2025'in en iyi bilgisayarlı görü veri kümelerini keşfetme

Verilerin günlük yaptığın neredeyse her şeyde rol oynadığını biliyor muydun? Video izlemek, fotoğraf çekmek veya Google Haritalar'ı kontrol etmek, 75 milyardan fazla bağlı cihazın yakaladığı sürekli bilgi akışına katkıda bulunur. Bu veri parçaları, yapay zekânın (AI) temelini oluşturur. Nitekim Ultralytics YOLO11 gibi gelişmiş bilgisayarlı görü modelleri; örüntüleri belirlemek, görüntüleri yorumlamak ve çevremizdeki dünyayı anlamlandırmak için görsel verilere dayanır.

İlginçtir ki verinin değeri yalnızca miktarıyla ilgili değildir. Daha önemli olan, verinin ne kadar iyi düzenlenip hazırlandığıdır. Veri kümesi dağınık veya eksikse hatalara yol açabilir. Ancak veri kümeleri temiz ve çeşitli olduğunda, kalabalıkta nesneleri tanımaktan karmaşık görselleri analiz etmeye kadar bilgisayarlı görü modellerinin daha iyi performans göstermesine yardımcı olur. Yüksek kaliteli veri kümeleri büyük fark yaratır.

Bu makalede 2025'in en iyi bilgisayarlı görü veri kümelerini inceleyecek ve daha doğru, verimli bilgisayarlı görü modelleri oluşturmaya nasıl katkı sağladıklarını göreceğiz.

Bilgisayarlı görü veri kümeleri nedir?#

Bilgisayarlı görü veri kümesi, bilgisayarlı görü sistemlerinin görsel bilgileri anlamayı ve tanımayı öğrenmesine yardımcı olan görüntü veya video koleksiyonudur. Bu veri kümeleri, modellerin verilerdeki nesneleri, insanları, sahneleri ve örüntüleri tanımasına yardımcı olan etiketler veya açıklamalar içerir.

Bilgisayarlı görü modellerini eğitmek için kullanılabilir ve yüz tanıma, nesne algılama veya sahne analizi gibi görevleri iyileştirmelerine yardımcı olurlar. Veri kümesi ne kadar iyiyse (iyi düzenlenmiş, çeşitli ve doğruysa) görsel yapay zekâ modeli de o kadar iyi performans gösterir; bu da günlük yaşamda daha akıllı ve kullanışlı teknolojiler sunar.

Bilgisayarlı görü veri kümesi oluşturma#

Bilgisayarlı görü veri kümesi oluşturmak, birine dünyayı görmeyi ve anlamayı öğretmek için çalışma notları hazırlamaya benzer. Her şey, geliştirdiğin belirli uygulamayla eşleşen görüntü ve videoları toplamakla başlar.

İdeal bir veri kümesi, ilgilenilen nesnelerin farklı açılardan, çeşitli ışık koşullarında ve birden fazla arka plan ve ortamda yakalanmış çeşitli örneklerini içerir. Bu çeşitlilik, bilgisayarlı görü modelinin örüntüleri doğru tanımayı öğrenmesini ve gerçek dünya senaryolarında güvenilir biçimde çalışmasını sağlar.

Şekil 1. İdeal görsel veri kümesini oluşturma. Görsel yazar tarafından hazırlanmıştır.

İlgili görüntü ve videoları topladıktan sonraki adım veri etiketlemedir. Bu süreç, yapay zekânın her görüntü veya videonun ne içerdiğini anlayabilmesi için verilere etiketler, açıklamalar veya tanımlar eklemeyi kapsar.

Etiketler; modelin görsel bilgileri doğru biçimde tanımayı ve yorumlamayı öğrenmesine yardımcı olan nesne adlarını, konumları, sınırları veya diğer ilgili ayrıntıları içerebilir. Veri etiketleme, basit bir görüntü koleksiyonunu bilgisayarlı görü modelini eğitmek için kullanılabilecek yapılandırılmış bir veri kümesine dönüştürür.

