Örnek segmentasyonu için Ultralytics YOLO26 nasıl özel eğitilir

Teknolojideki son gelişmeler sayesinde, hayatımızda sessiz ama etkili bir rol oynayan birçok akıllı sistem yapay zeka ile desteklenmektedir. Örneğin, bir araba kırmızı ışıkta geçtiğinde ve bir kamera bu ihlali otomatik olarak kaydettiğinde veya otomatik bir kalite kontrol sistemi üretim hattındaki bir üretim hatasını tespit ettiğinde, arka planda çalışan yapay zekadır.

Özellikle, bilgisayarlı görü olarak bilinen bir yapay zeka dalı, makinelerin görüntüleri ve videoları yorumlamasını ve anlamasını sağlar. Bilgisayarlı görü; sistemlerin nesneleri tanımasını, hareketi takip etmesini ve görsel ayrıntıları gerçek zamanlı olarak analiz etmesini sağlar; bu da trafik izleme, endüstriyel denetim ve robotik gibi uygulamalar için temel bir öneme sahiptir.

These capabilities are made possible through computer vision models such as Ultralytics YOLO26, which supports a variety of vision tasks, including object detection and instance segmentation. While object detection identifies objects using simple bounding boxes, instance segmentation goes further by outlining each object at the pixel level, enabling more accurate and reliable results in real-world scenarios.

Şekil 1. YOLO26 kullanarak bir görüntüdeki nesneleri bölütleme

YOLO26 gibi modeller önceden eğitilmiştir ve insanlar, arabalar ve hayvanlar gibi günlük nesneleri kutudan çıktığı anda bölütleyebilir. Ancak daha spesifik uygulamalar için bu modeller özel olarak eğitilebilirler. Başka bir deyişle, modeller nesnelerin neye benzediğini anlamayı ve onları doğru bir şekilde ana hatlarıyla çizmeyi öğrenebilirler.

Bu makalede, örnek bölümleme için Ultralytics YOLO26 özel eğitiminin nasıl yapılacağını adım adım inceleyeceğiz. Hadi başlayalım!

Link to this sectionÖrnek segmentasyonu nedir?#

Modelleri eğitmeye başlamadan önce bir adım geri çekilelim ve örnek bölümlemenin gerçekte ne anlama geldiğini anlayalım.

Örnek bölümleme, bir modelin görüntüdeki her bir nesneyi bulmasını ve tam şeklini ana hatlarıyla belirlemesini sağlayan bir bilgisayarlı görü görevidir. Model, sadece bir nesnenin var olduğunu tanımlamak yerine, görüntüdeki her bir piksele bakar ve onun belirli bir nesneye ait olup olmadığına karar verir.

Bu, nesneler üst üste geldiğinde veya birbirine çok yakın olduğunda bile onları ayırabileceği anlamına gelir. Örnek bölümlemeyi görselleştirmeyi kolaylaştıran temel bir kavram maskedir.

Maske, yalnızca bir nesnenin alanını kaplayan piksel düzeyinde bir ana hattır. Bunu, diğer her şeyi olduğu gibi bırakarak nesneyi bir fosforlu kalemle boyamak gibi düşünebilirsin.

Her nesne kendi maskesine sahiptir; bu, modelin, birbirinin yanında duran iki araba veya iki insan gibi aynı türden olsalar bile bir nesneyi diğerinden ayırt etmesini sağlar.

Şekil 2. Örnek bölümlemeye bir bakış

Örnek bölümlemenin ne olduğu hakkında daha iyi bir fikir edinmek için onu diğer yaygın bilgisayarlı görü görevleriyle karşılaştırabiliriz. Nesne algılama, nesnelerin etrafına çizilen basit dikdörtgenler olan sınırlayıcı kutuları kullanır. Sınırlayıcı kutular hızlı ve kullanışlıdır, ancak bir nesnenin tam şeklini yakalamazlar.

