Bilgisayarlı görmede denetimli ve denetimsiz öğrenmeyi keşfetme

Yapay zekâ (AI), makinelerin insan zekâsına benzer biçimlerde öğrenmesini ve akıl yürütmesini sağlamaya dayanan temel bir kavram üzerine kuruludur. İnsanların doğrudan yönergeler alarak ya da örüntüleri ve deneyimleri gözlemleyerek farklı yöntemlerle öğrenmesine benzer şekilde, yapay zekâ ve makine öğrenimi sistemleri de bu yaklaşımları izlemek üzere tasarlanır.

Özellikle makine öğrenimi algoritmalarında sistemler, her görev için açıkça programlanmak yerine verilerden öğrenmeleri için eğitilir. Sabit kurallara bağlı kalmak yerine makine öğrenimi modelleri verilerdeki örüntüleri belirler ve tahminler ya da kararlar üretmek için bu örüntülerden yararlanır.

Örneğin, bilgisayarlı görü, sistemlerin görüntüler ve videolar gibi görsel bilgileri yorumlayıp anlamasını sağlamaya odaklanan bir yapay zekâ ve makine öğrenimi dalıdır. Nesneleri tanımaktan büyük veri kümelerindeki gizli örüntüleri belirlemeye kadar bu sistemler, öğrenmek üzere nasıl eğitildiklerine büyük ölçüde bağlıdır.

Bu sistemleri eğitmek için kullanılacak çeşitli yapay zekâ öğrenme teknikleri, mevcut veri türüne ve çözülen probleme göre değişir.

Bazı bilgisayarlı görü modelleri, her girdinin doğru bir yanıtla eşleştirildiği etiketli verilerden öğrenir. Yani her görüntü ya da veri noktası, modele neyi temsil ettiğini söyleyen önceden tanımlanmış bir etiket içerir. Böylece model, girdi ile beklenen çıktı arasındaki ilişkiyi öğrenir ve yeni, daha önce görmediği veriler üzerinde doğru tahminler yapma becerisini geliştirir.

Diğer görü modelleri, önceden tanımlanmış yanıtların bulunmadığı etiketsiz verilerden öğrenir ve bunun yerine verilerin kendi içindeki örüntüleri ve ilişkileri belirlemeye odaklanır. Bu yaklaşımlar sırasıyla denetimli öğrenme ve denetimsiz öğrenme olarak bilinir ve son teknoloji ürünü pek çok bilgisayarlı görü sisteminin temelini oluşturur.

Bu makalede denetimli ve denetimsiz öğrenmeyi, bunların bilgisayarlı görüde nasıl kullanıldığını ve görü yapay zekâ projen için en uygun yaklaşımı nasıl seçeceğini inceleyeceğiz. Haydi başlayalım!

Yapay zekâ öğrenme yaklaşımları bilgisayarlı görüye nasıl güç kazandırıyor?#

Yapay zekâyı, makinelerin genellikle insan zekâsı gerektiren görevleri yerine getirmesini sağlayan bir dizi teknolojiyi kapsayan bir şemsiye gibi düşünebilirsin. Bu şemsiyenin altında makine öğrenimi, sistemlerin yalnızca sabit kurallara bağlı kalmak yerine verilerden öğrenmesini mümkün kılan önemli bir alandır.

Makine öğrenimi kapsamında farklı öğrenme teknikleri, bir modelin nasıl öğrendiğini ve zaman içinde nasıl geliştiğini belirler. Denetimli öğrenme (doğru yanıtları içeren etiketli verilerden öğrenme), denetimsiz öğrenme (etiketsiz verilerdeki örüntüleri belirleme), pekiştirmeli öğrenme (geri bildirim ya da ödüllerle 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 verilerini nasıl ürettiğini belirler.

Şekil 1. Yapay zekâ öğrenme yöntemlerine genel bakış (Kaynak)

Özellikle bilgisayarlı görü sistemleri, görsel verileri yorumlayıp anlamak için bu tür öğrenme yaklaşımlarıyla oluşturulur. Denetimli öğrenme, modellerin açıkça etiketlenmiş örneklerden öğrenmesini ve doğru, güvenilir sonuçlar üretmesini sağladığı için en sık 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 biçimde sınıflandırabilir. Denetimsiz ve yarı denetimli öğrenme de bilgisayarlı görüde kullanılır; genellikle verilerdeki örüntüleri incelemek ya da etiketli verilerin sınırlı olduğu durumlarda performansı artırmak için tercih edilir.

