Görsel Yapay Zekâ uygulamaları için farklı veri türlerini keşfetme

Eskiden dronlar gibi teknolojilerin kullanımı kısıtlıydı ve yalnızca araştırmacılarla uzmanların erişimine açıktı; ancak günümüzde gelişmiş donanımlara daha geniş bir kitle ulaşabiliyor. Bu değişim, görsel verileri toplama yöntemlerimizi dönüştürüyor. Teknolojinin daha erişilebilir olması sayesinde artık yalnızca geleneksel kameralarla sınırlı kalmadan çeşitli kaynaklardan görüntü ve video kaydedebiliyoruz.

Buna paralel olarak, yapay zekânın (AI) bir dalı olan bilgisayarlı görü sayesinde mümkün olan görüntü analitiği hızla gelişiyor ve makinelerin görsel verileri daha etkili biçimde yorumlayıp işlemesini sağlıyor. Bu gelişme otomasyon, nesne algılama ve gerçek zamanlı analiz için yeni olanaklar yarattı. Makineler artık örüntüleri tanıyabiliyor, hareketi izleyebiliyor ve karmaşık görsel girdileri anlamlandırabiliyor.

Bazı temel görsel veri türleri arasında nesne tanımada yaygın olarak kullanılan RGB (Kırmızı, Yeşil, Mavi) görüntüler, düşük ışık koşullarında ısı izlerini algılamaya yardımcı olan termal görüntüleme ve makinelerin 3D ortamları anlamasını sağlayan derinlik verileri bulunur. Bu veri türlerinin her biri, gözetimden tıbbi görüntülemeye kadar görsel yapay zekânın çeşitli uygulamalarını desteklemede hayati bir rol oynar.

Bu makalede, görsel AI'da kullanılan temel görsel veri türlerini inceleyecek ve her birinin çeşitli sektörlerde doğruluğu, verimliliği ve performansı artırmaya nasıl katkı sağladığını ele alacağız.

Yapay zekâ görüntü ve video veri kümelerinin en yaygın türü#

Genellikle akıllı telefonla fotoğraf çektiğinde veya CCTV görüntülerini izlediğinde RGB görüntülerle çalışırsın. RGB, kırmızı, yeşil ve mavi anlamına gelir; bunlar dijital görüntülerde görsel bilgiyi temsil eden üç renk kanalıdır.

RGB görüntüler ve videolar, bilgisayarlı görmede kullanılan ve standart kameralarla çekilen, birbiriyle yakından ilişkili görsel veri türleridir. Temel fark, görüntülerin tek bir anı yakalaması, videoların ise zaman içinde değişimleri gösteren kare dizilerinden oluşmasıdır.

RGB görüntüler genellikle bilgisayarlı görü görevlerinde nesne algılama, örnek segmentasyonu ve poz tahmini gibi işler için kullanılır ve bu görevler Ultralytics YOLO11 gibi modeller tarafından desteklenir. Bu uygulamalar, tek bir karedeki örüntüleri, şekilleri veya belirli özellikleri tanımaya dayanır.

Öte yandan videolar; hareketin veya zamanın önem taşıdığı jest tanıma, gözetim ya da eylem takibi gibi uygulamalarda vazgeçilmezdir. Videolar bir görüntü dizisi olarak ele alınabileceğinden Ultralytics YOLO11 gibi bilgisayarlı görü modelleri hareketi ve davranışları zaman içinde anlamak için videoları kare kare işler.

Örneğin Ultralytics YOLO11, tarım alanlarındaki yabani otları algılamak ve bitkileri saymak için RGB görüntüleri veya videoları analiz edebilir. Bu, ürün takibini geliştirir ve daha verimli çiftlik yönetimi için yetiştirme döngüleri boyunca değişimlerin izlenmesine yardımcı olur.

Şekil 1. YOLO11, daha akıllı ürün takibi için bitkileri algılayıp sayabilir.

Görsel yapay zekâda derinlik verileri: LiDAR ve 3D algı#

Derinlik verileri, nesnelerin kameradan veya sensörden ne kadar uzakta olduğunu belirterek görsel bilgilere üçüncü bir boyut ekler. Yalnızca rengi ve dokuyu yakalayan RGB görüntülerden farklı olarak derinlik verileri uzamsal bağlam sağlar. Nesnelerle kamera arasındaki mesafeyi göstererek bir sahnenin 3D düzeninin yorumlanmasını mümkün kılar.

