Örnek bölütleme için Ultralytics YOLO26 özel verilerle nasıl eğitilir?

Son teknoloji gelişmeleri sayesinde hayatımızda sessiz ama etkili bir rol oynayan pek çok akıllı sistem yapay zekâ tarafından destekleniyor. Örneğin bir araç kırmızı ışıkta geçtiğinde kameranın ihlali otomatik olarak kaydetmesi veya üretim hattındaki otomatik kalite denetim sisteminin üretim kusurunu tespit etmesi, yapay zekânın arka planda yaptığı işlere örnektir.

Özellikle bilgisayarlı görü olarak bilinen yapay zekâ dalı, makinelerin görüntüleri ve videoları yorumlayıp anlamasını sağlar. Bilgisayarlı görü, sistemlerin nesneleri tanımasına, hareketi izlemesine ve görsel ayrıntıları gerçek zamanlı olarak analiz etmesine olanak tanır; bu da onu trafik izleme, endüstriyel denetim ve robotik gibi uygulamalar için vazgeçilmez kılar.

Bu yetenekler, nesne algılama ve örnek bölütleme dâhil çeşitli görü görevlerini destekleyen bilgisayarlı görü modelleri ve Ultralytics YOLO26 gibi modeller sayesinde mümkün olur. Nesne algılama nesneleri basit sınırlayıcı kutular kullanarak belirlerken örnek bölütleme, her nesnenin ana hatlarını piksel düzeyinde çıkararak gerçek dünya senaryolarında daha doğru ve güvenilir sonuçlar elde edilmesini sağlar.

Şekil 1. Ultralytics YOLO26 ile bir görüntüdeki nesneleri bölütleme

Ultralytics YOLO26 gibi modeller önceden eğitilmiştir ve insan, araba ve hayvan gibi günlük nesneleri kutudan çıkar çıkmaz bölütleyebilir. Ancak daha özel uygulamalar için bu modeller özel verilerle de eğitilebilir. Başka bir deyişle modeller, nesnelerin nasıl göründüğünü ve ana hatlarının doğru biçimde nasıl çıkarılacağını öğrenebilir.

Bu makalede, örnek bölütleme için Ultralytics YOLO26'yı özel verilerle nasıl eğiteceğini adım adım anlatacağız. Haydi başlayalım!

Örnek segmentasyonu nedir?#

Modelleri eğitmeye geçmeden önce bir adım geri çekilip örnek bölütlemenin ne anlama geldiğini anlayalım.

Örnek bölütleme, modelin bir görüntüdeki her bir nesneyi bulup tam şeklini belirlemesini sağlayan bir bilgisayarlı görü görevidir. Model, yalnızca bir nesnenin var olduğunu belirlemek yerine görüntüdeki her piksele bakar ve o pikselin belirli bir nesneye ait olup olmadığına karar verir.

Bu sayede nesneler üst üste gelse veya birbirine çok yakın dursa bile birbirinden ayrılabilir. Örnek bölütlemeyi gözünde canlandırmanı sağlayan temel kavramlardan biri maskedir.

Maske, yalnızca bir nesnenin kapladığı alanı kapsayan, piksel düzeyindeki bir ana hattır. Bunu, nesnenin içini fosforlu kalemle boyayıp geri kalan her şeye dokunmamak gibi düşünebilirsin.

Her nesnenin kendine ait bir maskesi olur; bu sayede aynı türden olsalar bile, örneğin yan yana duran iki araba veya iki insan gibi, model nesneleri birbirinden ayırabilir.

Şekil 2. Örnek bölütlemeye bakış

Örnek bölütlemenin ne olduğunu daha iyi anlamak için bu yöntemi diğer yaygın bilgisayarlı görü görevleriyle karşılaştırabiliriz. Nesne algılama, nesnelerin çevresine çizilen basit dikdörtgenler olan sınırlayıcı kutuları kullanır. Sınırlayıcı kutular hızlı ve kullanışlıdır ancak bir nesnenin tam şeklini göstermez.

Öte yandan anlamsal bölütleme, görüntüdeki her pikseli kategorisine göre etiketler ancak aynı sınıftaki ayrı nesneleri birbirinden ayırmaz. Örnek bölütleme ise nesne kategorilerini belirleyip her nesneye ayrı bir maske atayarak bu iki yaklaşımın en iyi yönlerini bir araya getirir.

