2025'teki en iyi bilgisayarlı görü veri kümelerini keşfetme

Verilerin her gün yaptığın neredeyse her şeyde bir rol oynadığını biliyor muydun? Bir video izlemek, fotoğraf çekmek veya Google Haritalar'ı kontrol etmek, 75 milyardan fazla bağlı cihaz tarafından yakalanan sürekli bilgi akışına katkıda bulunur. Bu veri parçaları, yapay zekanın (AI) temelini oluşturur. Aslında, Ultralytics YOLO11 gibi gelişmiş bilgisayarla görü modelleri, desenleri belirlemek, görüntüleri yorumlamak ve etrafımızdaki dünyayı anlamlandırmak için görsel verilere güvenir.

İlginç bir şekilde, verilerin değeri yalnızca miktarından ibaret değildir. Ne kadar iyi organize edildiği ve hazırlandığı çok daha önemlidir. Bir veri seti dağınık veya eksikse hatalara yol açabilir. Ancak veri setleri temiz ve çeşitlilik gösterdiğinde, ister kalabalık bir gruptaki nesneleri tanımak ister karmaşık görselleri analiz etmek olsun, bilgisayarla görü modellerinin daha iyi performans göstermesine yardımcı olur. Yüksek kaliteli veri setleri tüm farkı yaratır.

Bu makalede, 2025'in en iyi bilgisayarlı görü veri kümelerini inceleyecek ve bunların nasıl daha doğru ve verimli bilgisayarlı görü modelleri oluşturmaya katkıda bulunduğunu göreceğiz. Hadi başlayalım!

Bilgisayarlı görü veri kümeleri nelerdir?#

Bir bilgisayarla görü veri seti, bilgisayarla görü sistemlerinin görsel bilgileri anlamayı ve tanımayı öğrenmesine yardımcı olan görüntü veya video koleksiyonudur. Bu veri setleri, modellerin veriler içindeki nesneleri, kişileri, sahneleri ve desenleri tanımasına yardımcı olan etiketler veya açıklamalarla birlikte gelir.

Bunlar, yüzleri tanımlama, nesneleri algılama veya sahneleri analiz etme gibi görevleri geliştirmelerine yardımcı olarak bilgisayarlı görü modellerini eğitmek için kullanılabilir. Veri kümesi ne kadar iyiyse -iyi düzenlenmiş, çeşitli ve doğru- yapay zeka modeli o kadar iyi performans gösterir, bu da günlük hayatta daha akıllı ve daha kullanışlı teknolojilere yol açar.

Bir bilgisayarlı görü veri kümesi nasıl oluşturulur#

Bir bilgisayarlı görü veri kümesi oluşturmak, birine dünyayı nasıl görüp anlayacağını öğretmek için çalışma notları hazırlamak gibidir. Her şey, geliştirdiğin belirli uygulamayla eşleşen görüntüleri ve videoları toplamakla başlar.

İdeal bir veri seti; farklı açılardan yakalanan, çeşitli aydınlatma koşullarında ve birden fazla arka plan ile ortamda çekilen ilgi çekici nesnelerin çeşitli örneklerini içerir. Bu çeşitlilik, bilgisayarla görü modelinin desenleri doğru bir şekilde tanımayı öğrenmesini ve gerçek dünya senaryolarında güvenilir bir şekilde performans göstermesini sağlar.

Şekil 1. Mükemmel görü veri kümesini oluşturmak. Yazarın görseli.

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

Etiketler; modelin görsel bilgileri doğru bir şekilde tanımasını ve yorumlamasını eğitmesine yardımcı olan nesne adları, konumları, sınırları veya diğer ilgili ayrıntıları içerebilir. Veri etiketleme, basit bir görüntü koleksiyonunu bir bilgisayarla görü modelini eğitmek için kullanılabilecek yapılandırılmış bir veri setine dönüştürür.

Model eğitimi yüksek kaliteli veri gerektirir#

Bir veri setini neyin yüksek kaliteli yaptığını merak ediyor olabilirsin. Doğru etiketleme, çeşitlilik ve tutarlılık gibi devreye giren birçok faktör vardır. Örneğin, birden fazla açıklayıcı kedi kulaklarını belirlemek için bir nesne tespiti veri setini etiketliyorsa, biri bunları kafanın bir parçası olarak etiketleyebilirken diğeri kulak olarak ayrı ayrı etiketleyebilir. Bu tutarsızlık modeli kafasını karıştırabilir ve doğru öğrenme yeteneğini etkileyebilir.

İşte ideal bir bilgisayarlı görü veri kümesinin niteliklerine kısa bir genel bakış:

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

Ultralytics çeşitli veri kümelerini destekler#

YOLO11 gibi Ultralytics YOLO modelleri, belirli bir YOLO dosya formatındaki veri kümeleriyle çalışacak şekilde oluşturulmuştur. Kendi verilerini bu formata dönüştürmek kolay olsa da, hemen denemeye başlamak isteyenler için zahmetsiz bir seçenek de sunuyoruz.