Bu arada, anlamsal bölümleme görüntüdeki her pikseli kategoriye göre etiketler, ancak aynı sınıftaki ayrı nesneleri birbirinden ayırt etmez. Örnek bölümleme, nesne kategorilerini tanımlayarak ve her bir nesneye ayrı bir maske atayarak her iki yaklaşımın da en iyi yanlarını birleştirir.

Örnek bölümleme çok ayrıntılı bilgi sağladığından, otomatik kalite kontrol, tıbbi görüntüleme ve robotik gibi gerçek dünya uygulamalarında özellikle yararlıdır. Hassas ölçümler, doğru sınırlar veya nesne ayrımı gerektiren görevler bu piksel düzeyindeki anlayıştan faydalanabilir.

Link to this sectionUltralytics YOLO26 örnek bölümlemeyi destekler#

Ultralytics YOLO26; gerçek dünya görü görevlerini hızlı ve verimli bir şekilde ele almak için tasarlanmış, uçtan uca, NMS içermeyen, son teknoloji bir bilgisayarlı görü modelidir. Doğru sonuçlar verirken görüntüleri ve videoları gerçek zamanlı olarak işleyebilen Ultralytics YOLO algılama modelleri ailesine aittir.

YOLO26, tek bir çerçeve içinde nesne algılama, poz tahmini, görüntü sınıflandırma, yönlendirilmiş sınırlayıcı kutu algılama (obb algılama) ve örnek bölümleme dahil olmak üzere birden fazla görü görevini destekler.

YOLO26 kutudan çıktığı anda önceden eğitilmiş olarak gelir; yani COCO veri seti ve ImageNet veri seti gibi geniş, yaygın olarak kullanılan veri setlerinden insanlar, araçlar ve günlük nesneler gibi yaygın nesneleri tanımayı zaten öğrenmiştir. Modeli herhangi bir ek eğitim olmadan hemen kullanmaya başlayabilirsin.

Ancak, uygulaman benzersiz nesneler, belirli ortamlar veya alışılmadık ışık koşulları içerdiğinde, özel model eğitimi sonuçları önemli ölçüde iyileştirebilir. YOLO26'yı kendi etiketli görüntülerin üzerinde eğiterek, modele tam olarak neye bakması gerektiğini ve özel kullanım durumun için nesneleri nasıl daha doğru bir şekilde ana hatlarıyla belirleyeceğini öğretebilirsin.

Bu süreç ince ayar (fine-tuning) olarak da adlandırılır. Bir modeli sıfırdan eğitmek yerine, ince ayar önceden eğitilmiş bir YOLO26 modeliyle başlar ve kendi verilerini kullanarak onu nazikçe uyarlar. Model zaten kenarlar, şekiller ve dokular gibi genel görsel kalıpları anladığı için, belirli nesnelerini öğrenmek için çok daha az etiketli görüntüye ve çok daha az zamana ihtiyaç duyar.

Basitçe ifade etmek gerekirse, ince ayar, bir modeli sıfırdan eğitmekten daha hızlı, daha verimli ve daha erişilebilirdir. YOLO26'yı özel olarak eğitmek, yeni başlayanlar veya sınırlı veri ve hesaplama kaynaklarıyla çalışan ekipler için bile pratik bir seçenektir.

Link to this sectionYOLO26 örnek bölümleme uygulamalarını keşfetme#

Peki, örnek bölümleme nerede etkili olabilir? Nesneleri birbirinden ayırmanın ve tam şekillerini anlamanın önemli olduğu durumlarda, özellikle işler kalabalıklaştığında veya üst üste geldiğinde.

