Ultralytics Platform, etiketlemeyi otomatikleştirmek için yapay zekayı nasıl kullanıyor

Görüntüleri ve videoları analiz eden bilgisayarlı görü çözümleri, üretimden tıbbi görüntülemeye kadar birçok sektörde iş akışlarının düzenli bir parçası haline geliyor. Örneğin üretimde, bir taşıma bandı üzerinde hareket eden ürünlerdeki yüzey kusurlarını tespit etmek, ince desenleri fark edebilen bilgisayarlı görü modellerine bağlıdır.

Bu tür modellerin iyi çalışması için, her bir kusurun net bir şekilde tanımlandığı etiketli verilerle eğitilmeleri gerekir. Bu, modellerin nelere bakacaklarını öğrenmelerini ve benzer desenleri tanımalarını sağlar.

Bu etiketleri oluşturma sürecine veri etiketleme denir. Özellikle görüntü etiketleme ve video etiketleme; sınırlayıcı kutular çizmeyi, şekillerin ana hatlarını belirlemeyi veya görüntüler ve video kareleri içindeki belirli bölgeleri etiketlemeyi içerir.

Küçük veri kümeleri için bu yönetilebilir olsa da, veri büyüdükçe başa çıkmak hızla zorlaşır. Binlerce görüntüyü etiketlemek sürekli manuel çaba gerektirir ve etiketlemeyi büyük bir darboğaz haline getirir. Geleneksel araçlar genellikle yavaştır, parçalıdır ve ölçeklendirilmesi zordur.

Hepsi bir arada yapay görü platformu Ultralytics Platform, yapay zeka destekli etiketleme ile bu zorlukları çözmeye yardımcı olur. Hızla gözden geçirilebilen ve iyileştirilebilen ilk etiketleri otomatik olarak oluşturmak için yapay zekayı kullanarak manuel çabayı azaltır ve verimliliği artırır.

Bu makalede, yapay zeka destekli etiketlemenin Ultralytics Platform içinde nasıl çalıştığını ve etiketleme sürecini nasıl iyileştirdiğini inceleyeceğiz. Haydi başlayalım!

Link to this sectionVeri etiketleme sürecine genel bakış#

Yapay zeka destekli etiketlemenin Ultralytics Platform üzerinde nasıl çalıştığına dalmadan önce, veri etiketlemeye daha yakından bakalım.

Veri etiketleme, aynı zamanda veri işaretleme olarak da bilinir, makine öğrenimi modellerini eğitmek için kullanılabilecek ham verilere yapılandırılmış etiketler atama sürecidir. Bilgisayarlı görüde bu etiketler, görüntüler veya videolar içindeki nesneleri, bölgeleri veya ilgi çekici özellikleri tanımlar.

Eğitim sırasında, modeller veya algoritmalar girdi verilerini bu etiketlerle eşlemeyi öğrenir, bu da etiketleme kalitesini model performansında önemli bir faktör haline getirir. Doğru ve tutarlı etiketlenmiş veri kümeleri modelin doğru desenleri öğrenmesini mümkün kılarken, zayıf veya tutarsız etiketler güvenilmez tahminlere yol açabilir.

Örneğin, bir kusur tespiti kullanım durumunda, taşıma bandındaki bir ürünün görüntüsü, kusurların nerede göründüğü işaretlenerek ve ne tür bir kusur olduğu etiketlenerek etiketlenebilir. Bu, modelin kusurların neye benzediğini öğrenmesine ve onları yeni görüntülerde tanımlayabilmesine yardımcı olur.

Link to this sectionYaygın etiketleme görevlerine bir bakış#

Şimdi, bilgisayarlı görüde görüntülerin etiketlenmesinin bazı yaygın yollarına bakalım. Bu yöntemler; nesne tespiti, örnek bölütleme ve görüntü sınıflandırma gibi görevler için görsel verileri etiketlemek amacıyla kullanılır. Her etiketleme yöntemi, nesnelerin yerini bulma, şekilleri yakalama veya temel yapıları tanımlama gibi farklı bir işleve hizmet eder.

