Bilgisayarlı görüde denetimli ve denetimsiz öğrenmeyi keşfetme

Yapay zekâ (AI), makineleri insan zekâsına benzeyen şekillerde öğrenmeye ve akıl yürütmeye öğretme temel kavramı üzerine kuruludur. İnsanların doğrudan talimatlar alarak veya kalıpları ve deneyimleri gözlemleyerek farklı yöntemlerle öğrenmesine benzer şekilde, AI ve makine öğrenimi sistemleri de aynı yaklaşımları izlemek üzere tasarlanır.

Özellikle makine öğrenimi algoritmaları söz konusu olduğunda, sistemler her görev için açıkça programlanmak yerine verilerden öğrenmek üzere eğitilir. Makine öğrenimi modelleri sabit kurallara dayanmak yerine verilerdeki kalıpları belirler ve bu kalıpları tahminler veya kararlar üretmek için kullanır.

Örneğin, bilgisayarlı görüntüleme, görüntüler ve videolar gibi görsel bilgileri yorumlayıp anlamalarını sağlama üzerine odaklanan bir AI ve makine öğrenimi dalıdır. Bu sistemler, nesneleri tanımadan büyük veri kümelerindeki gizli kalıpları belirlemeye kadar, büyük ölçüde nasıl öğrenmek üzere eğitildiklerine dayanır.

Bu sistemleri eğitmek için, mevcut veri türüne ve çözülen probleme bağlı olarak çeşitli AI öğrenme teknikleri kullanılır.

Bazı bilgisayarlı görüntüleme modelleri, her girdinin doğru bir yanıtla eşleştirildiği etiketli verilerden öğrenir; yani her görüntü veya veri noktası, modele neyi temsil ettiğini söyleyen önceden tanımlanmış bir etiketle birlikte gelir. Bu sayede model, girdi ile beklenen çıktı arasındaki ilişkiyi öğrenir ve yeni, daha önce görülmemiş veriler üzerinde doğru tahminler yapma becerisini geliştirir.

Diğer görüntü modelleri, önceden tanımlanmış yanıtların bulunmadığı etiketsiz verilerden öğrenir ve bunun yerine verilerin içindeki kalıpları ve ilişkileri belirlemeye odaklanır. Bu yaklaşımlar sırasıyla denetimli öğrenme ve denetimsiz öğrenme olarak bilinir ve birçok ileri düzey bilgisayarlı görüntüleme sisteminin temelini oluşturur.

Bu makalede denetimli ve denetimsiz öğrenmeyi, bunların bilgisayarlı görüntülemede nasıl kullanıldığını ve görüntü AI projen için en uygun yaklaşımı nasıl seçeceğini inceleyeceğiz. Hadi başlayalım!

AI öğrenme yaklaşımları bilgisayarlı görüntülemeyi nasıl güçlendirir?#

Yapay zekâyı, makinelerin genellikle insan zekâsı gerektiren görevleri gerçekleştirmesini sağlayan çeşitli teknolojileri kapsayan bir şemsiye gibi düşünebilirsin. Bu şemsiyenin altında makine öğrenimi, sistemlerin yalnızca sabit kurallara dayanmak yerine verilerden öğrenmesini sağlayan temel bir alandır.

Makine öğrenimi kapsamında farklı öğrenme teknikleri, bir modelin zaman içinde nasıl öğrendiğini ve geliştiğini belirler. Denetimli öğrenme (doğru yanıtların bulunduğu etiketli verilerden öğrenme), denetimsiz öğrenme (etiketsiz verilerdeki kalıpları belirleme), pekiştirmeli öğrenme (geri bildirim veya ödüller kullanarak deneme yanılma yoluyla öğrenme) ve yarı denetimli öğrenme (az miktarda etiketli veriyi büyük miktarda etiketsiz veriyle birleştirme) gibi yaklaşımlar, sistemlerin girdi verilerini nasıl işlediğini ve çıktı verileri nasıl oluşturduğunu tanımlar.