Örnek bölütleme bu kadar ayrıntılı bilgi sunduğundan otomatik kalite denetimi, tıbbi görüntüleme ve robotik gibi gerçek dünya uygulamalarında özellikle yararlıdır. Hassas ölçümler, doğru sınırlar veya nesnelerin birbirinden ayrılması gereken görevler, piksel düzeyindeki bu anlayıştan faydalanabilir.

Ultralytics YOLO26 örnek bölütlemeyi destekliyor#

Ultralytics YOLO26, gerçek dünyadaki görü görevlerini hızlı ve verimli biçimde yerine getirmek üzere tasarlanmış, uçtan uca çalışan, maksimum olmayanların bastırılması (NMS) gerektirmeyen, son teknoloji ürünü bir bilgisayarlı görü modelidir. Görüntüleri ve videoları gerçek zamanlı işleyip doğru sonuçlar sunabilen Ultralytics YOLO algılama modelleri ailesinin bir parçasıdır.

Ultralytics YOLO26; nesne algılama, poz tahmini, görüntü sınıflandırma, yönlendirilmiş sınırlayıcı kutu algılama (obb algılama) ve örnek bölütleme dâhil olmak üzere tek bir çerçeve içinde birden çok görü görevini destekler.

Ultralytics YOLO26, kullanıma hazır biçimde önceden eğitilmiş olarak gelir; yani COCO veri kümesi ve ImageNet veri kümesi gibi yaygın olarak kullanılan büyük veri kümelerinden insan, araç ve günlük eşyalar gibi yaygın nesneleri tanımayı zaten öğrenmiştir. Ek bir eğitim gerekmeden modeli hemen kullanmaya başlayabilirsin.

Ancak uygulaman benzersiz nesneler, özel ortamlar veya sıra dışı ışık koşulları içeriyorsa özel model eğitimi sonuçları önemli ölçüde iyileştirebilir. Ultralytics YOLO26'yı kendi etiketli görüntülerinle eğiterek modele tam olarak ne araması gerektiğini ve kullanım amacın doğrultusunda nesnelerin ana hatlarını nasıl daha doğru çıkaracağını öğretebilirsin.

Bu sürece ince ayar da denir. İnce ayar, bir modeli sıfırdan eğitmek yerine önceden eğitilmiş bir Ultralytics YOLO26 modeliyle başlar ve modeli kendi verilerini kullanarak kademeli biçimde uyarlar. Model kenarlar, şekiller ve dokular gibi genel görsel örüntüleri zaten anladığından, özel nesnelerini öğrenmesi için çok daha az etiketli görüntü ve çok daha az zaman gerekir.

Basitçe söylemek gerekirse ince ayar, bir modeli en baştan eğitmekten daha hızlı, verimli ve erişilebilirdir. Ultralytics YOLO26'yı özel verilerle eğitmek, yeni başlayanlar veya kısıtlı veri ve bilgi işlem kaynaklarıyla çalışan ekipler için bile uygulanabilir bir seçenektir.

Ultralytics YOLO26 örnek bölütleme uygulamalarını inceleme#

Peki örnek bölütleme nerelerde etkili olabilir? Özellikle kalabalık veya üst üste binen nesneleri birbirinden ayırmanın ve tam şekillerini anlamanın önemli olduğu durumlarda.

Örnek bölütlemenin gerçek fark yarattığı bazı yaygın iş akışları şunlar:

• Hava ve drone görüntüleme: Bu görev, haritalama, denetim ve ölçüm çalışmaları için dronların hava görüntülerindeki binalar, araçlar ve bitki örtüsü gibi nesneleri birbirinden ayırmasını sağlar.
• Spor analitiği: Örnek bölütleme, maçlar veya antrenmanlar sırasında sporcuları arka plandan ayırarak oyuncu hareketlerini ve etkileşimlerini analiz etmeye yardımcı olur.
• İnşaat ve altyapı izleme: Bakım planlaması için binalardaki, köprülerdeki ve yollardaki yapısal bileşenleri, çatlakları veya hasarlı alanları belirlemeye yardımcı olur.
• Sağlık ve tıbbi görüntüleme: Örnek bölütleme, hücrelerin, dokuların veya tıbbi araçların ana hatlarını hassas biçimde çıkarmayı mümkün kılarak daha doğru analiz ve tanıya destek olur.
• Tarım ve çevresel izleme: Ekinleri, meyveleri veya bitki hastalıklarını belirleyip birbirinden ayırabilir; böylece verimi tahmin etmeyi ve hedefe yönelik uygulamalar yapmayı kolaylaştırır.