Link to this sectionBBox#

Sınırlayıcı kutular (bounding box), bir görüntüdeki nesnelerin nerede olduğunu göstermek için etraflarına çizilen basit dikdörtgenlerdir. Bunlar, bilgisayarlı görüde verileri etiketlemenin en yaygın yollarından biridir.

Bu kutularla etiketlenmiş görüntüler üzerinde eğitim alarak, nesne tespiti modelleri farklı nesneleri tanımayı ve konumlarını anlamayı öğrenir. Bu, birden fazla nesneyi aynı anda tespit etmelerine ve her birinin nerede göründüğünü belirlemelerine olanak tanır.

Örneğin, bilgisayarlı görü kullanılarak analiz edilen bir beyzbol maçını düşün. Kutular, her karede oyuncuların, sopanın ve topun etrafına çizilebilir, böylece modelin oyun boyunca bu nesneleri tespit etmesi ve tanımlaması sağlanabilir.

Şekil 1. Sınırlayıcı kutular, birden fazla nesneyi etiketlemek ve konumlandırmak için kullanılabilir. (Kaynak)

Link to this sectionÇokgenler veya bölütleme maskeleri#

Çokgenler (poligonlar) veya bölütleme maskeleri, nesneleri piksel düzeyinde etiketleyerek sınırlayıcı kutulardan bir adım daha ileri gider. Kaba bir dikdörtgen çizmek yerine, görüntüdeki her nesnenin tam şeklini ve kenarlarını yakalarlar. Bu onları daha ayrıntılı bir anlayış gerektiren görevler için kullanışlı kılar.

Örneğin, otonom sürüşte; her piksele yol veya gökyüzü gibi bir kategorinin atandığı anlamsal bölütleme (semantic segmentation) ve araçlar veya yayalar gibi bireysel nesnelerin ayrı ayrı tanımlandığı örnek bölütleme (instance segmentation) gibi görevlerde bölütleme maskeleri kullanılır.

Ayrıca, bir kişi gibi bir nesnenin görüntünün geri kalanından ayrıştırılması gereken arka plan kaldırma gibi görevler için de kullanılırlar.

Link to this sectionAnahtar noktalar (Keypoints)#

Anahtar noktalar; insan vücudundaki eklemler veya bir hayvanın bölümleri gibi bir nesne üzerindeki belirli noktaları işaretlemek için kullanılır. Bu noktaları tanımlayarak, modeller bir nesnenin yapısını ve parçalarının birbirine göre nasıl konumlandığını anlayabilir.

Bilgisayarlı görüde bu, amacın bu anahtar noktaların konumunu belirlemek ve birbirleriyle nasıl ilişkili olduklarını anlamak olduğu duruş tahmini (pose estimation) olarak bilinir. Bu noktaları zaman içinde takip etmek, hareketi ve duruştaki değişiklikleri analiz etmeyi mümkün kılar.

Şekil 2. Anahtar nokta etiketleri, insan duruşu tahmini için eklemleri işaretlemek amacıyla kullanılabilir. (Kaynak)

Yaygın bir örnek, insan hareketini analiz etmek için bir videodaki vücut eklemlerini işaretlemektir. Bu anahtar noktalara odaklanarak, modeller bir kişinin nasıl konumlandığını ve duruşunun zaman içinde nasıl değiştiğini yakalayabilir.

Link to this sectionYönlendirilmiş sınırlayıcı kutu (OBB)#

Bir görüntüdeki tüm nesneler mükemmel şekilde hizalanmamıştır. Birçok gerçek dünya senaryosunda nesneler eğik, döndürülmüş veya farklı açılardan görüntülenmiş olarak görünür.