İşte örnek bölümlemenin gerçek bir fark yarattığı bazı yaygın iş akışları:

• Hava ve drone görüntüleme: Bu görev, dronların haritalama, denetim ve inceleme için hava görüntülerindeki binalar, araçlar ve bitki örtüsü gibi nesneleri ayırmasını sağlar.
• Spor analitiği: Örnek bölümleme, oyunlar veya antrenmanlar sırasında bireysel sporcuları arka plandan ayırarak oyuncu hareketlerini ve etkileşimlerini analiz etmeye yardımcı olur.
• İnşaat ve altyapı izleme: Binalarda, köprülerde ve yollarda bakım planlaması için yapısal elemanları, çatlakları veya hasarlı alanları belirlemeye yardımcı olur.
• Sağlık ve tıbbi görüntüleme: Örnek bölümleme, hücreleri, dokuları veya tıbbi araçları tam olarak ana hatlarıyla çizmeyi mümkün kılarak daha doğru analiz ve teşhisi destekler.
• Tarım ve çevre izleme: Mahsulleri, meyveleri veya bitki hastalıklarını tanımlayabilir ve ayırabilir, böylece verimi tahmin etmeyi ve hedefe yönelik işlemler uygulamayı kolaylaştırır.

Şekil 3. YOLO26 kullanarak yabani otları bölütleme örneği (Kaynak)

Link to this sectionÖrnek bölümleme için YOLO26 özel eğitimi nasıl çalışır#

Şimdi, özel eğitimin nasıl çalıştığını tartışalım. Bir modeli eğitmek teknik görünebilse de, genel süreç oldukça basittir.

Görüntülerini hazırlayabilir, modelin öğrenmesini istediğin nesneleri etiketleyebilir, küçük bir ayar dosyası yapılandırabilir ve ardından Ultralytics Python paketi kullanarak YOLO26'yı eğitebilirsin. Ultralytics Python paketi, her şeyi sıfırdan oluşturmaya gerek kalmadan YOLO modellerini eğitmek, test etmek ve dağıtmak için kullanıma hazır araçlar sağlayan bir yazılım kütüphanesidir.

Link to this sectionAdım 1: Özel veri setini hazırla#

İlk adım, özel bölümleme veri setini hazırlamaktır. Bir veri seti, basitçe modelin öğrenmesini istediğin nesneleri sergileyen görüntülerin bir koleksiyonudur.

Farklı açılar, ışıklandırma, arka planlar ve nesne boyutları gibi gerçek dünya koşullarını yansıtan görüntüleri dahil etmeye çalış. Görüntülerin ne kadar çeşitli olursa, modelin o kadar iyi performans gösterir.

Örnek bölümleme için görüntülerinin açıklamalara da ihtiyacı vardır. Etiketleme, modelin neyi öğrenmesi gerektiğini bilmesi için her görüntüdeki nesnelerin işaretlenmesini içerir. Basit kutular çizmek yerine, her bir nesnenin etrafına tam şeklini işaretlemek için ayrıntılı ana hatlar (poligonlar) çizeceksin. Bu ana hatlar, modelin tahmin etmeyi öğrendiği maskeler haline gelir.

Bu etiketleri oluşturmak için kullanabileceğin çeşitli açık kaynaklı etiketleme araçları vardır. Bu araçların çoğu, görüntüleri yükleyebileceğin ve nesne ana hatlarını doğrudan üzerlerine çizebileceğin kullanıcı dostu arayüzler sunar.

Görüntülerin ve açıklamaların hazır olduğunda, bunları eğitim ve doğrulama klasörlerine ayırabilirsin. Tipik bir oran, veri setinin boyutuna bağlı olarak, eğitim için görüntülerin %80'i ve doğrulama için %20'sidir, ancak eğitim için %70 ve doğrulama için %30 da yaygındır. Eğitim seti modele öğretirken, doğrulama seti daha önce görmediği görüntülerde ne kadar iyi performans gösterdiğini ölçmek için kullanılır.

Bu bölünmeyi dengeli tutmak ve her iki klasörün de çeşitli örnekler içerdiğinden emin olmak önemlidir. Düzgün bir eğitim ve doğrulama ayrımına sahip temiz, iyi etiketlenmiş bir veri seti, güçlü bir örnek bölümleme modelinin temelini oluşturur.