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

Örnek bölütleme için Ultralytics YOLO26 özel eğitim süreci#

Şimdi özel eğitim sürecinin nasıl işlediğini ele alalım. Model eğitmek teknik bir iş gibi görünse de genel süreç basittir.

Görüntülerini hazırlayabilir, modelin öğrenmesini istediğin nesneleri etiketleyebilir, küçük bir ayar dosyasını yapılandırabilir ve ardından Ultralytics Python paketini kullanarak YOLO26'yı eğitebilirsin. Ultralytics Python paketi, her şeyi sıfırdan oluşturman gerekmeden YOLO modellerini eğitmek, test etmek ve dağıtmak için kullanıma hazır araçlar sunan bir yazılım kütüphanesidir.

Adım 1: Özel veri kümeni hazırlama#

İlk adım, özel segmentasyon veri kümeni hazırlamaktır. Veri kümesi, modelin öğrenmesini istediğin nesneleri içeren görüntülerden oluşan bir koleksiyondur.

Farklı açılar, aydınlatma koşulları, arka planlar ve nesne boyutları gibi gerçek dünya koşullarını yansıtan görüntüler eklemeye çalış. Görüntülerin ne kadar çeşitli olursa modelin performansı da o kadar iyi olur.

Örnek segmentasyonu için görüntülerinin açıklama etiketlerine de ihtiyacı vardır. Açıklama, modelin ne öğreneceğini bilmesi için her görüntüdeki nesneleri etiketlemeyi içerir. Basit kutular çizmek yerine, her nesnenin tam şeklini belirtmek için nesnenin etrafına ayrıntılı hatlar (çokgenler) çizersin. Bu hatlar, modelin tahmin etmeyi öğrendiği maskelere dönüşür.

Bu etiketleri oluşturmak için kullanabileceğin çeşitli açık kaynaklı açıklama araçları vardır. Bu araçların çoğu, görüntü yükleyip nesne hatlarını doğrudan görüntülerin üzerine çizebileceğin kullanıcı dostu arayüzler sunar.

Görüntülerin ve açıklama etiketlerin hazır olduğunda bunları eğitim ve doğrulama klasörlerine ayırabilirsin. Veri kümenin boyutuna bağlı olarak eğitim için görüntülerin %80'ini, doğrulama için %20'sini ayırmak yaygın bir tercihtir; ancak eğitim için %70, doğrulama için %30 oranı da sık kullanılır. Eğitim kümesi modele öğretirken doğrulama kümesi, modelin daha önce görmediği görüntülerde ne kadar iyi performans gösterdiğini ölçmek için kullanılır.

Bu ayrımı dengeli tutmak ve her iki klasörün de çeşitli örnekler içermesini sağlamak önemlidir. Temiz, iyi etiketlenmiş ve eğitim-doğrulama ayrımı doğru yapılmış bir veri kümesi, güçlü bir örnek segmentasyonu modelinin temelini oluşturur.

Adım 2: Veri kümesi YAML dosyası oluştur#

Görüntülerini ve açıklama etiketlerini hazırladıktan sonraki adım, bir veri kümesi YAML dosyası oluşturmaktır. Bu dosya, veri kümenin konumunu ve eğitim sırasında modelin öğrenmesi gereken nesne sınıflarını belirtir.

Bu dosyada veri kümesinin kök dizinini, eğitim ve doğrulama görüntü klasörlerinin yollarını ve sınıf adları listesini tanımlayabilirsin. Her şeyin doğru eşleşmesi için sınıf adlarının, açıklama dosyalarındaki sınıf numaralarıyla aynı sırada listelenmesi gerekir.

Tam biçimle ilgili soruların varsa daha fazla bilgi için resmî Ultralytics belgelerine başvurabilirsin.

Adım 3: Ultralytics Python paketini yükle#

Veri kümen ve YAML dosyan hazır olduğuna göre sonraki adım, Ultralytics Python paketini yüklemektir.

Bu paket, Ultralytics YOLO26 modellerini eğitmek, doğrulamak, çıkarım yapmak ve dışa aktarmak için gereken araçları içerir. Karmaşık eğitim işlem hatlarını sıfırdan oluşturmadan YOLO modelleriyle çalışmanın kolaylaştırılmış bir yolunu sunar.