Model eğitimi yüksek kaliteli veriler gerektirir#

Bir veri kümesini yüksek kaliteli yapan özellikleri merak ediyor olabilirsin. Doğru etiketleme, çeşitlilik ve tutarlılık gibi birçok etken vardır. Örneğin, birden fazla etiketleyici nesne algılama veri kümesinde kedi kulaklarını işaretliyorsa, biri bunları başın parçası olarak etiketlerken diğeri ayrı kulaklar olarak etiketleyebilir. Bu tutarsızlık modeli şaşırtabilir ve doğru öğrenme yeteneğini etkileyebilir.

İdeal bir bilgisayarlı görü veri kümesinin özelliklerine hızlıca göz atalım:

• Açık etiketler: Her görüntü, tutarlı ve kesin etiketlerle doğru biçimde açıklanmıştır.
• Çeşitli veriler: Veri kümesi, modelin farklı durumlarda iyi çalışmasına yardımcı olmak için farklı nesneler, arka planlar, ışık koşulları ve açılar içerir.
• Yüksek çözünürlüklü görüntüler: Net ve ayrıntılı görüntüler, modelin özellikleri öğrenmesini ve tanımasını kolaylaştırır.

Ultralytics çeşitli veri kümelerini destekler#

YOLO11 gibi Ultralytics YOLO modelleri, belirli bir YOLO dosya biçimindeki veri kümeleriyle çalışacak şekilde tasarlanmıştır. Kendi verilerini bu biçime dönüştürmek kolay olsa da hemen denemeye başlamak isteyenler için daha basit bir seçenek de sunuyoruz.

Ultralytics Python paketi, çok çeşitli bilgisayarlı görü veri kümelerini destekler; böylece ek bir kurulum yapmadan nesne algılama, örnek segmentasyonu veya poz tahmini gibi görevleri içeren projelere başlayabilirsin.

Kullanıcılar, eğitim işlevindeki parametrelerden biri olarak veri kümesinin adını belirterek COCO, DOTA (v1.0 ve v1.5), Open Images V7 ve ImageNet gibi kullanıma hazır veri kümelerine kolayca erişebilir. Bunu yaptığında veri kümesi otomatik olarak indirilip önceden yapılandırılır; böylece modellerini oluşturmaya ve iyileştirmeye odaklanabilirsin.

2025'in en iyi 5 bilgisayarlı görü veri kümesi#

Görsel yapay zekâdaki ilerlemeler, yenilikleri destekleyen ve çığır açan gelişmelerin önünü açan çeşitli, büyük ölçekli veri kümelerine dayanır. Bilgisayarlı görü modellerini etkileyen, Ultralytics tarafından desteklenen en önemli veri kümelerinden bazılarına göz atalım.

ImageNet veri kümesi#

2007'de Fei-Fei Li ve Princeton University'deki ekibi tarafından oluşturulan ve 2009'da tanıtılan ImageNet, 14 milyondan fazla etiketli görüntü içeren büyük bir veri kümesidir. Farklı nesneleri tanımak ve kategorilere ayırmak üzere sistemleri eğitmek için yaygın olarak kullanılır. Yapılandırılmış tasarımı, modellerin görüntüleri doğru şekilde sınıflandırmayı öğrenmesi açısından özellikle kullanışlıdır. İyi belgelenmiş olsa da temel olarak görüntü sınıflandırmaya odaklanır ve nesne algılama gibi görevler için ayrıntılı anotasyonlar içermez.

ImageNet'in öne çıkan güçlü yönlerinden bazılarına göz atalım:

• Çeşitlilik: 20.000'den fazla kategoriyi kapsayan görüntülerle ImageNet, model eğitimini ve genelleme kabiliyetini geliştiren geniş ve çeşitli bir veri kümesi sunar.
• Yapılandırılmış düzen: Görüntiler, WordNet hiyerarşisi kullanılarak titizlikle kategorilere ayrılır; bu da verilerin verimli şekilde alınmasını ve sistematik model eğitimini kolaylaştırır.
• Kapsamlı dokümantasyon: Kapsamlı araştırmalar ve yıllar süren çalışmalar, ImageNet'i hem yeni başlayanlar hem de uzmanlar için erişilebilir kılar ve bilgisayarlı görü projelerine yönelik değerli bilgiler ve rehberlik sunar.