Bu tür veriler LiDAR, stereo görüş (insanların derinlik algısını taklit etmek için iki kamera kullanılması) ve Uçuş Süresi (ışığın bir nesneye gidip geri dönmesinin ne kadar sürdüğünü ölçen) kameraları gibi teknolojilerle kaydedilir. Derinlik, tek görüntüden derinlik tahmini modelleri kullanılarak tek bir RGB görüntüsünden de tahmin edilebilir.

Bunlar arasında LiDAR (Işık Algılama ve Mesafe Ölçümü), derinlik ölçümü için genellikle en güvenilir yöntemdir. Hızlı lazer darbeleri göndererek ve bu darbelerin geri yansımasının ne kadar sürdüğünü ölçerek çalışır. Sonuçta nesnelerin şeklini, konumunu ve mesafesini gerçek zamanlı olarak gösteren nokta bulutu adı verilen, son derece doğru bir 3D harita elde edilir.

Görsel yapay zekâ sistemlerinde LiDAR’ın artan rolü#

LiDAR teknolojisi, her biri belirli uygulama ve ortamlar için tasarlanmış iki ana türe ayrılabilir. İki türe de yakından bakalım:

• Havadan LiDAR: Genellikle geniş alanların haritalanmasında kullanılan havadan LiDAR tarayıcıları, büyük ölçekli topografik haritalama için yüksek çözünürlüklü veri toplamak üzere dronlara veya hava araçlarına monte edilir. Arazi, orman ve peyzaj araştırmaları için idealdir.
• Yersel LiDAR: Bu LiDAR veri türü; altyapı izleme, inşaat ve iç mekân haritalama gibi uygulamalar için araçlara veya sabit platformlara monte edilmiş sensörlerden toplanır. Daha küçük ve belirli alanlar için son derece ayrıntılı veriler sunar; bu da onu şehir planlaması ve belirli yapıların incelenmesi gibi işler için kullanışlı kılar.

LiDAR verilerinin etkili bir kullanım alanı, şerit algılama, çarpışmadan kaçınma ve yakındaki nesneleri tanıma gibi görevlerde önemli rol oynadığı otonom araçlardır. LiDAR, çevrenin ayrıntılı 3D haritalarını gerçek zamanlı olarak oluşturarak aracın nesneleri görmesini, mesafelerini hesaplamasını ve güvenli biçimde yol almasını sağlar.

Şekil 2. LiDAR teknolojisi, otonom araçların derinlik haritası oluşturmasını ve nesneleri algılamasını sağlar.

Yapay zekâ uygulamalarında termal ve kızılötesi verilerin kullanımı#

RGB görüntüler, görünür ışık tayfında gördüklerimizi yakalar; ancak termal ve kızılötesi görüntüleme gibi diğer görüntüleme teknolojileri bunun ötesine geçer. Kızılötesi görüntüleme, nesnelerin yaydığı veya yansıttığı kızılötesi ışığı yakalayarak düşük ışık koşullarında kullanışlı hâle gelir.

Buna karşılık termal görüntüleme, nesnelerin yaydığı ısıyı algılar ve sıcaklık farklarını gösterir. Böylece zifiri karanlıkta veya duman, sis ve diğer engellerin arkasında çalışabilir. Bu veri türü, özellikle sıcaklık değişimlerinin olası sorunlara işaret edebildiği sektörlerde, sorunları izlemek ve tespit etmek için oldukça kullanışlıdır.

İlginç bir örnek, aşırı ısınma belirtilerini tespit etmek için elektrik bileşenlerinin termal görüntülemeyle izlenmesidir. Termal kameralar sıcaklık farklarını algılayarak ekipman arızasına, yangına veya maliyetli hasara yol açmadan önce sorunları belirleyebilir.

Şekil 3. Elektrik bileşenlerini izlemek için termal görüntüleme kullanımına bir örnek.

Benzer şekilde kızılötesi görüntüler, kaçan gaz veya sıvılara işaret eden sıcaklık farklarını belirleyerek boru hatlarındaki ya da yalıtımdaki sızıntıların tespit edilmesine yardımcı olabilir; bu, tehlikeli durumları önlemek ve enerji verimliliğini artırmak açısından kritik önemdedir.

Yapay zekâda multispektral ve hiperspektral görüntüleme#

Kızılötesi ve termal görüntüleme, elektromanyetik tayfın belirli bölümlerini yakalarken multispektral görüntüleme, sağlıklı bitki örtüsünü tespit etmek veya yüzey malzemelerini tanımak gibi belirli amaçlar için seçilmiş birkaç dalga boyu aralığından ışık toplar.