Ultralytics Python paketini yüklemeden önce kodunu nerede çalıştırmak istediğine de karar vermen önemlidir. Ultralytics paketiyle aşağıdaki gibi çeşitli geliştirme ortamlarında çalışabilirsin:

• Komut satırı arayüzü (CLI): Bilgisayarınla komutlar yazarak etkileşim kurduğun, metin tabanlı bir ortamdır. Grafik arayüzdeki gibi düğmelere tıklamak veya menülerde gezinmek yerine, programları çalıştırmak ve görevleri doğrudan yerine getirmek için yazılı talimatlar girersin.
• Jupyter Notebooks: Kodları küçük bölümler hâlinde yazıp çalıştırdığın ve çıktıyı hemen gördüğün etkileşimli bir ortamdır. Denemeler yapmak ve öğrenmek için kullanışlıdır.
• Google Colab: Yerel kurulum gerektirmeyen ve isteğe bağlı olarak grafik işlem birimlerine (GPUs) erişim sağlayan bulut tabanlı bir not defteri platformudur. Yeni başlayanlar için genellikle en kolay seçenektir.

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

pip install ultralytics

Google Colab veya Jupyter Notebook gibi not defteri tabanlı bir ortam kullanıyorsan komutun başına ünlem işareti ekle. Yükleme sırasında sorun yaşarsan yaygın çözümler ve ortam kurulumuyla ilgili ipuçları için Ultralytics belgelerine veya sorun giderme kılavuzuna başvurabilirsin.

Kurulumdan sonra önceden eğitilmiş bir Ultralytics YOLO26 segmentasyon modelini yükleyip eğitime başlamaya hazır olacaksın.

Adım 4: Örnek segmentasyonu için Ultralytics YOLO26 modelini eğit#

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

Daha küçük modeller daha hızlı eğitilir ve merkezi işlem birimlerinde (CPUs) veya uç cihazlarda daha verimli çalışır; daha büyük modeller ise genellikle daha yüksek doğruluk sunar, ancak daha fazla bellek gerektirir ve GPU hızlandırmasından yararlanır. Yeni başlıyorsan veya donanımın kısıtlıysa Nano sürümü (YOLO26n) kullanışlı bir tercihtir.

Bir model boyutu seçtikten sonraki adım, önceden eğitilmiş bir segmentasyon modelini yükleyip özel veri kümenle eğitmektir. Bunun için aşağıda gösterildiği gibi önceden eğitilmiş model dosyasını, veri kümesi YAML dosyanın yolunu, dönem sayısını ve görüntü boyutunu belirtmen gerekir.

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 kümesini kaç kez işleyeceğini belirler. Her dönemde model tahminler yapar, bunları doğru açıklama etiketleriyle karşılaştırır, hataları hesaplar ve performansını iyileştirmek için dahili parametrelerini günceller.

Eğitim doğru şekilde başlarsa model yapılandırmasını, veri kümesi taramasını ve eğitim ilerlemesini terminalinde veya not defterinde görürsün. Eğitim devam ederken her dönemin ardından kayıp değerleri ve değerlendirme metrikleri güncellenir; böylece modelin zaman içinde nasıl geliştiğini izleyebilirsin.

Adım 5: Özel eğitilmiş modelin performansını değerlendir#

Eğitim süreci tamamlandıktan sonra modelin performans metriklerini inceleyip doğrulayabilirsin. Google Colab'da önce “runs” klasörüne, ardından “segment” klasörüne ve son olarak temel performans göstergelerinin günlüklerini bulabileceğin “train” klasörüne gidebilirsin.

Python ortamında çalışan kullanıcılar için eğitim sonuçları, varsayılan olarak geçerli çalışma dizinindeki “runs/train/” dizinine kaydedilir. Her eğitim çalıştırması, runs/train/exp veya runs/train/exp2 gibi yeni bir alt dizin oluşturur. Bu dizinde günlükleri, kaydedilen ağırlıkları ve denemeyle ilgili diğer çıktıları bulabilirsin.

CLI kullanıyorsan bu sonuçlara “yolo settings” komutuyla erişip bunları yönetebilirsin. Bu komut, eğitim günlükleri ve deneme ayrıntılarıyla ilgili yolları ve yapılandırmaları görüntülemene veya değiştirmeni sağlar.

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

Şekil 4. Modelini değerlendirmek için inceleyebileceğin grafik türleri (Kaynak)

Bu görsel eğilimler, modelin başarıyla 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 segmentasyonu modelinin performansını daha net görmeni sağlar.