Şekil 1. AI öğrenme yöntemlerine genel bakış (Kaynak)

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

Örneğin bir model, “kedi” ve “köpek” olarak etiketlenmiş görüntülerle eğitilebilir; şekil, kulaklar ve yüz yapısı gibi özellikleri öğrenerek sınıflandırma algoritmalarıyla yeni görüntüleri doğru şekilde sınıflandırabilir. Öte yandan denetimsiz ve yarı denetimli öğrenme de bilgisayarlı görüntülemede, genellikle verilerdeki kalıpları keşfetmek veya etiketli verilerin sınırlı olduğu durumlarda performansı artırmak için kullanılır.

Bilgisayarlı görüntülemede denetimli öğrenme modellerinin kullanımına bakış#

Denetimli öğrenme algoritmalarını, öğretmenin öğrencilerin doğru ve yanlış olanı öğrenebilmesi için doğru yanıtlarla birlikte örnekler sunduğu bir sınıf ortamıyla karşılaştırabilirsin. Makine öğreniminde modeller, her girdinin bilinen bir çıktıyla eşleştirildiği etiketli verileri kullanarak benzer şekilde öğrenir.

Beyzbol maçlarının analizini otomatikleştiren bir bilgisayarlı görüntüleme sistemi oluşturduğunu varsayalım. Ultralytics YOLO26 gibi bir modeli; top, sopa ve oyuncular gibi nesnelerin etiketlendiği görüntüler veya video kareleriyle eğitebilirsin.

Her nesne konumu ve kategorisiyle işaretlenerek modelin ne arayacağını öğrenmesi sağlanır. Zamanla model, yeni görüntülerde bu nesneleri algılayıp konumlandırabilir ve kareler arasında top takibi ile oyuncu algılama gibi kullanım alanlarını destekleyebilir.

Şekil 2. Denetimli öğrenmeyle etkinleştirilen nesne algılamaya örnek (Kaynak)

Denetimli öğrenme, nesne algılamanın yanı sıra doğruluk ve tutarlılığın önemli olduğu görüntü sınıflandırma, örnek segmentasyonu ve poz tahmini gibi çeşitli bilgisayarlı görüntüleme görevlerinde de yaygın olarak kullanılır. Bu görevlerin her birinde modeller, belirli kalıpları 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, bilgileri insan beyninin çalışma biçiminden kabaca esinlenen bir şekilde işleyecek biçimde tasarlanır; bu da modellerin büyük veri kümelerinden karmaşık görsel özellikleri öğrenmesini sağlar.

Önceki bilgisayarlı görüntüleme yaklaşımları, genellikle destek vektör makineleri (SVM'ler, kategoriler arasındaki en iyi sınırı bularak verileri sınıflandıran modellerdir) veya karar ağaçları (verileri dallara ayırarak karar veren modellerdir) gibi algoritmalarla birleştirilmiş, elle tasarlanmış özelliklere dayanıyordu.

Buna karşılık günümüzde bilgisayarlı görüntüleme modelleri, bu özellikleri verilerden otomatik olarak öğrenmek için derin öğrenmeyi kullanır; bu da onları büyük ölçekli ve son derece ayrıntılı görsel görevleri ele almada daha etkili kılar.

Görüntü AI'ında denetimsiz öğrenme modellerine duyulan ihtiyacı anlama#

Denetimli öğrenme bilgisayarlı görüntülemede başvurulan yöntem olsa da etiketli verilerin bulunmadığı veya oluşturulmasının çok pahalı ve zaman alıcı olduğu bazı görüntüleme uygulamaları vardır.

Bu durumlarda denetimsiz öğrenme algoritmaları yararlı bir alternatif olabilir. Bir yaban hayatı kamerasından elde edilmiş geniş bir etiketsiz fotoğraf koleksiyonuna sahip olduğunu varsayalım.