Link to this sectionAdım 2: Bir veri seti YAML dosyası oluştur#

Görüntülerini ve açıklamalarını hazırladıktan sonra bir sonraki adım bir veri seti YAML dosyası oluşturmaktır. Bu dosya, veri setinin nerede bulunduğunu ve modelin eğitim sırasında hangi nesne sınıflarını öğrenmesi gerektiğini vurgular.

Bu dosyada veri seti kök dizinini, eğitim ve doğrulama görüntü klasörlerinin yollarını ve sınıf adlarının listesini tanımlayabilirsin. Sınıf adları, açıklama dosyalarında kullanılan sınıf numaralarıyla aynı sırada listelenmelidir, böylece her şey doğru şekilde eşleşir.

Tam biçim hakkında herhangi bir sorunuz varsa, daha fazla ayrıntı için resmi Ultralytics belgelerine başvurabilirsin.

Link to this sectionAdım 3: Ultralytics Python paketini yükle#

Artık veri setin ve YAML dosyan hazır olduğuna göre, sonraki adım Ultralytics Python paketini yüklemektir.

Bu paket; YOLO26 modellerini eğitmek, doğrulamak, çıkarım yapmak ve dışa aktarmak için gereken araçları içerir. Karmaşık eğitim hatlarını sıfırdan oluşturmadan YOLO modelleriyle çalışmanın düzenli bir yolunu sağlar.

Ultralytics Python paketini yüklemeden önce kodunu nerede çalıştırmak istediğini seçmek de önemlidir. Ultralytics paketi ile aşağıdakiler gibi birkaç farklı geliştirme ortamında çalışabilirsin:

• Komut satırı arayüzü (CLI): Komutlar yazarak bilgisayarınla etkileşime girdiğin metin tabanlı bir ortamdır. Grafiksel bir arayüzde olduğu gibi düğmelere tıklamak veya menülerde gezinmek yerine, programları çalıştırmak ve görevleri doğrudan gerçekleştirmek için yazılı talimatlar girersin.
• Jupyter Notebooks: Küçük bölümler halinde kod yazdığın ve çalıştırdığın ve çıktıyı hemen gördüğün etkileşimli bir ortamdır. Bu, deneme yapmak ve öğrenmek için yararlıdır.
• Google Colab: Yerel kurulum gerektirmeyen ve grafik işlem birimlerine (GPU'lar) isteğe bağlı erişim sağlayan bulut tabanlı bir not defteri platformudur. Bu genellikle yeni başlayanlar için en kolay seçenektir.

Ortamını seçtikten sonra, Ultralytics Python paketini yükleyebilirsin. Yüklemek için şu komutu çalıştır:

pip install ultralytics

Google Colab veya Jupyter Notebook gibi not defteri tabanlı bir ortam kullanıyorsan, komutun başına bir ünlem işareti ekle. Herhangi bir kurulum sorunuyla karşılaşırsan, yaygın düzeltmeler ve ortam kurulumu ipuçları için Ultralytics belgelerine veya sorun giderme kılavuzuna başvurabilirsin.

Kurulumdan sonra, önceden eğitilmiş bir YOLO26 bölümleme modelini yüklemeye ve eğitime başlamaya hazır olacaksın.

Link to this sectionAdım 4: Örnek bölümleme için YOLO26'yı eğit#

Eğitime başlamadan önce bir model boyutu seçmen gerekecek. YOLO26 modelleri farklı boyutlarda mevcuttur: Nano (n), Small (s), Medium (m), Large (l) ve Extra Large (x).

Daha küçük modeller daha hızlı eğitilir ve merkezi işlem birimlerinde (CPU'lar) veya uç cihazlarda daha verimli çalışır; daha büyük modeller ise genellikle daha yüksek doğruluk sağlar ancak daha fazla bellek gerektirir ve GPU hızlandırmasından faydalanır. Henüz yeni başlıyorsan veya sınırlı donanımla çalışıyorsan, Nano sürümü (YOLO26n) pratik bir seçimdir.

