Görüntüleme yapay zekası uygulamaları için çeşitli veri türlerini keşfetmek

Dron gibi teknolojiler eskiden sınırlıydı ve yalnızca araştırmacılar ve uzmanlar tarafından erişilebiliyordu, ancak günümüzde son teknoloji donanımlar daha geniş bir kitle için erişilebilir hale geliyor. Bu değişim, görsel veri toplama yöntemlerimizi değiştiriyor. Daha erişilebilir teknoloji sayesinde artık sadece geleneksel kameraların ötesinde, çeşitli kaynaklardan görüntü ve videolar yakalayabiliyoruz.

Buna paralel olarak, yapay zekanın (AI) bir kolu olan computer vision tarafından desteklenen görüntü analitiği hızla evrilmekte; makinelerin görsel verileri daha etkili bir şekilde yorumlamasını ve işlemesini sağlamaktadır. Bu ilerleme; otomasyon, nesne tespiti ve gerçek zamanlı analiz için yeni olasılıkların kapısını aralamıştır. Makineler artık desenleri tanıyabilir, hareketi takip edebilir ve karmaşık görsel girdileri anlamlandırabilir.

visual data türlerinin bazı ana örnekleri arasında; nesne tanıma için yaygın olarak kullanılan RGB (Kırmızı, Yeşil, Mavi) görüntüler, düşük ışık koşullarında ısı imzalarını tespit etmeye yardımcı olan termal görüntüleme ve makinelerin 3B ortamları anlamasını sağlayan derinlik verileri yer alır. Bu veri türlerinin her biri, gözetimden medical imaging alanına kadar vision AI uygulamalarını güçlendirmede hayati bir rol oynar.

Bu makalede, görsel yapay zekada kullanılan temel görsel veri türlerini inceleyeceğiz ve her birinin çeşitli sektörlerde doğruluğu, verimliliği ve performansı artırmaya nasıl katkıda bulunduğunu keşfedeceğiz. Haydi başlayalım!

En yaygın yapay zeka görüntü ve video veri kümesi türü#

Genellikle, fotoğraf çekmek veya güvenlik kamerası görüntülerini izlemek için akıllı telefon kullandığında RGB görüntüleriyle çalışırsın. RGB; kırmızı, yeşil ve mavi anlamına gelir ve dijital görüntülerdeki görsel bilgiyi temsil eden üç renk kanalıdır.

RGB görüntüleri ve videoları, bilgisayarlı görüde kullanılan ve her ikisi de standart kameralar kullanılarak yakalanan birbiriyle yakından ilişkili görsel veri türleridir. Aralarındaki temel fark, görüntülerin tek bir anı yakalaması, videoların ise nesnelerin zaman içinde nasıl değiştiğini gösteren bir kare dizisi olmasıdır.

RGB görüntüler genellikle Ultralytics YOLO11 gibi modeller tarafından desteklenen nesne tespiti, örnek bölütleme ve poz tahmini gibi computer vision tasks için kullanılır. Bu uygulamalar, tek bir karedeki desenlerin, şekillerin veya belirli özelliklerin tanımlanmasına dayanır.

Videolar ise el hareketi tanıma, gözetim veya eylem takibi gibi hareketin veya zamanın söz konusu olduğu durumlarda esastır. Videolar bir dizi görüntü olarak değerlendirilebildiği için Ultralytics YOLO11 gibi bilgisayarla görü modelleri, zaman içinde hareketi ve davranışı anlamak üzere bunları kare kare işler.

Örneğin, tarım tarlalarında yabani otları tespit etmek ve bitkileri saymak amacıyla RGB görüntülerini veya videolarını analiz etmek için Ultralytics YOLO11 kullanılabilir. Bu, ürün izlemeyi geliştirir ve daha verimli bir çiftlik yönetimi için büyüme döngüleri boyunca değişikliklerin takip edilmesine yardımcı olur.

Fig 1. YOLO11, daha akıllı mahsul izleme için bitkileri tespit edebilir ve sayabilir.

Yapay zekada derinlik verisi: LiDAR ve 3D algılama#

Derinlik verileri, nesnelerin kameradan veya sensörden ne kadar uzakta olduğunu belirterek görsel bilgilere üçüncü bir boyut ekler. Yalnızca capture color ve doku yakalayan RGB görüntülerin aksine, derinlik verileri mekansal bağlam sağlar. Nesneler ile kamera arasındaki mesafeyi göstererek bir sahnenin 3B düzenini yorumlamayı mümkün kılar.

Bu veri türü; LiDAR, stereo görme (insan derinlik algısını taklit etmek için iki kamera kullanma) ve Uçuş Süresi (ışığın bir nesneye gidip dönmesi için geçen süreyi ölçme) kameraları gibi teknolojiler kullanılarak yakalanır.