Her görüntünün ne içerdiğini belirten etiketler yoktur, ancak yine de verileri düzenlemek veya anlamak istersin. Denetimsiz bir model bu görüntüleri analiz edip benzer olanları birlikte gruplayabilir ve kesin etiketlerini bilmeden birbirine benzeyen hayvanları kümelere ayırabilir.

Denetimsiz öğrenme bilgisayarlı görüntülemede nasıl çalışır?#

Peki denetimsiz makine öğrenimi nasıl çalışır? Model, doğru yanıtlardan öğrenmek yerine verilerin içindeki kalıpları ve yapıyı kendi başına belirleyerek öğrenir. Etiketli örneklere dayanmadan veriler arasındaki benzerlikleri ve farklılıkları arar.

Yaygın bir kullanım alanı, modelin normal verilerin nasıl göründüğünü öğrendikten sonra bundan sapan her şeyi belirlediği anomali algılamadır. Anomali ve aykırı değer algılama, en etkili endüstriyel uygulamalardan biridir. Örnekler arasında üretim hattındaki kusurlu ürünleri tespit etmek, radyologların incelemesi için olağandışı tıbbi taramaları işaretlemek veya gözetim görüntülerindeki şüpheli etkinlikleri algılamak bulunur. Kusurlar ve anomaliler genellikle nadir ve çeşitli olduğundan, olası her durumu etiketlemek pratik değildir; bu da denetimsiz yaklaşımları doğal bir seçenek hâline getirir.

Bunu desteklemek için genellikle ham görüntülerin kendisi yerine görüntülerden çıkarılan özellikler üzerinde kümeleme ve boyut indirgeme gibi teknikler kullanılır. k-means kümeleme gibi kümeleme yöntemleri, ortak kalıplara göre benzer görüntüleri bir araya getirirken temel bileşen analizi (PCA) gibi boyut indirgeme teknikleri, en önemli özelliklere odaklanarak verileri basitleştirir.

Bu, modelin büyük ve karmaşık veri kümelerindeki anlamlı kalıpları ve yapıyı belirlemesini kolaylaştırır. Denetimsiz öğrenmenin temel avantajı, etiketsiz verilerle iyi çalışması ve hemen fark edilmeyen kalıpları ortaya çıkarabilmesidir. Ancak değerlendirilmesi daha zordur ve denetimli öğrenmeye kıyasla nihai çıktı üzerinde daha az kontrol sağlar.

Bilgisayarlı görüntülemede öz denetimli ve yarı denetimli öğrenme#

Denetimli ve denetimsiz öğrenmeyi incelerken 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 etiketsiz verilerden daha etkili öğrenmesini mümkün kılar. Yalnızca etiketli örneklere dayanmak yerine, ya verilerden kendi öğrenme görevlerini oluşturur ya da küçük bir etiketli veri kümesini daha büyük bir etiketsiz veri kümesiyle birleştirirler.

Öz denetimli öğrenmede model, verilerin kendisinden oluşturulan görevleri çözerek öğrenir. Örneğin eksik bir bölümü olan bir görüntü verilebilir ve model bu alanı neyin doldurması gerektiğini tahmin etmeyi öğrenebilir ya da aynı nesnenin farklı görünümlerini tanımayı öğrenebilir. Bu, modelin elle etiketleme gerektirmeden yararlı özellikleri öğrenmesine yardımcı olur.

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

Bu yaklaşımların temel faydası, oluşturulması genellikle pahalı ve zaman alıcı olan büyük etiketli veri kümelerine duyulan ihtiyacı azaltmalarıdır. Ancak tamamen denetimli yöntemlere kıyasla tasarlanmaları ve değerlendirilmeleri daha karmaşık olabilir.

Denetimli 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 yönlendirmeye dayanırken, denetimsiz öğrenme önceden tanımlanmış yanıtlar olmadan çalışır ve verilerdeki kalıpları ve yapıyı keşfetmeye odaklanır.