Standart sınırlayıcı kutular, gereksiz arka planı içerebildikleri veya nesneyle tam eşleşmedikleri için bu durumlarda genellikle zorlanır. Yönlendirilmiş sınırlayıcı kutular, nesnenin yönüyle hizalanan döndürülmüş dikdörtgenler kullanarak bunu çözer. Bu, daha sıkı ve daha doğru etiketlemelerle sonuçlanır.

Bu yaklaşım, modellerin hem bir nesnenin konumunu hem de yönünü tanımladığı yönlendirilmiş sınırlayıcı kutu (OBB) tespitinde kullanılır. Bir örnek, binalar, gemiler veya araçlar gibi nesnelerin genellikle farklı açılarda göründüğü hava görüntülemesidir. Döndürülmüş kutular, sahnelerindeki gerçek şekillerini ve yönlerini yakalamayı kolaylaştırır.

Link to this sectionSınıflandırma etiketleri#

Sınıflandırma etiketleri, belirli nesneleri veya bölgeleri işaretlemek yerine tüm bir görüntüye tek bir etiket atayarak diğer etiketleme yöntemlerinden farklı bir yaklaşım izler. Amaç, nerede göründüğüne odaklanmadan, bir görüntüde ne olduğunu tanımlamak olduğunda kullanılırlar.

Örneğin, bir görüntü genel içeriğine göre "kedi" veya "köpek" olarak etiketlenebilir. Bu, görüntü sınıflandırmayı, görüntünün yüksek seviyeli bir anlayışının yeterli olduğu görevler için kullanışlı hale getirir.

Link to this sectionGeleneksel etiketleme araçlarının sınırlamaları#

Birçok geleneksel etiketleme aracı, birden fazla adıma ve birbirinden kopuk iş akışlarına dayanır. Yapay zeka geliştirme ekipleri genellikle etiketleme, depolama ve doğrulama için etiketleme platformları arasında geçiş yapmak zorunda kalır, bu da yapay zeka projelerini yavaşlatır.

Çoğu araç yalnızca sınırlı bir etiketleme türü ve veri türü kümesini destekler, bu nedenle ekipler sınırlayıcı kutular, bölütleme ve anahtar noktalar için farklı araçlar kullanmak zorunda kalır. Bu parçalı kurulum, özellikle bilgisayarlı görü konusunda yeni olan ekipler için yönetilmesi zor olabilir.

Manuel çaba bir diğer büyük zorluktur. Tek bir görüntüyü etiketlemek sadece birkaç dakika sürse de, büyük veri kümeleriyle çalışmak, özellikle benzer görüntüler tekrarlayan görevler içerdiğinde, hızla zaman alıcı hale gelir.

Veri kümeleri büyüdükçe, ekipler aynı zamanda dosyaları yönetmek, veri kümesi sürümlerini takip etmek ve etiketler arasında tutarlılığı korumak zorundadır. Bu, daha fazla zamanın veri yönetimine harcanmasına ve model performansını iyileştirmeye daha az zaman kalmasına neden olarak iş yükünü artırır.

Daha verimli bir yaklaşım, etiketleri oluşturmak ve iyileştirmek için yapay zekayı kullanan, manuel çabayı azaltırken hızı ve tutarlılığı artıran, veri kümesi yönetimi, etiketleme, model eğitimi, dağıtım ve izlemeyi bir araya getiren tek bir ortamda, Ultralytics Platform içinde yapay zeka destekli etiketlemeyi kullanmaktır.

Link to this sectionUltralytics Platform etiketleme sürecini nasıl etkinleştirir#

Ultralytics Platform, etiketlemeyi doğrudan bilgisayarlı görü iş akışının geri kalanıyla bağlayarak basitleştirir. Ayrı araçlara güvenmek yerine, ekipler tek bir ortamda veri, etiketler ve modellerle çalışabilir.

Nesne tespiti, görüntü sınıflandırma, örnek bölütleme, duruş tahmini ve yönlendirilmiş sınırlayıcı kutu tespiti dahil olmak üzere bir dizi bilgisayarlı görü görevini destekler.