Bilgisayarlı görüde denetimli öğrenme modellerinin kullanımına bakış#

Denetimli öğrenme algoritmalarını, öğretmenin öğrencilere doğru ve yanlış olanı öğrenmeleri için doğru yanıtlarla birlikte örnekler sunduğu bir sınıf ortamına benzetebilirsin. Makine öğreniminde modeller de her girdinin bilinen bir çıktıyla eşleştirildiği etiketli verileri kullanarak benzer biçimde öğrenir.

Diyelim ki beyzbol maçlarının analizini otomatikleştiren bir bilgisayarlı görü sistemi geliştiriyorsun. Top, sopa ve oyuncular gibi nesnelerin etiketlendiği görüntüler ya da video kareleriyle Ultralytics YOLO26 gibi bir modeli eğitebilirsin.

Her nesne konumu ve kategorisiyle işaretlenir; böylece model neyi araması gerektiğini öğrenir. Zamanla model, yeni görüntülerde bu nesneleri algılayıp konumlarını belirleyebilir ve kareler boyunca top takibi ile oyuncu algılama gibi kullanım senaryolarını destekleyebilir.

Şekil 2. Denetimli öğrenmenin sağladığı nesne algılamaya bir örnek (Kaynak)

Denetimli öğrenme, nesne algılamanın yanı sıra doğruluk ve tutarlılığın önemli olduğu görüntü sınıflandırma, örnek segmentasyonu ve poz tahmini gibi çeşitli bilgisayarlı görü görevlerinde yaygın olarak kullanılır. Bu görevlerin her birinde modeller, belirli örüntüleri belirlemek ve yeni girdilerde güvenilir tahminler yapmak için etiketli verilerden öğrenir.

Bu modeller genellikle, örüntüleri doğrudan verilerden öğrenmek için sinir ağlarını kullanan bir makine öğrenimi türü olan derin öğrenmeyle oluşturulur. Sinir ağları, bilgileri insan beyninin çalışma biçiminden kabaca esinlenen bir şekilde işlemek üzere tasarlanmıştır; böylece modeller büyük veri kümelerinden karmaşık görsel özellikleri öğrenebilir.

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

Buna karşılık günümüz bilgisayarlı görü modelleri, bu özellikleri verilerden otomatik olarak öğrenmek için derin öğrenmeyi kullanır; bu da onları büyük ölçekli ve son derece ayrıntılı görsel görevlerde daha etkili kılar.

Görü yapay zekâsında denetimsiz öğrenme modellerine neden ihtiyaç duyulduğunu anlamak#

Denetimli öğrenme bilgisayarlı görüde başvurulan yöntem olsa da etiketli verilerin bulunmadığı ya da etiket oluşturmanın çok pahalı ve zaman alıcı olduğu bazı görü uygulamaları vardır.

Bu durumlarda denetimsiz öğrenme algoritmaları yararlı bir alternatif olabilir. Bir yaban hayatı kamerasından alınmış büyük bir etiketsiz fotoğraf koleksiyonun olduğunu düşün.

Her görüntünün neler içerdiğini belirten etiketler yoktur; yine de verileri düzenlemek ya da anlamak istersin. Denetimsiz bir model bu görüntüleri analiz edip benzer olanları bir araya getirebilir, tam olarak hangi etiketlere sahip olduklarını bilmeden birbirine benzeyen hayvanları kümelere ayırabilir.

Denetimsiz öğrenme bilgisayarlı görüde nasıl çalışır?#

Peki denetimsiz makine öğrenimi nasıl çalışır? Model, doğru yanıtları öğrenmek yerine verilerdeki örüntüleri ve yapıyı kendi başına belirleyerek öğrenir. Etiketli örneklere bağlı kalmadan veriler arasındaki benzerlikleri ve farklılıkları arar.