Örneğin bir trafik izleme sisteminde, araçları, yayaları veya trafik sinyallerini algılamak için denetimli öğrenme modeli etiketli görüntülerle eğitilebilir. Buna karşılık denetimsiz bir model, ne arayacağı açıkça söylenmeden, benzer trafik kalıplarını gruplamak veya beklenmedik yoğunluk ya da anormal hareket gibi olağandışı olayları belirlemek için büyük miktarda video görüntüsünü analiz edebilir.

Bilgisayarlı görüntülemede denetimli öğrenme ne zaman kullanılmalı?#

Denetimli öğrenme, hedefin açıkça tanımlandığı ve modelin girdi verilerini doğru çıktılarla eşlemesi gereken bilgisayarlı görüntüleme görevleri için harika bir seçenektir. Güvenilir bir etiketli veri kümen olduğunda ve tutarlı, öngörülebilir sonuçlara ihtiyaç duyduğunda özellikle iyi çalışır.

Şekil 3. Denetimli öğrenmeyle yürütülen bilgisayarlı görüntüleme görevleri (Kaynak)

Modelin bilinen kategoriler arasında ayrım yapması veya belirli sonuçları tahmin etmesi gereken problemlerde yaygın olarak kullanılır. Odak noktası kalıpları keşfetmek değil, etiketli verilerden kesin ilişkileri öğrenmektir; bu da modeli istenen sonuca yönlendirmeyi kolaylaştırır.

Bir diğer temel avantaj kontroldür. Denetimli öğrenmeyle performansı net ölçütler kullanarak ölçmek, modele ince ayar yapmak ve dağıtım sırasında kararlı davranış sağlamak daha kolaydır. Bu, zaman içinde tutarlılık ve güvenilirlik gerektiren sistemler için onu ideal kılar.

Ancak bunun bir ödünleşimi vardır. Model, etiketli verilerin kalitesine ve ölçeğine büyük ölçüde bağlıdır; bu tür verileri toplamak ve açıklamak zaman alabilir.

Denetimli bilgisayarlı görüntülemenin gerçek dünyadaki örnekleri#

Ultralytics YOLO modelleri gibi görüntü AI modelleri, özellikle gerçek zamanlı uygulamalarda yüksek doğrulukla nesne algılama gibi görevleri gerçekleştirmek için denetimli öğrenmeyi kullanır. Denetimli öğrenmenin fark yarattığı bazı yaygın gerçek dünya görüntüleme kullanım alanları şunlardır:

• Sağlık ve tıbbi görüntüleme: Doktorlar, tümör veya kırık gibi durumları belirlemek için sınıflandırıcıların kullanıldığı röntgen veya MRI gibi etiketli taramalarla eğitilmiş bilgisayarlı görüntüleme sistemlerini kullanarak daha hızlı ve doğru teşhisleri destekleyebilir.
• Endüstriyel kalite denetimi: Üretim ortamlarında etiketli verilerle eğitilmiş görüntüleme sistemleri; şekil, yüzey kusurları, doku ve boyut gibi kaliteyle ilgili çeşitli özellikleri analiz ederek ürünleri denetleyebilir. Bu sistemler hem kabul edilebilir hem de kusurlu ürün örneklerinden öğrenerek hataları tutarlı biçimde belirleyebilir ve üretim standartlarını koruyabilir.
• Otonom sürüş: Sürücüsüz sistemler, şeritleri, araçları, yayaları ve trafik işaretlerini tanımak için etiketli sürüş verileriyle eğitilmiş modellere dayanır ve araçların gerçek zamanlı olarak güvenli şekilde ilerlemesine yardımcı olur.
• Perakende ve ödeme sistemleri: Mağazalar, raflardaki veya ödeme noktasındaki ürünleri belirlemek için etiketli ürün görüntüleriyle eğitilmiş modeller kullanır; böylece otomatik faturalandırma ve daha verimli envanter yönetimi sağlanır. Bu sistemler ek verilerle birleştirildiğinde müşteri segmentasyonu gibi görevleri de destekleyerek işletmelerin alışveriş kalıplarını daha iyi anlamasına yardımcı olabilir.
• Tarım ve ürün izleme: Çiftçiler, sağlıklı ve hasarlı patatesleri belirleyip saymak gibi ürünleri algılamak ve sınıflandırmak için etiketli görüntülerle eğitilmiş modelleri kullanabilir; böylece kalite kontrolü iyileştirilir ve kayıplar azaltılır.