Bunlar arasında LiDAR (Işık Algılama ve Uzaklık Belirleme), derinlik ölçümü için genellikle en güvenilir olanıdır. Hızlı lazer darbeleri göndererek ve bunların geri dönmesinin ne kadar sürdüğünü ölçerek çalışır. Sonuç, nesnelerin şeklini, konumunu ve mesafesini gerçek zamanlı olarak vurgulayan, nokta bulutu olarak bilinen son derece doğru bir 3D haritadır.

LiDAR'ın görsel yapay zeka sistemlerindeki artan rolü#

LiDAR teknolojisi, her biri belirli uygulamalar ve ortamlar için tasarlanmış iki ana türe ayrılabilir. İşte her iki türe daha yakından bir bakış:

• Havadan LiDAR: Genellikle büyük alanları haritalandırmak için kullanılan havadan LiDAR tarayıcıları, büyük ölçekli topoğrafik haritalandırma için yüksek çözünürlüklü veriler yakalamak üzere drones veya uçaklara monte edilir. Araziyi, ormanları ve manzaraları incelemek için idealdir.
• Karasal LiDAR: Bu LiDAR verisi türü; altyapı izleme, inşaat ve iç mekan haritalama gibi uygulamalar için araçlara veya sabit platformlara monte edilmiş sensörlerden toplanır. Şehir planlama ve belirli yapıların etüdü gibi görevler için faydalı kılan, daha küçük, yerel alanlar için son derece ayrıntılı veriler sağlar.

LiDAR verilerinin etkili bir uygulaması, şerit tespiti, çarpışmadan kaçınma ve yakındaki nesneleri belirleme gibi görevlerde kilit rol oynadığı autonomous vehicles alanındadır. LiDAR, ortamın ayrıntılı, gerçek zamanlı 3B haritalarını oluşturarak aracın nesneleri görmesini, mesafelerini hesaplamasını ve güvenli bir şekilde seyrüsefer yapmasını sağlar.

Şekil 2. LiDAR teknolojisi, otonom araçların derinliği haritalamasını ve nesneleri algılamasını sağlar.

Yapay zeka uygulamalarında termal ve kızılötesi veri kullanımı#

RGB görüntüleri görünür ışık spektrumunda gördüklerimizi yakalar; ancak termal ve kızılötesi görüntüleme gibi diğer görüntüleme teknolojileri bunun ötesine geçer. Kızılötesi görüntüleme, nesneler tarafından yayılan veya yansıtılan kızılötesi ışığı yakalar, bu da onu düşük ışık koşullarında yararlı kılar.

Termal görüntüleme ise nesneler tarafından yayılan ısıyı algılar ve sıcaklık farklarını gösterir; bu da tam karanlıkta veya duman, sis ve diğer engellerin içinden çalışmasını sağlar. Bu veri türü, özellikle sıcaklık değişimlerinin potansiyel sorunlara işaret edebildiği endüstrilerde izleme ve sorun algılama için özellikle yararlıdır.

İlginç bir örnek, electrical components üzerinde aşırı ısınma belirtilerini izlemek için kullanılan termal görüntülemedir. Sıcaklık farklarını tespit ederek termal kameralar, ekipman arızasına, yangınlara veya maliyetli hasarlara yol açmadan önce sorunları belirleyebilir.

Fig 3. Elektrikli bileşenleri izlemek için kullanılan termal görüntüleme örneği.

Benzer şekilde, kızılötesi görüntüler; sızan gazları veya sıvıları gösteren sıcaklık farklarını tanımlayarak boru hatlarındaki veya yalıtımdaki sızıntıları tespit etmeye yardımcı olabilir; bu da tehlikeli durumları önlemek ve enerji verimliliğini artırmak için çok önemlidir.

Yapay zekada çok spektrumlu ve hiper spektrumlu görüntüleme#

Kızılötesi ve termal görüntüleme elektromanyetik spektrumun belirli yönlerini yakalarken, çok spektrumlu görüntüleme ışığı birkaç seçilmiş dalga boyu aralığından toplar ve her biri sağlıklı bitki örtüsünü tespit etmek veya yüzey malzemelerini tanımlamak gibi belirli bir amaç için seçilir.

Hiper spektrumlu görüntüleme, ışığı yüzlerce çok dar ve sürekli dalga boyu aralığında yakalayarak bunu bir adım öteye taşır. Bu, görüntüdeki her piksel için ayrıntılı bir ışık imzası sağlayarak gözlemlenen herhangi bir materyalin çok daha derin bir şekilde anlaşılmasını sunar.