Adım 6: Modelini test et ve çıkarım yap#

Modelini doğruladıktan sonraki son adım, modeli yeni görüntülerle test etmektir. Bu sürece çıkarım denir; kısaca, eğitilmiş modelini kullanarak görülmemiş veriler üzerinde tahminler yapmaktır.

Python'da aşağıdaki gibi çıkarım yapabilirsin:

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

Bu örnekte "path/to/image.jpg" yerine test etmek istediğin görüntünün yolunu yazabilirsin.

“save=True” ayarı, modele orijinal görüntünün üzerine çizilmiş tahmini segmentasyon maskelerini içeren yeni bir görüntü oluşturup kaydetmesini söyler.

“conf=0.3” ayarı güven eşiğini belirler; yani model yalnızca doğru olduğundan en az %30 emin olduğu tahminleri gösterir. Bu değeri düşürmek daha fazla tespit gösterirken yükseltmek modeli daha seçici hâle getirir.

Komutu çalıştırdıktan sonra model, çıktı görüntüsünü kaydettiği yeni bir klasörü runs dizini içinde oluşturur. Kaydedilen görüntüyü açarak segmentasyon maskelerinin nesne sınırlarını ne kadar iyi izlediğini ve üst üste binen nesnelerin doğru biçimde ayrılıp ayrılmadığını görsel olarak kontrol edebilirsin.

Modeli farklı görüntülerde, arka planlarda ve aydınlatma koşullarında test etmek, eğitim veri kümesi dışındaki performansını daha iyi anlamanı sağlar. Sonuçlar tutarlı ve doğru görünüyorsa model dışa aktarılıp dağıtıma alınmaya hazırdır.

Adım 7: Modelini dışa aktar ve dağıtıma al#

Modelini test edip iyi performans gösterdiğini doğruladıktan sonraki son adım, modeli dışa aktarıp dağıtıma almaktır. Dışa aktarma, eğitilmiş Ultralytics YOLO26 modelini üretim sunucuları, uç cihazlar veya mobil uygulamalar gibi farklı ortamlarda çalışabilecek bir biçime dönüştürür.

Ultralytics birden fazla dışa aktarma biçimini destekler; böylece dağıtım kurulumuna en uygun olanı seçebilirsin. Örneğin platformlar arasında geniş uyumluluk için ONNX, NVIDIA donanımında GPU performansını optimize etmek için TensorRT veya Intel cihazlarda verimli CPU tabanlı dağıtım için OpenVINO biçimine aktarabilirsin. Bu entegrasyonlar, modelini eğitim ortamının dışında çalıştırmanı ve gerçek zamanlı yüksek performans elde etmeni kolaylaştırır.

Modelini Python'da aşağıdaki komutu kullanarak dışa aktarabilirsin:

model.export(format="onnx")

Bu komut, eğitilmiş modelini ONNX biçimine dönüştürür. Dağıtım gereksinimlerine bağlı olarak "onnx" yerine desteklenen diğer biçimlerden birini kullanabilirsin.

Dışa aktarıldıktan sonra modelini web hizmetleri, gömülü görme sistemleri, robotik platformları veya endüstriyel denetim sistemleri gibi uygulamalara entegre edebilirsin. Bu aşamada, özel eğitilmiş Ultralytics YOLO26 örnek segmentasyonu modelin deney aşamasından çıkarak gerçek dünyada dağıtıma alınabilir.

Önemli çıkarımlar#

Örnek segmentasyonu için Ultralytics YOLO26 modelini özel olarak eğitmek, kullanım senaryona gerçekten uygun bir model oluşturma esnekliği sağlar. Açık ve net bir veri kümesi hazırlayarak, YAML dosyanı yapılandırarak, önceden eğitilmiş segmentasyon ağırlıklarıyla eğitim yaparak ve sonuçları inceleyerek modele her nesnenin sınırlarını piksel düzeyinde doğru biçimde çizmeyi öğretebilirsin. Test edilip dışa aktarıldıktan sonra YOLO26 modelin geliştirme aşamasından çıkarak çok ölçekli gerçek dünya uygulamalarında kullanılabilir.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuza göz at. Kendi görsel yapay zekâ projen üzerinde çalışmak istiyorsan lisanslama seçeneklerimizi incele. Çözümler sayfalarımızı ziyaret ederek sağlık hizmetlerinde yapay zekâ ve perakendede görsel yapay zekâ gibi uygulamalar hakkında daha fazla bilgi edin.