Ancak her veri kümesinde olduğu gibi bunun da sınırlamaları vardır. Dikkate alman gereken zorluklardan bazıları şunlardır:

• Hesaplama gereksinimleri: Büyük boyutu, sınırlı bilgi işlem kaynaklarına sahip küçük ekipler için zorluk yaratabilir.
• Zamansal veri eksikliği: Yalnızca durağan görüntüler içerdiğinden video veya zamana dayalı veri gerektiren uygulamaların ihtiyaçlarını karşılamayabilir.
• Güncelliğini yitirmiş görüntüler: Veri kümesindeki bazı görüntüler eskidir ve günümüzdeki nesneleri, tarzları veya ortamları yansıtmayabilir; bu da modern uygulamalar açısından yararlılığını azaltabilir.

DOTA-v2.0 veri kümesi#

DOTA'nın Açık Hava Görüntülerinde Nesne Algılama Veri Kümesi anlamına geldiği DOTA-v2.0 veri kümesi, özellikle yönlendirilmiş sınırlayıcı kutu (OBB) ile nesne algılama için oluşturulmuş kapsamlı bir hava görüntüleri koleksiyonudur. OBB algılamada, görüntüdeki nesnelerin gerçek yönelimine daha doğru uyum sağlamak için döndürülmüş sınırlayıcı kutular kullanılır. Bu yöntem, nesnelerin genellikle farklı açılarda göründüğü hava görüntülerinde özellikle iyi çalışır ve daha hassas konumlandırma ile genel olarak daha iyi algılama sağlar.

Bu veri kümesi, 18 nesne kategorisinde 11.000'den fazla görüntü ve 1,7 milyondan fazla yönlendirilmiş sınırlayıcı kutudan oluşur. Görüntüler 800×800 ile 20.000×20.000 piksel arasında değişir ve uçaklar, gemiler ve binalar gibi nesneler içerir.

Şekil 2. DOTA-v2.0 veri kümesinden görüntü ve anotasyon örnekleri. Görselin sahibi: yazar.

Ayrıntılı anotasyonları sayesinde DOTA-v2.0, uzaktan algılama ve hava gözetimi projelerinde popüler bir tercih hâline gelmiştir. DOTA-v2.0'ın öne çıkan özelliklerinden bazıları şunlardır:

• Çeşitli nesne kategorileri: Araçlar, limanlar ve depolama tankları gibi birçok farklı nesne türünü kapsar ve modellerin çeşitli gerçek dünya nesnelerini görmesini sağlar.
• Yüksek kaliteli anotasyonlar: Uzman anotatörler, nesnelerin şeklini ve yönünü açıkça gösteren, hassas biçimde yönlendirilmiş sınırlayıcı kutular sağlamıştır.
• Çok ölçekli görüntüler: Veri kümesi farklı boyutlarda görüntüler içerir ve modellerin hem küçük hem de büyük ölçeklerdeki nesneleri algılamayı öğrenmesine yardımcı olur.

DOTA-v2'nin birçok güçlü yönü olsa da kullanıcıların aklında bulundurması gereken bazı sınırlamalar şunlardır:

• Ek indirme adımları: DOTA veri kümesinin tutulma biçimi nedeniyle DOTA-v2.0 ek bir kurulum adımı gerektirir. Veri kümesini tamamlamak için önce DOTA-v1.0 görüntülerini indirmen, ardından DOTA-v2.0'ın ek görüntülerini ve güncellenmiş anotasyonlarını eklemen gerekir.
• Karmaşık anotasyonlar: Yönlendirilmiş sınırlayıcı kutular, model eğitimi sırasında ek iş gerektirebilir.
• Sınırlı kapsam: DOTA-v2 hava görüntüleri için tasarlanmıştır; bu nedenle bu alanın dışındaki genel nesne algılama görevleri için daha az kullanışlıdır.