Fig 4. Çok spektrumlu ve hiperspektrumlu görüntülemenin karşılaştırılması.

Hem çok spektrumlu hem de hiper spektrumlu görüntüleme, ışığı farklı dalga boylarında yakalamak için özel sensörler ve filtreler kullanır. Veriler daha sonra, her katman farklı bir dalga boyunu temsil edecek şekilde spektral küp adı verilen 3D bir yapıda düzenlenir.

Yapay zeka modelleri, normal kameraların veya insan gözünün göremediği özellikleri tespit etmek için bu verileri analiz edebilir. Örneğin, plant phenotyping sürecinde hiperspektrumlu görüntüleme; yaprak veya gövdelerindeki besin eksikliği veya stres gibi ince değişiklikleri tespit ederek bitkilerin sağlığını ve büyümesini izlemek için kullanılabilir. Bu, araştırmacıların istilacı yöntemlere gerek kalmadan bitki sağlığını değerlendirmesine ve tarımsal uygulamaları optimize etmesine yardımcı olur.

Yapay zeka kullanarak radar ve sonar görüntülemesini analiz etme#

Radar ve sonar görüntüleme; LiDAR'a benzer şekilde sinyaller göndererek ve yansımalarını analiz ederek nesneleri algılayan ve haritalayan teknolojilerdir. Görsel bilgiyi yakalamak için ışık dalgalarına dayanan RGB görüntülemesinin aksine, radar radyo dalgaları gibi elektromanyetik dalgalar kullanırken, sonar ses dalgaları kullanır. Hem radar hem de sonar sistemleri darbeler yayar ve sinyalin bir nesneden geri dönmesi için geçen süreyi ölçerek nesnenin mesafesi, boyutu ve hızı hakkında bilgi sağlar.

Radar görüntüleme, özellikle sis, yağmur veya gece gibi görüş mesafesinin zayıf olduğu durumlarda yararlıdır. Işığa dayanmadığı için, tam karanlıkta uçakları, araçları veya araziyi tespit edebilir. Bu, radarı havacılık, hava durumu izleme ve otonom navigasyonda güvenilir bir seçenek haline getirir.

Buna karşılık sonar görüntüleme, ışığın ulaşamadığı su altı ortamlarında yaygın olarak kullanılır. Sudan geçen ve batık nesnelerden seken ses dalgalarını kullanarak deniz altılarının tespit edilmesini, okyanus tabanlarının haritalandırılmasını ve su altı arama kurtarma görevlerinin gerçekleştirilmesini sağlar. Computer vision alanındaki gelişmeler, gelişmiş tespit ve karar verme için sonar verilerini akıllı analizle birleştirerek underwater detection özelliklerini daha da geliştirmeyi artık mümkün kılmaktadır.

Şekil 5. Bir SONAR sisteminin deniz derinliğini ölçmek için ultrason darbelerini nasıl kullandığı. (Kaynak: bbc.co.uk)

Yapay zeka modeli eğitimi için sentetik ve simüle edilmiş görsel veri#

Şimdiye kadar ele aldığımız farklı veri türleri, gerçek dünyadan toplanabilen türlerdi. Ancak sentetik ve simüle edilmiş görsel verilerin her ikisi de yapay içerik türleridir. Sentetik veriler, gerçekçi görünümlü görüntüler veya videolar üretmek için 3D modeling veya üretken yapay zeka kullanılarak sıfırdan oluşturulur.

Fig 6. Sentetik olarak oluşturulmuş görüntülere bir bakış.

Simüle edilmiş veri benzerdir ancak ışık yansıması, gölge oluşumu ve nesne hareketi dahil olmak üzere fiziksel dünyanın nasıl davrandığını kopyalayan sanal ortamlar oluşturmayı içerir. Tüm simüle edilmiş görsel veriler sentetik olsa da, tüm sentetik veriler simüle edilmiş değildir. Temel fark, simüle edilmiş verilerin sadece görünümü değil, gerçekçi davranışı da kopyalamasıdır.

Bu veri türleri, özellikle gerçek dünyadaki verilerin toplanması zor olduğunda veya belirli, nadir durumların simüle edilmesi gerektiğinde computer vision models eğitmek için yararlıdır. Geliştiriciler tüm sahneler oluşturabilir, nesne türlerini, konumlarını ve aydınlatmayı seçebilir ve eğitim için sınırlayıcı kutular gibi etiketleri otomatik olarak ekleyebilir. Bu, maliyetli ve zaman alıcı olabilen gerçek fotoğraflara veya manuel etiketlemeye gerek kalmadan büyük, çeşitli veri kümelerini hızlı bir şekilde oluşturmaya yardımcı olur.