Bu kurulum içinde, etiketleme birden fazla şekilde yapılabilir. Ekipler tam kontrol için verileri manuel olarak etiketleyebilir, etkileşimli ve nokta tabanlı etiketleme için SAM destekli akıllı etiketlemeyi kullanabilir veya gözden geçirilip iyileştirilebilecek etiketleri otomatik olarak oluşturmak için YOLO destekli akıllı etiketlemeyi uygulayabilir. Bu esneklik, farklı veri kümeleri ve etiketleme gereksinimleriyle çalışmayı kolaylaştırır.

Şekil 3. Ultralytics Platform içinde etiketlemeye bir bakış (Kaynak)

Yapay zeka destekli ve manuel etiketleme, veri kümesi yönetimi ve model eğitimi ile entegre olduğundan, ekipler verileri etiketlemekten veri kümelerini düzenlemeye ve modelleri eğitmeye sorunsuz bir şekilde geçebilir. Bu, iş akışlarını yapılandırılmış tutar ve araçlar arasında geçiş yapma veya etiketleri yeniden biçimlendirme ihtiyacını ortadan kaldırır.

Platform ayrıca Ultralytics YOLO11 ve Ultralytics YOLO26 gibi Ultralytics YOLO modellerini destekleyerek etiketli verilerin doğrudan eğitim ve test için kullanılmasını sağlar. Bu, veri kümelerindeki boşlukları belirlemeyi, etiketleri iyileştirmeyi ve sürekli yineleme yoluyla modelleri yeniden eğitmeyi kolaylaştırır.

Link to this sectionUltralytics Platform'da SAM akıllı etiketlemenin temel özellikleri#

Ultralytics Platform'da SAM destekli akıllı etiketleme; nesne tespiti, örnek bölütleme ve yönlendirilmiş sınırlayıcı kutu (OBB) görevleri için etiketlemeyi hızlandırmak üzere tasarlanmıştır.

Platform; SAM 2.1 Tiny, SAM 2.1 Small, SAM 2.1 Base, SAM 2.1 Large ve SAM 3 dahil olmak üzere kullanıcılara hız ve doğruluk arasında seçim yapma seçeneği sunan birden fazla SAM modeli varyantı sağlar.

Şekil 4. Ultralytics Platform'da SAM destekli akıllı etiketleme (Kaynak)

Tiny ve Small gibi daha küçük modeller daha hızlıdır ve hızlı etiketleme iş akışları için uygundur; Large ve SAM 3 gibi daha büyük modeller ise daha karmaşık sahneler için daha yüksek doğruluk sağlar. Modeller arasında geçiş yapmak, etiketleme davranışını anında günceller.

Etiketleme düzenleyicisi içinde, bir SAM modeli seçildikten sonra, insan etiketleyiciler etiketlemeye başlamak için Akıllı moda geçebilir. Şekilleri manuel olarak çizmek yerine, model basit nokta tabanlı girdiler kullanılarak 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. Aktif olduğunda, her tıklama manuel onay gerektirmeden otomatik olarak bir etiket oluşturur ve kaydeder. Daha karmaşık nesneler için etiketleyiciler, maske uygulanmadan önce birden fazla nokta yerleştirmek için "Shift" tuşunu basılı tutabilir veya noktaları serbestçe ekleyip ardından maskeyi uygulamak için "Enter" tuşuna basmak üzere otomatik uygulamayı devre dışı bırakabilir.

Link to this sectionUltralytics Platform'da YOLO akıllı etiketlemeyi anlamak#

SAM destekli akıllı etiketlemeye benzer şekilde, Ultralytics Platform'daki YOLO akıllı etiketleme, etiketleme sürecini hızlandırmak için yapay zekayı kullanır. Modeli tıklamalarla yönlendirmek yerine, etiketleri otomatik olarak oluşturmak için model tahminlerini kullanır.