Hipery spektral görüntüleme, ışığı yüzlerce çok dar ve kesintisiz dalga boyu aralığında kaydederek bunu bir adım ileri taşır. Bu yöntem, görüntüdeki her piksel için ayrıntılı bir ışık imzası sunar ve gözlemlenen her malzemenin çok daha derinlemesine anlaşılmasını sağlar.

Şekil 4. Multispektral ve hiperspektral görüntülemenin karşılaştırması.

Hem multispektral hem de hiperspektral görüntüleme, farklı dalga boylarındaki ışığı yakalamak için özel sensörler ve filtreler kullanır. Veriler daha sonra, her katmanın farklı bir dalga boyunu temsil ettiği spektral küp adı verilen 3D bir yapıda düzenlenir.

Yapay zekâ modelleri, sıradan kameraların veya insan gözünün göremediği özellikleri tespit etmek için bu verileri analiz edebilir. Örneğin bitki fenotiplemesinde hiperspektral görüntüleme; besin eksikliği veya stres gibi yapraklardaki ya da gövdelerdeki ince değişiklikleri tespit ederek bitkilerin sağlığını ve gelişimini izlemek için kullanılabilir. Bu, araştırmacıların müdahaleci yöntemlere gerek kalmadan bitki sağlığını değerlendirmesine ve tarım uygulamalarını optimize etmesine yardımcı olur.

Yapay zekâyla radar ve sonar görüntülerini analiz etme#

Radar ve sonar görüntüleme, LiDAR’a benzer biçimde sinyaller gönderip yansımalarını analiz ederek nesneleri tespit eden ve haritalayan teknolojilerdir. Görsel bilgiyi yakalamak için ışık dalgalarına dayanan RGB görüntülemenin aksine radar elektromanyetik dalgaları, genellikle radyo dalgalarını; sonar ise ses dalgalarını kullanır. Hem radar hem de sonar sistemleri darbeler yayar ve sinyalin bir nesneden yansıyıp geri dönmesinin ne kadar sürdüğünü ölçerek nesnenin mesafesi, boyutu ve hızı hakkında bilgi sağlar.

Radar görüntüleme; sis, yağmur veya gece gibi görüşün zayıf olduğu koşullarda özellikle kullanışlıdır. Işığa dayanmadığından uçakları, araçları veya araziyi zifiri karanlıkta algılayabilir. Bu özellik, radarı havacılık, hava durumu izleme ve otonom navigasyon için güvenilir bir seçenek hâline getirir.

Buna karşılık sonar görüntüleme, ışığın ulaşamadığı su altı ortamlarında yaygın olarak kullanılır. Suyun içinde ilerleyip su altındaki nesnelerden yansıyan ses dalgalarını kullanarak denizaltıların tespit edilmesini, okyanus tabanının haritalanmasını ve su altı kurtarma görevlerinin yürütülmesini sağlar. Bilgisayarlı görü alanındaki gelişmeler, sonar verilerini akıllı analizle birleştirerek daha iyi algılama ve karar verme için su altı algılamanın geliştirilmesini de mümkün kılıyor.

Şekil 5. Sonar sisteminin deniz derinliğini ölçmek için ultrason darbelerini kullanması. (Kaynak: bbc.co.uk)

Yapay zekâ modeli eğitimi için sentetik ve simüle edilmiş görsel veriler#

Şimdiye kadar ele aldığımız farklı veri türleri, gerçek dünyadan toplanabilen verilerdi. Ancak sentetik ve simüle edilmiş görsel veriler, yapay içerik türleridir. Sentetik veriler, gerçekçi görünen görüntüler veya videolar üretmek için 3D modelleme ya da üretken yapay zekâ kullanılarak sıfırdan oluşturulur.

Şekil 6. Sentetik olarak oluşturulmuş görüntülere bir bakış.

Simüle edilmiş veriler benzerdir, ancak ışığın yansıması, gölgelerin oluşumu ve nesnelerin hareketi dâhil olmak üzere fiziksel dünyanın davranışlarını taklit eden sanal ortamlar oluşturmayı içerir. Tüm simüle edilmiş görsel veriler sentetik olsa da tüm sentetik veriler simüle edilmiş değildir. Temel fark, simüle edilmiş verilerin yalnızca görünüşü değil, gerçekçi davranışları da taklit etmesidir.

Bu veri türleri, özellikle gerçek dünyadan veri toplamanın zor olduğu veya belirli, nadir durumların simüle edilmesi gerektiğinde bilgisayarlı görü modellerini eğitmek için kullanışlıdır. Geliştiriciler tüm sahneleri oluşturabilir, nesne türlerini, konumlarını ve aydınlatmayı seçebilir, ayrıca eğitim için sınırlayıcı kutular gibi etiketleri otomatik olarak ekleyebilir. Bu sayede gerçek fotoğraflara veya maliyetli ve zaman alan manuel etiketlemeye gerek kalmadan büyük ve çeşitli veri kümeleri hızla oluşturulabilir.