Şekil 4. Sağlıklı ve kusurlu patatesleri algılamak ve saymak için YOLO kullanımı

Bilgisayarlı görüntülemedeki ne tür problemleri denetimsiz öğrenme çözebilir?#

Denetimsiz öğrenme, yeterli etiketli veriye sahip olmadığında veya verilerin net yanıtlarla gelmediği durumlarda kullanışlıdır. Bu durumlarda amaç kesin tahminler yapmak değil, verilerdeki kalıpları ve yapıyı anlamaktır.

Genellikle etiketsiz bir veri kümesini ilk kez incelerken kullanılır. Modele ne arayacağını söylemek yerine benzerlikleri belirlemesine, ilişkili görüntüleri gruplamasına veya olağandışı kalıpları kendi başına öne çıkarmasına izin verirsin.

Büyük bir görüntü koleksiyonunda denetimsiz bir yaklaşım, benzer görüntüleri birlikte düzenlemeye veya daha fazla inceleme gerektirebilecek aykırı değerleri işaretlemeye yardımcı olabilir. Bu da onu veri bilimi projelerinde yararlı bir başlangıç noktası hâline getirir.

GAN'ler, varyasyonel otomatik kodlayıcılar ve difüzyon modelleri de dâhil olmak üzere üretici modeller, tamamen yeni görüntüler oluşturmak için görüntülerin temel dağılımını öğrenir. Bu modeller görüntü sentezi, görüntü tamamlama, süper çözünürlük ve stil aktarımı gibi uygulamalara güç verir ve günümüzün üretici AI sistemlerinin temelini oluşturur.

Denetimsiz segmentasyonda bazı yöntemler, etiketli maskelere dayanmadan pikselleri veya bölgeleri tutarlı segmentler hâlinde gruplar. Bu, açıklamanın çok maliyetli olduğu veya amacın önceden tanımlanmış kategorilerle eşleştirmek yerine yapıyı keşfetmek olduğu durumlarda kullanışlıdır.

Denetimsiz öğrenme, etiketlemenin zaman alıcı veya pratik olmadığı büyük veri kümeleriyle çalışırken de etkilidir. Bu gibi durumlarda etiketli eğitim verilerine dayanmadan verilerden içgörüler elde etmeni sağlar.

Ayrıca üretici AI (görüntü, metin veya ses gibi yeni veriler oluşturan modeller) ve temsil öğrenmesi (ham verilerden yararlı özellikleri veya kalıpları öğrenen modeller) gibi alanlarda da yaygın olarak kullanılır; bu alanlarda modeller büyük miktarda veriden genel özellikleri öğrenir. Genel olarak problemin keşif, kalıp bulma veya etiketsiz verilerle çalışma içeriyorsa denetimsiz öğrenme, değerlendirmeye değer esnek ve pratik bir yaklaşımdır.

