Ultralytics yapay zekayı kullanarak etiketlemeyi nasıl otomatikleştirdiğini, büyük veri kümelerini nasıl yönettiğini, tutarlılığı nasıl artırdığını ve bilgisayar görme geliştirme sürecini nasıl hızlandırdığını keşfedin.
Görüntüleri ve videoları analiz eden bilgisayar görme çözümleri, imalattan tıbbi görüntülemeye kadar birçok sektördeki iş akışlarının vazgeçilmez bir parçası haline geliyor. Örneğin imalat sektöründe, konveyör bandı üzerinde hareket eden ürünlerdeki yüzey kusurlarının tespit edilmesi, ince ayrıntıları fark edebilen bilgisayar görme modellerine bağlıdır.
Bu tür modellerin iyi bir performans gösterebilmesi için, her bir kusurun açıkça belirtildiği etiketli verilerle eğitilmeleri gerekir. Bu sayede modeller neye dikkat etmeleri gerektiğini öğrenir ve benzer kalıpları tanıyabilirler.
Bu etiketlerin oluşturulması sürecine veri etiketleme denir. Özellikle görüntü etiketleme ve video etiketleme, sınırlayıcı kutular çizmeyi, şekilleri çerçevelemeyi veya görüntü ve video kareleri içindeki belirli bölgeleri etiketlemeyi içerir.
Bu durum küçük veri kümeleri için yönetilebilir olsa da, veriler arttıkça işin üstesinden gelmek hızla zorlaşır. Binlerce görüntüyü etiketlemek sürekli bir manuel çaba gerektirir ve bu da etiketlemeyi önemli bir darboğaz haline getirir. Geleneksel araçlar genellikle yavaştır, parçalıdır ve ölçeklendirilmesi zordur.
Hepsi bir arada görüntü işleme yapay zeka platformu olan Ultralytics , yapay zeka destekli etiketleme özelliği sayesinde bu zorlukların üstesinden gelmeye yardımcı olur. Yapay zeka kullanarak hızlı bir şekilde gözden geçirilebilen ve iyileştirilebilen ilk etiketleri otomatik olarak oluşturarak, manuel iş yükünü azaltır ve verimliliği artırır.
Bu makalede, Ultralytics 'nda yapay zeka destekli etiketlemenin nasıl işlediğini ve etiketleme sürecini nasıl iyileştirdiğini inceleyeceğiz. Hadi başlayalım!
Ultralytics yapay zeka destekli veri etiketlemenin nasıl işlediğini incelemeden önce, önce veri etiketleme konusuna daha yakından bakalım.
Veri etiketleme olarak da bilinen veri anotasyonu, ham verilere yapılandırılmış etiketler atayarak bu verilerin makine öğrenimi modellerini eğitmek için kullanılabilir hale getirilmesi sürecidir. Bilgisayar görme alanında bu etiketler, görüntüler veya videolar içindeki nesneleri, bölgeleri veya ilgi çekici özellikleri tanımlar.
Eğitim sürecinde modeller veya algoritmalar, girdi verilerini bu etiketlere eşleştirmeyi öğrenir; bu nedenle etiketleme kalitesi, model performansında kilit bir faktör haline gelir. Doğru ve tutarlı bir şekilde etiketlenmiş veri kümeleri, modelin doğru kalıpları öğrenmesini sağlarken, yetersiz veya tutarsız etiketlemeler güvenilmez tahminlere yol açabilir.
Örneğin, bir kusur tespit uygulaması durumunda, konveyör bandı üzerindeki bir ürünün görüntüsüne, kusurların bulunduğu yerler işaretlenerek ve bu kusurların türleri belirtilerek açıklamalar eklenebilir. Bu, modelin kusurların neye benzediğini öğrenmesine yardımcı olur ve böylece yeni görüntülerde bu kusurları tespit edebilmesini sağlar.
Şimdi, bilgisayar görme alanında görüntülere etiketleme yapılmasının yaygın yöntemlerine bir göz atalım. Bu yöntemler, nesne algılama, örnek segmentasyonu ve görüntü sınıflandırması gibi görevler için görsel verileri etiketlemek amacıyla kullanılır. Her bir etiketleme yöntemi, nesneleri bulmak, şekilleri yakalamak veya temel yapıları belirlemek gibi farklı işlevlere hizmet eder.