Örneğin sağlık alanında sentetik veriler, gerçek görüntülerden oluşan büyük veri kümelerini toplamak ve etiketlemek zor olduğunda meme kanseri hücrelerini segmentlere ayıran modelleri eğitmek için kullanılabilir. Sentetik ve simüle edilmiş veriler esneklik ve kontrol sağlar, gerçek dünyaya ait görsellerin sınırlı olduğu boşlukları doldurur.

Yapay zekâ uygulaman için doğru görsel veri türünü seçme#

Farklı görsel veri türlerinin nasıl çalıştığını ve neler yapabildiğini gördüğümüze göre, belirli görevler için hangi veri türlerinin en uygun olduğuna daha yakından bakalım:

• RGB görüntüleri: Bunlar, görüntü sınıflandırma ve nesne algılama gibi genel bilgisayarlı görü görevleri için uygundur. Renk ve dokuyu kaydederler ancak düşük ışık veya zayıf görüş gibi zorlu koşullarda sınırlıdırlar.
• LiDAR görüntüleme: Bu görüntüleme türü, lazer darbeleri kullanarak yüksek hassasiyetli 3D haritalama sağlar. Robotik, otonom araçlar ve altyapı denetimi gibi doğru mesafe ölçümleri gerektiren uygulamalar için idealdir.
• Termal görüntüleme: Sıcaklık farklarını algılayabildiği için gece izleme, yangınla mücadele veya makine ve binalardaki ısı kaçaklarını tespit etme gibi görüşün kısıtlı olduğu durumlarda yararlıdır.
• Çok bantlı ve hiperspektral görüntüleme: Tarımsal izleme, ilaç kalite kontrolü veya uzaktan algılama gibi ayrıntılı malzeme analizi gerektiren görevlerde kullanışlıdır. Bu yöntemler, görünür ışığın ötesindeki geniş bir dalga boyu aralığında veri toplayarak daha derinlemesine bilgiler sağlar.
• Radar ve sonar görüntüleme: Düşük görüşe sahip ortamlarda tercih edilir. Radar radyo dalgalarını kullanır ve havacılık ile navigasyonda işe yararken sonar su altı tespiti için ses dalgalarından yararlanır.
• Sentetik ve simüle edilmiş görsel veriler: Gerçek dünya verilerinin sınırlı, erişilemez veya etiketlenmesi zor olduğu durumlarda AI modellerini eğitmek 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 koşullarında yeterli doğruluk veya bağlam sağlayamayabilir. Çok modlu sensör füzyonu bu noktada önem kazanır. RGB'yi termal, derinlik veya LiDAR gibi diğer veri türleriyle birleştirmek, sistemlerin her bir veri türünün kısıtlamalarını aşmasına ve güvenilirliği ile uyarlanabilirliğini artırmasına yardımcı olur.

Örneğin depo otomasyonunda nesne tanıma için RGB, mesafe ölçümü için derinlik ve aşırı ısınan ekipmanları tespit etmek için termal veriler kullanmak, operasyonları daha verimli ve güvenli hâle getirir. Sonuç olarak en iyi sonuçlar, uygulamanın özel ihtiyaçlarına göre veri türlerini seçmekten veya birleştirmekten elde edilir.

Önemli çıkarımlar#

Görsel yapay zekâ modelleri oluştururken doğru görsel veri türünü seçmek çok önemlidir. Nesne tespiti, segmentasyon ve hareket takibi gibi görevler yalnızca algoritmalara değil, girdi verilerinin kalitesine de bağlıdır. Temiz, çeşitli ve doğru veri kümeleri gürültüyü azaltmaya ve performansı artırmaya yardımcı olur.

RGB, derinlik, termal ve LiDAR gibi veri türlerini birleştirmek, yapay zekâ sistemlerinin çevreyi daha bütünlüklü görmesini sağlayarak farklı koşullarda daha güvenilir olmalarına yardımcı olur. Teknoloji gelişmeye devam ettikçe bu gelişmeler, görsel yapay zekânın sektörler genelinde daha hızlı, uyarlanabilir ve etkili olmasının önünü açacaktır.

Bilgisayarlı görü hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu incele. Çözümler sayfalarımızda sağlık alanında yapay zekâ ve perakendede bilgisayarlı görü ile ilgili çeşitli uygulamaları keşfet. Görsel yapay zekâya başlamak için lisans seçeneklerimize göz at.