Bilgisayarlı görüntülemede denetimsiz öğrenmenin gerçek dünyadaki örnekleri#

Denetimsiz öğrenmenin bilgisayarlı görüntülemede uygulandığı bazı kullanım alanları şunlardır:

• Üretimde anomali algılama: Modeller normal ürünlerin nasıl göründüğünü öğrenebilir ve olası her kusurun etiketli örneklerine ihtiyaç duymadan hataları veya düzensizlikleri işaretleyebilir.
• Görüntü düzenleme ve arama: Fotoğraf kütüphaneleri veya e-ticaret katalogları gibi büyük görüntü koleksiyonları görsel benzerliğe göre otomatik olarak gruplanabilir; bu da veri bilimcilerin büyük veri kümelerini düzenlemesini, keşfetmesini ve aramasını kolaylaştırır.
• Gözetim ve güvenlik: Sistemler, etiketli olaylarla açıkça eğitilmeden beklenmedik hareketler veya kalabalık değişiklikleri gibi olağandışı kalıpları ya da davranışları belirlemek için video görüntülerini analiz edebilir.
• Ön işleme ve veri keşfi: Denetimsiz yöntemler, denetimli modelleri eğitmeden önce ham görüntü verilerini incelemek ve yapılandırmak için sıklıkla kullanılır; böylece veri kalitesinin iyileştirilmesine ve elle yürütülen işlemlerin azaltılmasına yardımcı olur.

Denetimli ve denetimsiz öğrenmenin pratik sınırlamaları#

Her iki öğrenme yaklaşımının avantajlarına rağmen dikkate alınması gereken bazı sınırlamalar vardır. Bilgisayarlı görüntüleme modelleri oluştururken aklında bulundurman gereken bazı pratik etkenler şunlardır:

• Denetimli modellerde aşırı öğrenme: Denetimli öğrenmede model, genel kalıpları öğrenmek yerine eğitim verilerini gereğinden fazla yakından öğrenebilir. Bu durum genellikle veri kümesi küçük olduğunda veya yeterince çeşitli olmadığında ortaya çıkar. Örneğin bir ürün türündeki kusurları algılamak üzere eğitilmiş bir model, biraz farklı ürünlerden veya aydınlatma koşullarından oluşan yeni verilerle test edildiğinde başarısız olabilir.
• Kümeleme algoritmalarındaki zorluklar: Denetimsiz öğrenmede model, benzer veri noktalarını birlikte gruplayabilir. Ancak veriler gürültülü, tutarsız olduğunda veya net bir yapıdan yoksun olduğunda bu yöntem başarısız olabilir. Örneğin görüntü gruplama görevlerinde benzer renklere, ancak farklı nesnelere sahip görüntüler yanlış biçimde aynı gruba alınabilir.
• Doğru ön işlemenin önemi: Eğitimden önce verilerin temizlenmesi ve hazırlanması gerekir. Bu işlem genellikle görüntü işleme ve veri dönüştürmeyi ele alan Python kütüphaneleri kullanılarak yapılır. Görüntülerin boyut, kalite veya aydınlatma bakımından değişebildiği bilgisayarlı görüntülemede bu özellikle önemlidir. Doğru ön işleme olmadan modeller anlamlı kalıplar yerine gürültüden öğrenebilir ve bu da düşük performansa yol açar.

Önemli çıkarımlar#

Bilgisayarlı görüntülemede hem denetimli hem de denetimsiz öğrenme önemli roller oynar. Doğru yaklaşım; sahip olduğun verilerin etiketli veya etiketsiz olmasına, çözmeye çalıştığın probleme ve dağıtım gereksinimlerine bağlıdır.

Amacın yüksek doğruluk ve net biçimde tanımlanmış çıktılarsa denetimli makine öğrenimi genellikle daha iyi bir seçimdir. Verileri keşfediyor veya etiketler olmadan çalışıyorsan denetimsiz öğrenme daha uygun olabilir.

AI hakkında daha fazla bilgi edinmek ister misin? Topluluğumuza ve GitHub depomuza göz at. Robotikte AI ve tarımda bilgisayarlı görüntüleme hakkında bilgi edinmek için çözüm sayfalarımızı incele. Lisanslama seçeneklerimizi keşfet ve bugün bilgisayarlı görüntülemeyle geliştirmeye başla!