Çerçeveleme kutuları, bir görüntüdeki nesnelerin konumlarını göstermek için bunların etrafına çizilen basit dikdörtgenlerdir. Bunlar, bilgisayar görme alanında verileri etiketlemenin en yaygın yöntemlerinden biridir.
Bu kutuların bulunduğu görüntüler üzerinde eğitilerek, nesne algılama modelleri farklı nesneleri tanımayı ve bunların görüntü içindeki konumlarını anlamayı öğrenir. Bu sayede, aynı anda detect nesneyi detect ve her birinin nerede göründüğünü belirleyebilirler.
Örneğin, bilgisayar görme teknolojisiyle analiz edilen bir beyzbol maçını ele alalım. Her karede oyuncuların, sopanın ve topun etrafına kutular çizilebilir; böylece model, maç boyunca bu nesneleri detect tanımlayabilir.
Segmentasyon maskeleri olarak da bilinen poligonlar, nesneleri piksel düzeyinde etiketleyerek sınırlayıcı kutulardan bir adım öteye geçer. Kabaca bir dikdörtgen çizmek yerine, görüntüdeki her nesnenin tam şeklini ve kenarlarını yakalarlar. Bu da onları daha ayrıntılı bir anlayış gerektiren görevler için kullanışlı kılar.
Örneğin, otonom sürüşte segmentasyon maskeleri, her bir piksele yol veya gökyüzü gibi bir kategori atanan anlamsal segmentasyon ve araçlar veya yayalar gibi tek tek nesnelerin ayrı ayrı tanımlandığı örnek segmentasyon gibi görevlerde kullanılır.
Ayrıca, bir kişinin olduğu gibi bir nesnenin görüntünün geri kalanından ayrılması gereken arka plan kaldırma gibi işlemlerde de kullanılırlar.
Anahtar noktalar, insan vücudundaki eklemler veya bir hayvanın vücut kısımları gibi bir nesnenin belirli noktalarını işaretlemek için kullanılır. Bu noktalar belirlenerek, modeller bir nesnenin yapısını ve parçalarının birbirlerine göre nasıl konumlandığını anlayabilir.
Bilgisayar görme alanında buna "duruş tahmini" denir; buradaki amaç, bu anahtar noktaların konumlarını belirlemek ve birbirleriyle nasıl ilişkili olduklarını anlamaktır. Bu noktaların zaman içinde izlenmesi, hareketlerin ve duruş değişikliklerinin analiz edilmesini mümkün kılar.
Yaygın bir örnek, insan hareketlerini analiz etmek için videodaki vücut eklemlerini işaretlemektir. Bu kilit noktalara odaklanarak, modeller bir kişinin nasıl durduğunu ve duruşunun zaman içinde nasıl değiştiğini tespit edebilir.
Bir görüntüdeki tüm nesneler mükemmel bir şekilde hizalı değildir. Gerçek hayattaki birçok durumda, nesneler eğik veya dönmüş görünür ya da farklı açılardan görüntülenir.
Standart sınırlayıcı kutular, gereksiz arka plan öğelerini içerebilmeleri veya nesneyle tam olarak eşleşmemeleri nedeniyle bu tür durumlarda genellikle yetersiz kalır. Yönlendirilmiş sınırlayıcı kutular, nesnenin yönüne göre hizalanmış döndürülmüş dikdörtgenler kullanarak bu sorunu ortadan kaldırır. Bu sayede daha sıkı ve daha doğru etiketlemeler elde edilir.
Bu yaklaşım, modellerin bir nesnenin hem konumunu hem de yönünü belirlediği yönlendirilmiş sınır kutusu (OBB) algılamasında kullanılır. Buna bir örnek, binalar, gemiler veya araçlar gibi nesnelerin genellikle farklı açılarda göründüğü hava görüntüleridir. Döndürülmüş kutular, sahnedeki gerçek şekillerini ve yönlerini yakalamayı kolaylaştırır.
Sınıflandırma etiketleri, belirli nesneleri veya bölgeleri işaretlemek yerine görüntünün tamamına tek bir etiket atayarak diğer etiketleme yöntemlerinden farklı bir yaklaşım sergiler. Bu yöntem, görüntünün neresinde yer aldığına odaklanmadan, görüntünün içinde ne olduğunu belirlemek istendiğinde kullanılır.
Örneğin, bir görüntü genel içeriğine göre “kedi” veya “köpek” olarak etiketlenebilir. Bu da, görüntünün genel düzeyde anlaşılmasının yeterli olduğu görevlerde görüntü sınıflandırmasını kullanışlı kılar.