Yaygın kullanım alanlarından biri, modelin normal verilerin nasıl göründüğünü öğrendiği ve ardından bundan sapan her şeyi belirlediği anomali tespitidir. Anomali ve aykırı değer tespiti, endüstriyel uygulamalar arasında etkisi en yüksek olanlardan biridir. Örnekler arasında üretim hattındaki kusurlu ürünleri belirlemek, radyolog incelemesi için olağandışı tıbbi görüntüleri işaretlemek veya gözetim görüntülerinde şüpheli etkinlikleri saptamak yer alır. 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 görüntüler yerine görüntülerden çıkarılan özellikler üzerinde kümeleme ve boyut indirgeme gibi teknikler kullanılır. K-means kümeleme gibi kümeleme yöntemleri, ortak örüntülere dayanarak benzer görüntüleri bir araya getirirken temel bileşen analizi (PCA) gibi boyut indirgeme teknikleri, en önemli özelliklere odaklanarak verileri basitleştirir.

Bu sayede modelin büyük ve karmaşık veri kümelerindeki anlamlı örüntüleri ve yapıyı belirlemesi kolaylaşır. Denetimsiz öğrenmenin başlıca avantajı, etiketli olmayan verilerle iyi çalışması ve ilk bakışta fark edilmeyen örüntüleri ortaya çıkarabilmesidir. Ancak denetimli öğrenmeye kıyasla değerlendirilmesi daha zordur ve nihai çıktı üzerinde daha az kontrol sağlar.

Bilgisayarlı görüde öz denetimli ve yarı denetimli öğrenme#

Denetimli ve denetimsiz öğrenmeyi incelerken bu ikisinin arasında bir yol olup olmadığını merak edebilirsin. Öz denetimli ve yarı denetimli öğrenme, denetimli ve denetimsiz öğrenme arasındaki boşluğu doldurur.

Bu yaklaşımlar, modellerin etiketsiz verilerden daha etkili biçimde öğrenmesini sağlar. Yalnızca etiketli örneklere bağlı kalmak yerine ya verilerden kendi öğrenme görevlerini oluştururlar ya da küçük bir etiketli veri kümesini daha büyük bir etiketsiz veri kümesiyle birleştirirler.

Öz denetimli öğrenmede model, verinin kendisinden oluşturulan görevleri çözerek öğrenir. Örneğin eksik bir bölümü olan bir görüntü verilebilir ve model bu boşluğu neyin dolduracağını tahmin etmeyi öğrenebilir ya da aynı nesnenin farklı görünümlerini tanımayı öğrenebilir. Bu, modelin elle etiketlemeye gerek kalmadan yararlı özellikler 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 bu etiketlerden yararlanabilir.

Bu yaklaşımların başlıca 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 açık yönlendirmelere dayanırken, denetimsiz öğrenme önceden tanımlanmış yanıtlar olmadan çalışır ve verilerdeki örüntüleri ve yapıyı keşfetmeye odaklanır.

Örneğin bir trafik izleme sisteminde denetimli öğrenme modeli, araçları, yayaları veya trafik ışıklarını algılamak için etiketli görüntülerle eğitilebilir. Buna karşılık denetimsiz bir model, ne araması gerektiği açıkça söylenmeden büyük miktarda video görüntüsünü analiz ederek benzer trafik örüntülerini gruplayabilir veya beklenmedik trafik sıkışıklığı ya da anormal hareket gibi olağandışı olayları belirleyebilir.

Bilgisayarlı görüde denetimli öğrenme ne zaman kullanılır?#

Denetimli öğrenme, hedefin açıkça tanımlandığı ve modelin girdi verilerini doğru çıktılarla eşleştirmesi gereken bilgisayarlı görü görevleri için harika bir seçenektir. Güvenilir bir etiketli veri kümen varsa ve tutarlı, öngörülebilir sonuçlara ihtiyaç duyuyorsan özellikle iyi sonuç verir.

Şekil 3. Denetimli öğrenmeyle gerçekleştirilen bilgisayarlı görü görevleri (Kaynak)

Genellikle modelin bilinen kategorileri birbirinden ayırması veya belirli sonuçları tahmin etmesi gereken problemlerde kullanılır. Örüntüleri keşfetmek yerine etiketli verilerden kesin ilişkiler öğrenmeye odaklanılır; böylece modeli istenen sonuca yönlendirmek kolaylaşır.