Ultralytics Python paketini kullanarak nesne tespiti, örnek bölütleme veya poz kestirimi gibi görevleri içeren projelere ek bir kurulum yapmadan hemen dalmanı sağlayan çok çeşitli bilgisayarla görü veri setlerini destekler.

Kullanıcılar; eğitim fonksiyonunda parametrelerden biri olarak veri kümesi adını belirterek COCO, DOTA-v2.0, Open Images V7 ve ImageNet gibi kullanıma hazır veri kümelerine kolayca erişebilirler. Bunu yaptığında veri kümesi otomatik olarak indirilir ve önceden yapılandırılır, böylece modellerini oluşturmaya ve iyileştirmeye odaklanabilirsin.

2025'teki en iyi 5 bilgisayarlı görü veri kümesi#

Görü tabanlı yapay zekadaki ilerlemeler, inovasyonu yönlendiren ve çığır açan gelişmelere olanak tanıyan çeşitli, büyük ölçekli veri kümelerine dayanır. Ultralytics tarafından desteklenen ve bilgisayarlı görü modellerini etkileyen en önemli veri kümelerinden bazılarına göz atalım.

ImageNet veri kümesi#

Fei-Fei Li ve Princeton Üniversitesi'ndeki ekibi tarafından 2007 yılında oluşturulan ve 2009'da tanıtılan ImageNet, 14 milyondan fazla etiketlenmiş görüntü içeren büyük bir veri setidir. Sistemleri farklı nesneleri tanımaya ve kategorize etmeye eğitmek için yaygın olarak kullanılır. Yapılandırılmış tasarımı, modellere görüntüleri doğru bir şekilde sınıflandırmayı öğretmek için onu özellikle yararlı kılar. İyi belgelenmiş olmasına rağmen, öncelikle görüntü sınıflandırmaya odaklanır ve nesne tespiti gibi görevler için ayrıntılı açıklamalardan uzaktır.

İşte ImageNet'in temel güçlü yönlerinden bazılarına bir bakış:

• Çeşitlilik: 20.000'den fazla kategoriyi kapsayan görüntüleriyle ImageNet, model eğitimini ve genellemesini geliştiren geniş ve çeşitli bir veri kümesi sunar.
• Yapılandırılmış organizasyon: Görüntüler, WordNet hiyerarşisi kullanılarak titizlikle kategorize edilir ve bu da verimli veri alımını ve sistematik model eğitimini kolaylaştırır.
• Kapsamlı belgeleme: Kapsamlı araştırma ve yıllar süren çalışma, ImageNet'i hem yeni başlayanlar hem de uzmanlar için erişilebilir hale getirerek bilgisayarla görü projeleri için değerli bilgiler ve rehberlik sağlar.

Ancak, her veri kümesi gibi onun da sınırlamaları vardır. İşte dikkate alınması gereken zorluklardan bazıları:

• Hesaplamalı talepler: Muazzam boyutu, sınırlı hesaplama kaynaklarına sahip küçük ekipler için zorluklar yaratabilir.
• Zamansal veri eksikliği: Yalnızca statik görüntüler içerdiğinden, video veya zamana dayalı veri gerektiren uygulamaların ihtiyaçlarını karşılamayabilir.
• Eski görüntüler: Veri kümesindeki bazı görüntüler daha eskidir ve güncel nesneleri, stilleri veya ortamları yansıtmayabilir, bu da modern uygulamalar için uygunluğu potansiyel olarak azaltabilir.

DOTA-v2.0 veri kümesi#

DOTA'nın Açılımı Havadan Görüntülerde Nesne Tespiti için Veri Seti (Dataset for Object Detection in Aerial Images) olan DOTA-v2.0 veri seti, özellikle yönlendirilmiş sınırlayıcı kutu (OBB) nesne tespiti için oluşturulmuş kapsamlı bir havadan görüntü koleksiyonudur. OBB tespitinde, görüntünün içindeki nesnelerin gerçek yönelimiyle daha doğru bir şekilde hizalanması için döndürülmüş sınırlayıcı kutular kullanılır. Bu yöntem, nesnelerin genellikle çeşitli açılarda göründüğü ve daha hassas konumlandırma ile genel olarak daha iyi tespit sağladığı havadan çekilen görüntüler için özellikle iyi çalışır.

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

Şekil 2. DOTA-v2.0 veri setinden görüntü ve açıklama örnekleri. Görsel, yazar tarafından oluşturulmuştur.