Birçok geleneksel etiketleme aracı, çok sayıda adımdan ve birbirinden bağımsız iş akışlarından oluşur. Yapay zeka geliştirme ekipleri, etiketleme, depolama ve doğrulama işlemleri için sık sık farklı etiketleme platformları arasında geçiş yapmak zorunda kalır ve bu da yapay zeka projelerinin ilerlemesini yavaşlatır.
Çoğu araç, yalnızca sınırlı sayıda etiketleme türü ve veri türünü desteklediğinden, ekipler sınırlayıcı kutular, segmentasyon ve anahtar noktalar için farklı araçlar kullanmak zorunda kalıyor. Bu parçalı yapı, özellikle bilgisayar görme alanında yeni olan ekipler için yönetilmesi zor olabilir.
Manuel çalışma da bir başka büyük zorluktur. Tek bir görüntüyü etiketlemek sadece birkaç dakika sürebilirken, büyük veri kümeleriyle çalışmak, özellikle benzer görüntülerde tekrarlayan görevler söz konusu olduğunda, kısa sürede zaman alıcı bir iş haline gelir.
Veri kümeleri büyüdükçe, ekipler aynı zamanda dosyaları yönetmek, track sürümlerini track ve etiketlemeler arasında tutarlılığı sağlamak zorunda kalıyor. Bu durum iş yükünü artırıyor; veri yönetimine daha fazla zaman harcanırken, model performansını iyileştirmeye ayrılan zaman azalıyor.
Daha verimli bir yaklaşım, Ultralytics içinde yapay zeka destekli etiketlemeyi kullanmaktır. Bu Ultralytics , yapay zeka yardımıyla etiketler oluşturup iyileştirerek manuel iş yükünü azaltırken, hızı ve tutarlılığı artırır; tüm bunlar, veri kümesi yönetimi, etiketleme, model eğitimi, devreye alma ve izleme işlemlerini tek bir ortamda bir araya getirir.
Ultralytics , etiketlemeyi bilgisayar görme iş akışının geri kalanıyla doğrudan entegre ederek bu süreci basitleştirir. Ekipler, ayrı araçlara başvurmak yerine tek bir ortamda veriler, etiketlemeler ve modeller üzerinde çalışabilirler.
Nesne algılama, görüntü sınıflandırma, örnek segmentasyonu, duruş tahmini ve yönlü sınırlayıcı kutu algılama gibi çeşitli bilgisayar görme görevlerini destekler.
Bu yapı içinde, etiketleme işlemi çeşitli şekillerde gerçekleştirilebilir. Ekipler, tam kontrol sağlamak için verileri manuel olarak etiketleyebilir, etkileşimli ve nokta tabanlı etiketleme için SAM akıllı etiketlemeyi kullanabilir veya incelenip iyileştirilebilecek etiketleri otomatik olarak oluşturmak üzere YOLO akıllı etiketlemeyi uygulayabilir. Bu esneklik, farklı veri kümeleriyle ve etiketleme gereksinimleriyle çalışmayı kolaylaştırır.
Yapay zeka destekli ve manuel etiketleme, veri kümesi yönetimi ve model eğitimi ile entegre olduğundan, ekipler veri etiketlemeden veri kümelerini düzenlemeye ve modelleri eğitmeye sorunsuz bir şekilde geçebilir. Bu sayede iş akışları düzenli kalır ve araçlar arasında geçiş yapma veya etiketleri yeniden biçimlendirme gerekliliği ortadan kalkar.
Platform ayrıca aşağıdaki gibi Ultralytics YOLO de desteklemektedir: Ultralytics YOLO11 ve Ultralytics gibi Ultralytics YOLO modellerini de destekler ve etiketlenmiş verilerin doğrudan eğitim ve test için kullanılmasını sağlar. Bu, veri kümelerindeki boşlukları tespit etmeyi, etiketlemeleri iyileştirmeyi ve sürekli yineleme yoluyla modelleri yeniden eğitmeyi kolaylaştırır.
Ultralytics 'ndaki SAM akıllı etiketleme, nesne algılama, örnek segmentasyonu ve yönlendirilmiş sınırlayıcı kutu (OBB) görevleri için etiketleme sürecini hızlandırmak üzere tasarlanmıştır.