Bir diğer önemli avantajı kontroldür. Denetimli öğrenmede performansı açık metriklerle ölçmek, modeli ince ayarlamak ve dağıtım sırasında kararlı davranış sağlamak daha kolaydır. Bu nedenle zaman içinde tutarlılık ve güvenilirlik gerektiren sistemler için idealdir.

Ancak bunun bir ödünleşimi vardır. Model büyük ölçüde etiketli verilerin kalitesine ve miktarına bağlıdır; bu verileri toplamak ve açıklama ekleyerek etiketlemek zaman alabilir.

Denetimli bilgisayarlı görüye gerçek dünyadan örnekler#

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

• Sağlık ve tıbbi görüntüleme: Doktorlar, sınıflandırıcıların tümör ya da kırık gibi durumları belirlemek için kullanıldığı röntgen veya MRI gibi etiketli taramalarla eğitilmiş bilgisayarlı görü sistemlerinden yararlanarak daha hızlı ve doğru tanılara ulaşabilir.
• Endüstriyel kalite denetimi: Üretim ortamlarında etiketli verilerle eğitilmiş görü sistemleri; şekil, yüzey kusurları, doku ve boyut gibi kaliteyle ilgili birçok özelliği analiz ederek ürünleri denetleyebilir. Kabul edilebilir ve kusurlu ürün örneklerinden öğrenen bu sistemler, 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 biçimde yol almasına yardımcı olur.
• Perakende ve ödeme sistemleri: Mağazalar, raflardaki veya ödeme noktasındaki ürünleri belirlemek için etiketli ürün görüntüleriyle eğitilmiş modeller kullanır; böylece otomatik ödeme ve daha verimli stok yönetimi mümkün olur. Bu sistemler, ek verilerle birleştirildiğinde müşteri segmentasyonu gibi görevleri de destekleyerek işletmelerin alışveriş örüntülerini daha iyi anlamasına yardımcı olabilir.
• Tarım ve mahsul izleme: Çiftçiler; sağlıklı ve hasarlı patatesleri belirleyip saymak gibi ürünleri algılama ve sınıflandırma görevleri için etiketli görüntülerle eğitilmiş modeller kullanabilir. Bu, kalite kontrolünü iyileştirir ve kayıpları azaltır.

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

Denetimsiz öğrenme bilgisayarlı görüde ne tür problemleri çözebilir?#

Yeterli etiketli verin olmadığında veya verilerin açık yanıtlar içermediğinde denetimsiz öğrenme yararlıdır. Bu durumlarda amaç kesin tahminlerde bulunmak değil, verilerdeki örüntüleri ve yapıyı anlamaktır.

Etiketsiz bir veri kümesini ilk kez incelerken sıkça kullanılır. Modele ne araması gerektiğini söylemek yerine benzerlikleri belirlemesine, ilişkili görüntüleri gruplamasına veya olağandışı örüntüleri kendi başına öne çıkarmasına izin verirsin.

Büyük bir görüntü koleksiyonunda denetimsiz bir yaklaşım, benzer görüntüleri bir araya getirmeye veya daha fazla incelenmesi gerekebilecek 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 dâhil olmak üzere üretici modeller, tamamen yeni görüntüler oluşturmak için görüntülerin temel dağılımını öğrenir. Bu modeller görüntü sentezi, tamamlama, süper çözünürlük ve stil aktarımı gibi uygulamalara güç verir ve günümüzün üretken yapay zekâ sistemlerinin temelini oluşturur.

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

Denetimsiz öğrenme, etiketlemenin zaman aldığı ya da pratik olmadığı büyük veri kümeleriyle çalışırken de etkilidir. Böyle durumlarda etiketli eğitim verilerine bağlı kalmadan verilerden içgörü edinmeni sağlar.

Ayrıca modellerin büyük miktarda veriden genel özellikler öğrendiği üretken yapay zekâ (görüntü, metin veya ses gibi yeni veriler oluşturan modeller) ve temsil öğrenme (ham verilerden yararlı özellikler ya da örüntüler öğrenen modeller) gibi alanlarda da yaygın olarak kullanılır. Genel olarak problemin keşif, örüntü bulma veya etiketsiz verilerle çalışma içeriyorsa denetimsiz öğrenme değerlendirilebilecek esnek ve pratik bir yaklaşımdır.