Bir model boyutu seçtikten sonra, sonraki adım önceden eğitilmiş bir bölümleme modeli yüklemek ve onu özel veri setinde eğitmeye başlamaktır. Bunu yapmak için aşağıda gösterildiği gibi önceden eğitilmiş model dosyasını, veri seti YAML dosyanın yolunu, dönem (epoch) sayısını ve görüntü boyutunu belirtmen gerekecektir.

from ultralytics import YOLO

model = YOLO("yolo26n-seg.pt")
results = model.train(data="path/to/file.yaml", epochs=100, imgsz=640)

Dönem sayısı, modelin tüm eğitim veri setinden kaç kez geçeceğini belirler. Her dönemle birlikte model tahminler yapar, bunları doğru açıklamalarla karşılaştırır, hataları hesaplar ve performansını artırmak için dahili parametrelerini günceller.

Eğitim doğru başlarsa, terminalinde veya not defterinde görüntülenen model yapılandırmasını, veri seti taramasını ve eğitim ilerlemesini göreceksin. Eğitim devam ettikçe, kayıp değerleri ve değerlendirme metrikleri her dönemden sonra güncellenerek modelin zaman içinde nasıl geliştiğini gösterecektir.

Link to this sectionAdım 5: Özel olarak eğitilmiş modelin performansını değerlendir#

Eğitim süreci tamamlandıktan sonra, modelin performans metriklerini inceleyebilir ve doğrulayabilirsin. Google Colab'da “runs” klasörüne, ardından “segment” klasörüne ve son olarak temel performans göstergelerini görüntüleyen günlüklerin bulunduğu “train” klasörüne gidebilirsin.

Python ortamında çalışan kullanıcılar için eğitim sonuçları varsayılan olarak mevcut çalışma dizininizdeki “runs/train/” dizinine kaydedilir. Her eğitim çalıştırması, günlükleri, kaydedilmiş ağırlıkları ve o deneyle ilgili diğer çıktıları bulabileceğin runs/train/exp veya runs/train/exp2 gibi yeni bir alt dizin oluşturur.

CLI kullanıyorsan, “yolo settings” komutunu kullanarak bu sonuçlara erişebilir ve yönetebilirsin. Bu komut, eğitim günlükleri ve deney ayrıntılarıyla ilgili yolları ve yapılandırmaları görüntülemeni veya değiştirmeni sağlar.

Kaydedilen çıktılar arasında eğitim sırasında oluşturulan grafikleri de bulacaksın. Bu grafikler, modelin zaman içinde nasıl geliştiğini gösterir. Örneğin, model öğrendikçe kaybın nasıl azaldığını ve doğruluk, duyarlılık ve ortalama hassasiyet gibi değerlendirme metriklerinin dönemler boyunca nasıl arttığını gösterir.

Şekil 4. Modelini değerlendirmek için analiz edebileceğin grafik türü (Kaynak)

Bu görsel eğilimler, modelin başarılı bir şekilde eğitilip eğitilmediğini ve eğitimin başından sonuna kadar ne kadar geliştiğini anlamana yardımcı olabilir. Hem sayısal metrikleri hem de grafikleri incelemek, yeni görüntülerle test etmeye geçmeden önce örnek bölümleme modelinin ne kadar iyi performans gösterdiğine dair daha net bir resim sunar.

Link to this sectionAdım 6: Modelini test et ve çıkarımlar çalıştır#

Modelini doğruladıktan sonra son adım, onu yeni görüntüler üzerinde test etmektir. Bu işleme çıkarım (inference) denir; bu, kısaca eğitilmiş modelini görülmemiş veriler üzerinde tahmin yapmak için kullanmak anlamına gelir.

Python'da çıkarımı şu şekilde çalıştırabilirsin:

results = model.predict("path/to/image.jpg", save=True, conf=0.3)

Bu örnekte, "path/to/image.jpg" kısmını test etmek istediğin görüntünün yoluyla değiştirebilirsin.