Roboflow 100 veri kümesi#

Roboflow 100 (RF100) veri kümesi, Intel'in desteğiyle Roboflow tarafından oluşturulmuştur. Nesne algılama modellerinin performansını test etmek ve kıyaslamak için kullanılabilir. Bu kıyaslama veri kümesi, 90.000'den fazla herkese açık veri kümesi arasından seçilen 100 farklı veri kümesini içerir. Sağlık hizmetleri, hava görüntüleri ve oyun gibi alanlardan 224.000'den fazla görüntü ve 800 nesne sınıfı barındırır.

RF100 kullanmanın temel avantajlarından bazıları şunlardır:

• Geniş alan kapsamı: Tıbbi görüntüleme, hava görüntüleri ve su altı keşfi gibi yedi alandan veri kümeleri içerir.
• Model geliştirmeyi teşvik eder: RF100'deki çeşitlilik ve alana özgü zorluklar, mevcut modellerdeki eksikleri ortaya çıkararak araştırmaları daha uyarlanabilir ve sağlam nesne algılama çözümlerine yönlendirir.
• Tutarlı görüntü biçimi: Tüm görüntüler 640x640 piksel boyutuna getirilir. Böylece kullanıcılar görüntü boyutlarını ayarlamak zorunda kalmadan modelleri eğitebilir.

Güçlü yönlerine rağmen RF100'ün akılda tutulması gereken bazı dezavantajları da vardır:

• Görevler açısından sınırlıdır: RF100 nesne algılama için tasarlanmıştır; bu nedenle segmentasyon veya sınıflandırma gibi görevleri destekleyemez.
• Kıyaslamaya odaklıdır: RF100, modelleri gerçek dünya uygulamaları için eğitmekten ziyade öncelikli olarak bir kıyaslama aracı olarak tasarlanmıştır. Bu nedenle sonuçları, gerçek kullanım senaryolarına bütünüyle yansımayabilir.
• Anotasyon değişkenliği: RF100, kitle kaynaklı veri kümelerini bir araya getirdiğinden anotasyon kalitesinde ve etiketleme uygulamalarında tutarsızlıklar olabilir; bu da model değerlendirmesini ve ince ayarını etkileyebilir.

COCO (Bağlam İçindeki Yaygın Nesneler) veri kümesi#

COCO veri kümesi, ayrıntılı görüntü anotasyonlarıyla 330.000'den fazla görüntü sunan, en yaygın kullanılan bilgisayarlı görü veri kümelerinden biridir. Nesne algılama, segmentasyon ve görüntü açıklaması oluşturma görevleri için tasarlanmıştır; bu da onu birçok proje için değerli bir kaynak hâline getirir. Sınırlayıcı kutular ve segmentasyon maskeleri dâhil olmak üzere ayrıntılı etiketleri, sistemlerin görüntüleri hassas biçimde analiz etmeyi öğrenmesine yardımcı olur.

Bu veri kümesi esnekliğiyle bilinir ve basit projelerden karmaşık projelere kadar çeşitli görevlerde kullanışlıdır. Görsel yapay zekâ alanında bir standart hâline gelmiş ve model performansını değerlendirmek için yarışmalarda ve mücadelelerde sıkça kullanılmıştır.

Güçlü yönlerinden bazıları şunlardır:

• Çeşitli ve gerçekçi veriler: Veri kümesi; birden fazla nesnenin, örtüşmelerin ve değişken aydınlatma koşullarının bulunduğu gerçek dünya senaryolarından görüntüler içerir.
• Güçlü topluluk ve araştırma desteği: Büyük makine öğrenimi yarışmalarında ve araştırmalarda kullanılan COCO veri kümesi, kapsamlı dokümantasyona, önceden eğitilmiş modellere ve aktif topluluk desteğine sahiptir.
• Zengin ve ayrıntılı açıklamalar: COCO veri kümesi; nesne segmentasyonu, kilit noktalar ve açıklamalar dâhil son derece ayrıntılı açıklamalar sunar. Bu özellikleriyle hassas görsel anlama gerektiren projeler için idealdir.