Platform, SAM .1 Tiny, SAM .1 Small, SAM .1 Base, SAM .1 Large ve SAM dahil olmak üzere çeşitli SAM seçenekleri sunarak, kullanıcılara hız ve doğruluk arasında seçim yapma imkanı sağlıyor.
Tiny ve Small gibi daha küçük modeller daha hızlıdır ve hızlı etiketleme iş akışları için idealdir; Large ve SAM gibi daha büyük modeller ise daha karmaşık sahneler için daha yüksek doğruluk sağlar. Modeller arasında geçiş yapıldığında etiketleme davranışı anında güncellenir.
Etiketleme düzenleyicisinde bir SAM seçildiğinde, insan etiketleyiciler etiketlemeye başlamak için Akıllı moduna geçebilirler. Şekilleri manuel olarak çizmek yerine, model basit nokta tabanlı girdilerle yönlendirilir.
Sol tıklama, bir bölgeyi dahil etmek için pozitif bir nokta eklerken, sağ tıklama istenmeyen alanları hariç tutmak için negatif bir nokta ekler. Bu girdilere dayanarak model, gerçek zamanlı olarak hassas bir maske oluşturur.
İş akışını hızlandırmak için otomatik uygulama modu etkinleştirilebilir. Bu mod etkin olduğunda, her tıklama manuel onay gerektirmeden otomatik olarak bir açıklama oluşturur ve kaydeder. Daha karmaşık nesneler için, açıklama ekleyen kullanıcılar maske uygulanmadan önce "Shift" tuşunu basılı tutarak birden fazla nokta yerleştirebilir veya otomatik uygulamayı devre dışı bırakarak noktaları serbestçe ekleyip ardından "Enter" tuşuna basarak maskeyi uygulayabilir.
SAM akıllı etiketlemeye benzer şekilde, Ultralytics 'ndaki YOLO etiketleme de etiketleme sürecini hızlandırmak için yapay zeka kullanır. Modeli tıklamalarla yönlendirmek yerine, model tahminlerini kullanarak etiketleri otomatik olarak oluşturur.
Bu yaklaşım, nesne algılama, örnek segmentasyonu ve yönlendirilmiş sınırlayıcı kutu (OBB) etiketleme gibi görevleri destekler. Özellikle Ultralytics tarafından sağlanan önceden eğitilmiş modeller Ultralytics özel olarak eğitilmiş YOLO dahil olmak üzere Ultralytics YOLO uyumludur.
Etiketleme düzenleyicisi içinde, etiketleyiciler Akıllı moduna geçebilir, model seçiciden bir YOLO seçebilir ve "Tahmin Et" düğmesine tıklayabilir. Model seçici, yalnızca mevcut veri kümesi göreviyle eşleşen YOLO gösterir; böylece oluşturulan etiketlerin uyumlu olması sağlanır.
Model, görüntüyü analiz eder ve tahminlerine dayanarak etiketler oluşturur; bu etiketler daha sonra doğrudan görüntüye eklenir. Tahminler, aynı sınıfa ait mevcut etiket çıktılarıyla çakışırsa, çakışma belirlenen eşik değerini aştığında yinelenen tespitler otomatik olarak atlanır; bu da etiketlerin temiz ve tutarlı kalmasına yardımcı olur.
Tahminler oluşturulduktan sonra, sürece dahil olan insan etiketleyiciler bunları gerektiğinde inceleyebilir, düzeltebilir veya silebilir. Bu sayede, her şeyi manuel olarak etiketlemek yerine, model tarafından oluşturulan etiketlerle başlayıp bunları iyileştirerek büyük veri kümelerini hızlı bir şekilde etiketlemek daha kolay hale gelir.
Zamanla, geliştirilmiş YOLO daha iyi tahminler üretmek için yeniden kullanılabilir ve bu da yinelemeli bir otomatik etiketleme iş akışını destekler.
Şimdi, Ultralytics 'nun gerçek hayattaki kullanım senaryolarında veri etiketlemesini nasıl mümkün kıldığına dair örnekleri inceleyelim.
Bilgisayar görme modelleriyle entegre edilmiş otonom araçlar, çevrelerini gerçek zamanlı olarak algılayabilmek için doğru şekilde etiketlenmiş görsel verilere ihtiyaç duyar. Bu verilerle eğitilen modeller, segment , yayaları, trafik işaretlerini ve yol sınırlarını detect segment .
