veya ışıklandırma açısından farklılık gösterebileceği bilgisayar görme alanında bu özellikle önemlidir. Doğru bir ön işleme yapılmazsa, modeller anlamlı örüntüler yerine gürültüden öğrenebilir ve bu da düşük performansa yol açabilir.

Önemli çıkarımlar

Bilgisayar görme alanında, hem denetimli hem de denetimsiz öğrenme önemli bir rol oynar. Doğru yaklaşım, elinizdeki verilerin türüne, etiketli veya etiketsiz olmasına, çözmeye çalıştığınız soruna ve uygulama ihtiyaçlarınıza bağlıdır. 

Hedefiniz yüksek doğruluk ve net sonuçlar elde etmekse, genellikle denetimli makine öğrenimi daha iyi bir seçimdir. Verileri inceliyorsanız veya etiketler olmadan çalışıyorsanız, denetimsiz öğrenme daha uygun olabilir.

Yapay zeka hakkında daha fazla bilgi edinmek ister misiniz? Topluluğumuza ve GitHub depomuza göz atın. Robotikte yapay zeka ve tarımda bilgisayarlı görü hakkındaki çözüm sayfalarımızı inceleyin. Lisanslama seçeneklerimizi keşfedin ve bilgisayarlı görü ile bugün geliştirmeye başlayın!