Ayrıntılı açıklamaları nedeniyle DOTA-v2.0, uzaktan algılama ve hava gözetleme projeleri için popüler bir seçenek haline gelmiştir. İşte DOTA-v2.0'ın temel özelliklerinden bazıları:

• Çeşitli nesne kategorileri: Araçlar, limanlar ve depolama tankları gibi birçok farklı nesne türünü kapsar ve modellere çeşitli gerçek dünya nesnelerine maruz kalma imkanı tanır.
• Yüksek kaliteli açıklamalar: Uzman etiketleyiciler, nesne şekillerini ve yönlerini net bir şekilde gösteren hassas bir şekilde yönlendirilmiş sınırlayıcı kutular sağlamıştır.
• Çok ölçekli görüntüler: Veri kümesi, farklı boyutlardaki görüntüleri içerir ve modellerin nesneleri hem küçük hem de büyük ölçeklerde nasıl algılayacağını öğrenmesine yardımcı olur.

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

• Ek indirme adımları: DOTA veri kümesinin korunma biçimi nedeniyle, DOTA-v2.0 ekstra bir kurulum adımı gerektirir. Veri kümesini tamamlamak için önce DOTA-v1.0 görüntülerini indirmeniz ve ardından DOTA-v2.0 için ekstra görüntüleri ve güncellenmiş açıklamaları eklemeniz gerekir.
• Karmaşık açıklamalar: Yönlendirilmiş sınırlayıcı kutular, model eğitimi sırasında ele alınması için ekstra çaba gerektirebilir.
• Sınırlı kapsam: DOTA-v2 hava görüntüleri için tasarlanmıştır, bu da onu bu alanın dışındaki genel nesne algılama görevleri için daha az yararlı kılar.

Roboflow 100 veri kümesi#

Roboflow 100 (RF100) veri seti, Intel'in desteğiyle Roboflow tarafından oluşturulmuştur. Nesne tespiti modellerinin ne kadar iyi çalıştığını test etmek ve kıyaslamak için kullanılabilir. Bu kıyaslama veri seti, 90.000'den fazla halka açık veri setinden seçilen 100 farklı veri seti içerir. Sağlık, havadan görünümler ve oyun gibi alanlardan 224.000'den fazla görüntüye ve 800 nesne sınıfına sahiptir.

İşte RF100 kullanmanın temel avantajlarından bazıları:

• Geniş alan kapsamı: Tıbbi görüntüleme, hava görüntüleri ve su altı keşfi gibi yedi alandan veri kümeleri içerir.
• Model gelişimini teşvik eder: RF100'deki değişkenlik ve alana özgü zorluklar, mevcut modellerdeki boşlukları ortaya çıkararak araştırmaları daha uyarlanabilir ve sağlam nesne algılama çözümlerine doğru yönlendirir.
• Tutarlı görüntü formatı: Tüm görüntüler 640x640 piksele yeniden boyutlandırılır. Bu, kullanıcıların görüntü boyutlarını ayarlamaya gerek kalmadan modelleri eğitmesine yardımcı olur.

Güçlü yönlerine rağmen RF100, akılda tutulması gereken bazı dezavantajlarla da gelir:

• Görevler açısından sınırlı: RF100 nesne algılama için tasarlanmıştır, bu nedenle bölümleme veya sınıflandırma gibi görevleri karşılayamaz.
• Kıyaslama odaklı: RF100, gerçek dünya uygulamaları için modelleri eğitmekten ziyade bir kıyaslama aracı olarak tasarlanmıştır, bu nedenle sonuçları pratik dağıtım senaryolarına tam olarak yansımayabilir.
• Açıklama değişkenliği: RF100, kitle kaynaklı veri kümelerini topladığından, açıklama kalitesinde ve etiketleme uygulamalarında tutarsızlıklar olabilir; bu da model değerlendirmesini ve ince ayarını etkileyebilir.

COCO (Common Objects in Context) veri kümesi#

COCO veri seti, ayrıntılı görüntü açıklamaları içeren 330.000'den fazla görüntü sunarak en yaygın kullanılan bilgisayarla görü veri setlerinden biridir. Nesne tespiti, bölütleme ve görüntü altyazılama için tasarlanmıştır ve bu da onu birçok proje için değerli bir kaynak haline getirir. Sınırlayıcı kutular ve bölütleme maskeleri dahil olmak üzere ayrıntılı etiketleri, sistemlerin görüntüleri hassas bir şekilde analiz etmeyi öğrenmesine yardımcı olur.

Bu veri kümesi, esnekliğiyle bilinir ve basit projelerden karmaşık projelere kadar çeşitli görevler için yararlıdır. Görüntü tabanlı yapay zeka alanında bir standart haline gelmiş olup, model performansını değerlendirmek için zorluklarda ve yarışmalarda sıklıkla kullanılır.