Örneğin sağlık hizmetlerinde sentetik veri, gerçek görüntülerin büyük veri kümelerini toplamanın ve etiketlemenin zor olduğu meme kanseri hücrelerini bölütlemek için modelleri eğitmek amacıyla kullanılabilir. Sentetik ve simüle edilmiş veriler esneklik ve kontrol sağlayarak gerçek dünya görsellerinin sınırlı olduğu boşlukları doldurur.

Yapay zeka uygulamanız için doğru görsel veri türünü seçme#

Artık farklı görsel veri türlerinin nasıl çalıştığına ve neler yapabileceğine baktığımıza göre, belirli görevler için hangi veri türlerinin en uygun olduğuna daha yakından bakalım:

• RGB görüntüler: image classification ve nesne tespiti gibi genel computer vision görevleri için mükemmeldir. Renk ve doku yakalar ancak düşük ışık veya zayıf görüş gibi zorlu koşullarda sınırlıdır.
• LiDAR görüntüleme: Bu görüntüleme türü, lazer darbeleri kullanarak yüksek hassasiyetli 3D haritalama sunar. Robotik, otonom araçlar ve altyapı denetimi gibi doğru mesafe ölçümleri gerektiren uygulamalar için harikadır.
• Termal görüntüleme: Sıcaklık farklarını algılayabildiği için gece izleme, itfaiyecilik veya makine ve binalardaki ısı sızıntılarını tespit etme gibi düşük görüş koşullarında yararlıdır.
• Çok spektrumlu ve hiper spektrumlu görüntüleme: Tarımsal izleme, farmasötik kalite kontrolü veya uzaktan algılama gibi ayrıntılı malzeme analizi gerektiren görevler için yararlıdır. Bu yöntemler, görünür ışığın ötesindeki geniş bir dalga boyu aralığında veri yakalayarak daha derin içgörüler sağlar.
• Radar ve sonar görüntüleme: Düşük görüş ortamlarında tercih edilirler. Radar radyo dalgalarını kullanır ve havacılık ile navigasyonda yardımcıdır; sonar ise su altı algılama için ses dalgalarını kullanır.
• Sentetik ve simüle edilmiş görsel veriler: Gerçek dünya verileri sınırlı, mevcut olmadığını veya etiketlenmesi zor olduğunda training AI models için idealdir. Bu yapay görseller, nadir olaylar veya güvenlik açısından kritik koşullar gibi karmaşık senaryolar için çeşitli veri kümeleri oluşturmaya yardımcı olur.

Bazen tek bir veri türü gerçek dünya durumlarında yeterli doğruluk veya bağlam sağlamayabilir. Çok modlu sensör füzyonunun kilit rol oynadığı yer burasıdır. RGB'yi termal, derinlik veya LiDAR gibi diğer veri türleriyle birleştirerek sistemler bireysel sınırlamaların üstesinden gelebilir, güvenilirliği ve uyarlanabilirliği artırabilir.

Örneğin, warehouse automation alanında nesne tanıma için RGB, mesafe ölçümü için derinlik ve aşırı ısınan ekipmanları tespit etmek için termal kullanmak operasyonları daha verimli ve güvenli hale getirir. Sonuç olarak, en iyi sonuçlar uygulamanızın özel ihtiyaçlarına göre veri türlerinin seçilmesi veya birleştirilmesiyle elde edilir.

Öne çıkanlar#

Görsel yapay zeka modelleri oluştururken, doğru görsel veri türünü seçmek çok önemlidir. Nesne algılama, bölütleme ve hareket takibi gibi görevler sadece algoritmalara değil, aynı zamanda girdi verilerinin kalitesine de dayanır. Temiz, çeşitli ve doğru veri kümeleri gürültüyü azaltmaya ve performansı artırmaya yardımcı olur.

RGB, derinlik, termal ve LiDAR gibi veri türlerini birleştirerek yapay zeka sistemleri ortamın daha eksiksiz bir görünümünü elde eder ve bu da onları çeşitli koşullarda daha güvenilir kılar. Teknoloji gelişmeye devam ettikçe, görsel yapay zekanın daha hızlı, daha uyarlanabilir ve sektörler genelinde daha etkili hale gelmesinin yolunu açması muhtemeldir.

Computer vision hakkında daha fazla bilgi edinmek için community topluluğumuza katılın ve GitHub repository sayfamızı inceleyin. Çözüm sayfalarımızda AI in healthcare ve computer vision in retail ile ilgili çeşitli uygulamaları keşfedin. Vision AI ile başlamak için licensing options seçeneklerimize göz atın.