Dikkat etmen gereken bazı sınırlayıcı etkenler de şunlardır:

• Yüksek hesaplama gereksinimleri: Boyutu ve karmaşıklığı nedeniyle COCO üzerinde model eğitimi önemli miktarda bilgi işlem kaynağı gerektirebilir; bu da sınırlı donanıma sahip ekipler için zorluk yaratır.
• Veri dengesizliği: Bazı nesne kategorilerinde diğerlerine kıyasla önemli ölçüde daha fazla görüntü bulunur; bu da model eğitiminde yanlılığa yol açabilir.
• Karmaşık anotasyon yapısı: Veri kümesinin ayrıntılı anotasyonları değerli olsa da yapılandırılmış görsel yapay zekâ veri kümeleriyle çalışma deneyimi olmayan yeni başlayanlar veya küçük ekipler için bunaltıcı olabilir.

Open Images V7 veri kümesi#

Google tarafından derlenen Open Images V7, 600 nesne kategorisi için anotasyonlar içeren 9 milyondan fazla görüntüden oluşan devasa bir açık kaynak veri kümesidir. Çeşitli anotasyon türleri içerir ve karmaşık bilgisayarlı görü görevleri için idealdir. Ölçeği ve kapsamı, bilgisayarlı görü modellerini eğitmek ve test etmek için kapsamlı bir kaynak sunar.

Şekil 3. Open Images V7 veri kümesine bir bakış. Görselin sahibi: yazar.

Ayrıca Open Images V7 veri kümesinin araştırmalardaki popülerliği, kullanıcıların öğrenebileceği pek çok kaynak ve örnek sunar. Ancak devasa boyutu, özellikle küçük ekipler için indirme ve işleme süreçlerini zaman alıcı hâle getirebilir. Bazı anotasyonların tutarsız olabilmesi de verileri temizlemek için ek çaba gerektirir; ayrıca entegrasyon her zaman sorunsuz olmadığından ek hazırlık gerekebilir.

Doğru veri kümesini seçmek#

Doğru veri kümesini seçmek, bilgisayarlı görü projenin başarıya ulaşması için büyük önem taşır. En iyi seçim, özel görevine bağlıdır; uygun bir eşleşme, modelinin doğru becerileri öğrenmesine yardımcı olur. Ayrıca araçlarınla kolayca entegre olmalı; böylece sorun gidermeye daha az, modelini geliştirmeye daha çok odaklanabilirsin.

Şekil 4. Doğru veri kümesini seçme etkenleri. Görselin sahibi: yazar.

Önemli çıkarımlar#

Yüksek kaliteli veri kümeleri, her bilgisayarlı görü modelinin temelini oluşturur ve sistemlerin görüntüleri doğru şekilde yorumlamayı öğrenmesine yardımcı olur. Çeşitli ve iyi anotasyonlanmış veri kümeleri özellikle önemlidir; modellerin gerçek dünya senaryolarında güvenilir biçimde çalışmasını sağlar ve sınırlı veya düşük kaliteli verilerden kaynaklanan hataları azaltır.

Ultralytics, bilgisayarlı görü veri kümelerine erişme ve bu veri kümeleriyle çalışma sürecini kolaylaştırarak projen için doğru veriyi bulmanı kolaylaştırır. Doğru veri kümesini seçmek, yüksek performanslı bir model oluşturmanın kritik adımıdır ve daha hassas, etkili sonuçlar sağlar.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu incele. Çözümler sayfalarımızda sağlık hizmetlerinde bilgisayarlı görü ve kendi kendine giden araçlarda yapay zekâ gibi gelişmeleri keşfet. Lisans seçeneklerimize göz at ve bugün bilgisayarlı görüye başlamak için ilk adımı at!