“save=True” ayarı, modele orijinal görüntünün üzerine çizilmiş tahmini bölümleme maskelerini içeren yeni bir görüntü oluşturmasını ve saklamasını söyler.

“conf=0.3” ayarı güven eşiğini kontrol eder; bu, modelin yalnızca doğru olduğundan en az %30 emin olduğu tahminleri göstereceği anlamına gelir. Bu değeri düşürmek daha fazla algılama gösterebilirken, artırmak modeli daha seçici hale getirecektir.

Komutu çalıştırdıktan sonra model, runs dizini içinde çıktı görüntüsünü kaydettiği yeni bir klasör oluşturur. Bölümleme maskelerinin nesne sınırlarını ne kadar iyi takip ettiğini ve çakışan nesnelerin doğru şekilde ayrılıp ayrılmadığını görsel olarak kontrol etmek için bu kaydedilmiş görüntüyü açabilirsin.

Modeli farklı görüntüler, arka planlar ve ışık koşullarında test etmek, eğitim veri setinin dışında nasıl performans gösterdiğine dair daha net bir anlayış sağlayabilir. Sonuçlar tutarlı ve doğru göründüğünde, model dışa aktarılmaya ve dağıtılmaya hazırdır.

Link to this sectionAdım 7: Modelini dışa aktar ve dağıt#

Modelini test ettikten ve iyi performans gösterdiğini doğruladıktan sonra son adım, onu dışa aktarmak ve dağıtmaktır. Dışa aktarma, eğitilmiş YOLO26 modelini üretim sunucuları, uç cihazlar veya mobil uygulamalar gibi farklı ortamlarda çalışabilecek bir biçime dönüştürür.

Ultralytics, dağıtım kurulumuna en uygun olanı seçmene olanak tanıyan birden fazla dışa aktarma biçimini destekler. Örneğin, platformlar arası geniş uyumluluk için ONNX'e, NVIDIA donanımında optimize edilmiş GPU performansı için TensorRT'ye veya Intel cihazlarında verimli CPU tabanlı dağıtım için OpenVINO'ya dışa aktarabilirsin. Bu entegrasyonlar, modelini eğitim ortamının dışında çalıştırmayı ve güçlü gerçek zamanlı performans elde etmeyi kolaylaştırır.

Modelini Python'da şu komutu kullanarak dışa aktarabilirsin:

model.export(format="onnx")

Bu komut, eğitilmiş modelini ONNX biçimine dönüştürür. Dağıtım ihtiyaçlarına bağlı olarak "onnx" kısmını desteklenen diğer biçimlerle değiştirebilirsin.

Dışa aktarıldıktan sonra modelin; web hizmetleri, gömülü görü sistemleri, robotik platformları veya endüstriyel denetim sistemleri gibi uygulamalara entegre edilebilir. Bu aşamada, özel olarak eğitilmiş YOLO26 örnek bölümleme modelin deneme aşamasından gerçek dünya dağıtımına geçebilir.

Link to this sectionÖne çıkanlar#

Örnek bölümleme için Ultralytics YOLO26 özel eğitimi, özel kullanım durumuna gerçekten uyan bir model oluşturma esnekliği sağlar. Net bir veri seti hazırlayarak, YAML dosyanı ayarlayarak, önceden eğitilmiş bölümleme ağırlıklarıyla eğiterek ve sonuçları inceleyerek, modele her nesneyi piksel düzeyinde doğru bir şekilde ana hatlarıyla belirlemeyi öğretebilirsin. Test edilip dışa aktarıldığında, YOLO26 modelin geliştirmeden çok ölçekli gerçek dünya uygulamalarına geçebilir.

Yapay zeka hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuza bir göz at. Kendi görü yapay zeka projenizi oluşturmak istiyorsan, lisans seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek sağlık alanında yapay zeka ve perakendede görü yapay zekası gibi uygulamalar hakkında daha fazla bilgi keşfet.