Güçlü yönlerinden bazıları şunlardır:

• Çeşitli ve gerçekçi veriler: Veri kümesi, birden fazla nesne, tıkanıklık ve çeşitli ışık koşullarına sahip gerçek dünya senaryolarından görüntüler içerir.
• Güçlü topluluk ve araştırma kabulü: Büyük makine öğrenimi yarışmalarında ve araştırmalarında kullanılan COCO veri kümesi, kapsamlı belgelere, önceden eğitilmiş modellere ve aktif topluluk desteğine sahiptir.
• Zengin ve ayrıntılı açıklamalar: COCO veri kümesi; nesne bölümleme, anahtar noktalar ve altyazılar dahil olmak üzere son derece ayrıntılı açıklamalar sağlar, bu da onu hassas görsel anlayış gerektiren projeler için ideal kılar.

Ayrıca dikkat etmeniz gereken birkaç sınırlayıcı faktör şunlardır:

• Yüksek hesaplama gereksinimleri: Boyutu ve karmaşıklığı nedeniyle, COCO üzerinde modelleri eğitmek önemli hesaplama kaynakları gerektirebilir, bu da sınırlı donanıma sahip ekipler için zorlayıcı olabilir.
• Veri dengesizliği: Bazı nesne kategorileri diğerlerinden önemli ölçüde daha fazla görüntüye sahiptir, bu da model eğitiminde yanlılığa yol açabilir.
• Karmaşık açıklama yapısı: Veri kümesinin ayrıntılı açıklamaları değerli olsa da, yapılandırılmış görüntü tabanlı yapay zeka veri kümeleriyle çalışma konusunda deneyimi olmayan yeni başlayanlar veya daha küçük ekipler için bunaltıcı olabilir.

Open Images V7 veri kümesi#

Open Images V7, Google tarafından küratörlüğü yapılan, 600 nesne kategorisi için açıklamalar içeren 9 milyondan fazla görüntüye sahip devasa bir açık kaynaklı veri setidir. Çeşitli açıklama türleri içerir ve karmaşık bilgisayarla görü görevlerinin üstesinden gelmek için idealdir. Ölçeği ve derinliği, bilgisayarla görü modellerini eğitmek ve test etmek için kapsamlı bir kaynak sağlar.

Şekil 3. Open Images V7 veri setine bir bakış. Görsel, yazar tarafından oluşturulmuştur.

Ayrıca, Open Images V7 veri kümesinin araştırmadaki popülaritesi, kullanıcıların öğrenmesi için bol miktarda kaynak ve örnek sağlar. Ancak, devasa boyutu, özellikle küçük ekipler için indirmeyi ve işlemeyi zaman alıcı hale getirebilir. Bir başka sorun da, bazı açıklamaların tutarsız olabilmesi, verileri temizlemek için ekstra çaba gerektirmesi ve entegrasyonun her zaman sorunsuz olmamasıdır; bu da ek hazırlık gerekebileceği anlamına gelir.

Doğru veri kümesini seçmek#

Doğru veri kümesini seçmek, bilgisayarlı görü projenizi başarıya hazırlamanın büyük bir parçasıdır. En iyi seçim, özel görevinize bağlıdır; iyi bir eşleşme bulmak, modelinizin doğru becerileri öğrenmesine yardımcı olur. Ayrıca araçlarınızla kolayca entegre olmalıdır, böylece modelinizi oluşturmaya daha fazla, sorun gidermeye daha az odaklanabilirsiniz.

Şekil 4. Doğru veri kümesini seçmek için faktörler. Yazarın görseli.

Öne çıkanlar#

Yüksek kaliteli veri kümeleri, herhangi bir bilgisayarlı görü modelinin bel kemiğidir ve sistemlerin görüntüleri doğru bir şekilde yorumlamayı öğrenmesine yardımcı olur. Çeşitli ve iyi açıklanmış veri kümeleri özellikle önemlidir, çünkü modellerin gerçek dünya senaryolarında güvenilir bir şekilde performans göstermesini sağlar ve sınırlı veya düşük kaliteli verilerden kaynaklanan hataları azaltır.

Ultralytics, bilgisayarlı görü veri kümelerine erişme ve bunlarla çalışma sürecini basitleştirerek projeniz için doğru verileri bulmanızı kolaylaştırır. Doğru veri kümesini seçmek, yüksek performanslı bir model oluşturmada çok önemli bir adımdır ve daha hassas ve etkili sonuçlara yol açar.

Yapay zeka hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depolarımızı keşfet. Çözüm sayfalarımızda sağlık sektörü için bilgisayarla görü ve otonom araçlarda yapay zeka gibi gelişmeleri keşfet. Lisanslama seçeneklerimize göz at ve bugün bilgisayarla görüye başlamak için ilk adımı at!