Bilgisayarlı görüde denetimsiz öğrenmeye gerçek dünyadan örnekler#

Bilgisayarlı görüde denetimsiz öğrenmenin kullanıldığı bazı örnekler şunlardır:

• Üretimde anomali tespiti: Modeller normal ürünlerin nasıl göründüğünü öğrenebilir ve olası her kusurun etiketli örneğine ihtiyaç duymadan kusurları ya da düzensizlikleri işaretleyebilir.
• Görüntü düzenleme ve arama: Fotoğraf arşivleri veya e-ticaret katalogları gibi büyük görüntü koleksiyonları görsel benzerliklerine göre otomatik olarak gruplanabilir; böylece veri bilimcilerin büyük veri kümelerini düzenlemesi, incelemesi ve araması kolaylaşır.
• Gözetim ve güvenlik: Sistemler, olağandışı hareketler veya kalabalıktaki değişiklikler gibi beklenmedik örüntüleri ya da davranışları belirlemek için video görüntülerini, etiketli olaylarla özel olarak eğitilmeden analiz edebilir.
• Ön işleme ve veri keşfi: Denetimsiz yöntemler, denetimli modelleri eğitmeden önce ham görüntü verilerini incelemek ve yapılandırmak için sıklıkla kullanılır; böylece veri kalitesi iyileşir ve elle yapılan iş azalır.

Denetimli ve denetimsiz öğrenmenin pratik kısıtları#

Her iki öğrenme yaklaşımının da avantajları olsa da göz önünde bulundurulması gereken bazı kısıtları vardır. Bilgisayarlı görü modelleri oluştururken aklında bulundurman gereken bazı pratik noktalar şunlardır:

• Denetimli modellerde aşırı öğrenme: Denetimli öğrenmede model, genel örüntüleri öğrenmek yerine eğitim verilerini aşırı derecede öğrenebilir. Bu durum genellikle veri kümesi küçük veya yeterince çeşitli olmadığında ortaya çıkar. Örneğin tek tür üründeki kusurları algılamak üzere eğitilmiş bir model, ürünlerin veya ışık koşullarının biraz farklı olduğu yeni verilerde başarısız olabilir.
• Kümeleme algoritmalarıyla ilgili zorluklar: Denetimsiz öğrenmede model benzer veri noktalarını gruplayabilir. Ancak veriler gürültülü, tutarsız veya belirgin bir yapıdan yoksunsa bu yöntem yetersiz kalabilir. Örneğin görüntü gruplama görevlerinde benzer renklere sahip ancak farklı nesneleri içeren görüntüler yanlışlıkla aynı gruba konabilir.
• Doğru ön işlemenin önemi: Eğitimden önce verilerin temizlenmesi ve hazırlanması gerekir. Bu işlem genellikle görüntü işlemeyi ve veri dönüşümünü gerçekleştiren Python kütüphaneleriyle yapılır. Görüntülerin boyutu, kalitesi veya aydınlatması değişebildiğinden bu, bilgisayarlı görüde özellikle önemlidir. Doğru ön işleme yapılmazsa modeller anlamlı örüntüler yerine gürültüden öğrenebilir ve bu da performansın düşmesine yol açar.

Önemli çıkarımlar#

Bilgisayarlı görüde hem denetimli hem de denetimsiz öğrenme önemli roller oynar. Doğru yaklaşım; sahip olduğun verilerin etiketli olup olmamasına ve çözmeye çalıştığın probleme ve dağıtım ihtiyaçlarına bağlıdır.

Amacın yüksek doğruluk ve açıkça tanımlanmış çıktılarsa denetimli makine öğrenimi genellikle daha iyi bir seçenektir. Verileri inceliyor veya etiketsiz verilerle çalışıyorsan denetimsiz öğrenme daha uygun olabilir.

Yapay zekâ hakkında daha fazla bilgi edinmek ister misin? Topluluğumuza ve GitHub depomuza göz at. Robotikte yapay zekâ ve tarımda bilgisayarlı görü hakkında bilgi edinmek için çözüm sayfalarımızı keşfet. Lisanslama seçeneklerimizi incele ve bugün bilgisayarlı görüyle geliştirmeye başla!