Segmentasyon görevleri, piksel düzeyinde kesin sınırlar gerektirir; bu da etiketlemeyi hem çok önemli hem de zaman alıcı bir işlem haline getirir. Büyük hacimli sensör verilerini manuel olarak etiketlemek, özellikle karmaşık sürüş sahnelerinde hızla bir darboğaz haline gelebilir.
Ultralytics , hem SAM YOLO kullanarak yapay zeka destekli etiketlemeyle bu süreci kolaylaştırır. SAM akıllı etiketleme, hassas maskelerle hızlı ve tıklama tabanlı segmentasyon sağlarken, YOLO ise görüntüler üzerinde otomatik olarak etiketler oluşturmak için kullanılabilir.
Bu yaklaşımlar bir araya geldiğinde, üst üste binen nesnelerin bulunduğu karmaşık sahneleri işlemek daha kolay hale geliyor.
Etiketleme işlemi model eğitimi ile doğrudan bağlantılı olduğundan, güncellenen büyük ölçekli veri kümeleri modelleri yeniden eğitmek ve değerlendirmek için hemen kullanılabilir. Bu sayede ekipler, performansı sürekli olarak iyileştirebilir ve yeni sürüş koşullarına daha verimli bir şekilde uyum sağlayabilir.
Üretim sektöründe, tutarlı bir kalite kontrolünün sağlanması, üretim sürecinde kusurların doğru bir şekilde tespit edilmesine bağlıdır. Bilgisayar görme modelleri genellikle sorunları gerçek zamanlı olarak tespit etmek için kullanılır, ancak bu modellerin performansı, eğitim verilerinin gerçek üretim koşullarını ne kadar iyi yansıttığına bağlıdır.
Hammadde, makine ayarları veya aydınlatma gibi üretim ortamlarındaki değişiklikler, orijinal eğitim verilerinde yer almayan yeni ve nadir kusur türlerinin ortaya çıkmasına neden olabilir. Bu durum, modelin öğrendikleri ile üretim hattında görülenler arasında bir uçurum yaratır.
Verilerin tutarlılığını korumak için veri kümelerinin düzenli olarak yüksek kaliteli, şirket içi etiketlemelerle güncellenmesi gerekir. Ultralytics , yeni hata kalıpları ortaya çıktıkça etiketlemeleri güncellemeyi ve veri kümelerini genişletmeyi kolaylaştırır. Bu güncellenmiş veri kümeleri daha sonra modelleri yeniden eğitmek için kullanılabilir ve ekiplerin değişen üretim koşullarına daha hızlı uyum sağlamasına yardımcı olur.
İnşaat sahaları, çok sayıda ekip, hareket halindeki ekipmanlar ve sürekli değişen yerleşim düzenleriyle dinamik ortamlardır. Bu koşullarda güvenliği sağlamak, net ve ayrıntılı açıklamalar içeren görsel verilere bağlıdır.
Doğru etiketlemeler, veri kalitesini artırabilir ve yapay zeka sistemlerinin kalabalık ortamlar, değişken arka planlar ve farklı ışık koşulları dahil olmak üzere çeşitli saha koşullarında çalışanları, ekipmanları, güvenlik donanımlarını ve olası riskleri tespit etmesine yardımcı olabilir.
Ultralytics , saha koşulları değiştikçe açıklamaların güncellenmesini ve iyileştirilmesini kolaylaştırarak bu süreci destekler. Yeni görüntüler ortaya çıktıkça yakalanıp veri setine eklenebilir, böylece veri seti gerçek dünya senaryolarıyla uyumlu kalır.
Güvenilir bilgisayar görme ve yapay zeka modelleri oluşturmak için yüksek kaliteli etiketleme hayati önem taşır, ancak geleneksel iş akışları genellikle ekiplerin hızını düşürür. Ultralytics , otomatik etiketleme araçları ve ölçeklenebilir bir iş akışıyla bu süreci kolaylaştırır. Sonuç olarak, ekipler doğruluk ve tutarlılığı korurken veriden modele daha hızlı geçebilirler.
Bilgisayar görme hakkında daha fazla bilgi edinmek için büyüyen topluluğumuzu ve GitHub depomuzu inceleyin. Görme çözümleri geliştirmek istiyorsanız, lisans seçeneklerimize göz atın. Üretimde bilgisayar görmenin ve sağlık sektöründe yapay zekanın sunduğu avantajlar hakkında daha fazla bilgi edinmek için çözüm sayfalarımızı keşfedin.
Makine öğreniminin geleceği ile yolculuğunuza başlayın