Bu yaklaşım nesne tespiti, örnek bölütleme ve yönlendirilmiş sınırlayıcı kutu (OBB) etiketleme gibi görevleri destekler. Özellikle Ultralytics tarafından sağlanan önceden eğitilmiş modeller ve özel olarak eğitilmiş YOLO modelleri dahil olmak üzere Ultralytics YOLO modelleri ile çalışır.

Etiketleme düzenleyicisi içinde etiketleyiciler Akıllı moda girebilir, model seçiciden bir YOLO modeli seçebilir ve Tahmin Et'e tıklayabilir. Model seçici yalnızca mevcut veri kümesi göreviyle eşleşen YOLO modellerini gösterir, böylece oluşturulan etiketlerin uyumlu olması sağlanır.

Model görüntüyü analiz eder ve tahminlerine dayalı olarak etiketler oluşturur, bunlar daha sonra doğrudan görüntüye eklenir. Tahminler aynı sınıftaki mevcut etiketleme çıktılarıyla çakışırsa, örtüşme belirlenen bir eşiği aştığında yinelenen tespitler otomatik olarak atlanır, bu da temiz ve tutarlı etiketlerin korunmasına yardımcı olur.

Şekil 5. Ultralytics Platform'da Ultralytics YOLO modelleri tarafından etkinleştirilen akıllı etiketleme (Kaynak)

Tahminler oluşturulduktan sonra, insan döngü içi etiketleyiciler bunları gerektiği gibi gözden geçirebilir, ayarlayabilir veya kaldırabilir. Bu, her şeyi manuel olarak etiketlemek yerine model tarafından oluşturulan etiketlerle başlayıp bunları iyileştirerek büyük veri kümelerini hızlı bir şekilde etiketlemeyi kolaylaştırır.

Zaman içinde, geliştirilmiş YOLO modelleri daha iyi tahminler oluşturmak için yeniden kullanılabilir ve yinelemeli bir otomatik etiketleme iş akışını destekler.

Link to this sectionYapay zeka destekli etiketlemeyi gerçek dünya boru hatlarında uygulama#

Şimdi, Ultralytics Platform'un gerçek dünya kullanım durumlarında veri etiketlemeyi nasıl mümkün kıldığına dair örneklere bakalım.

Link to this sectionOtonom sürüşte bölütleme#

Bilgisayarlı görü modelleriyle entegre otonom araçlar, çevrelerini gerçek zamanlı olarak anlamak için iyi etiketlenmiş görsel verilere güvenir. Bu verilerle eğitilmiş modeller; araçları, yayaları, trafik işaretlerini ve yol sınırlarını tespit edebilir ve bölütleyebilir.

Bölütleme görevleri hassas, piksel düzeyinde sınırlar gerektirir, bu da etiketlemeyi hem kritik hem de zaman alıcı hale getirir. Büyük hacimli sensör verilerini manuel olarak etiketlemek, özellikle karmaşık sürüş sahnelerinde hızla bir darboğaz haline gelebilir.

Ultralytics Platform, hem SAM hem de YOLO modellerini kullanarak yapay zeka destekli etiketleme ile bu süreci kolaylaştırır. SAM destekli akıllı etiketleme, hassas maskelerle hızlı, tıklama tabanlı bölütlemeyi mümkün kılarken, YOLO modelleri görüntüler arasında otomatik olarak etiket oluşturmak için kullanılabilir.

Birlikte bu yaklaşımlar, örtüşen nesnelere sahip karmaşık sahnelerle uğraşmayı kolaylaştırır.

Etiketleme doğrudan model eğitimiyle bağlantılı olduğundan, güncellenmiş büyük ölçekli veri kümeleri modelleri yeniden eğitmek ve değerlendirmek için hemen kullanılabilir. Bu, ekiplerin performansı sürekli olarak iyileştirmesine ve yeni sürüş koşullarına daha verimli bir şekilde uyum sağlamasına olanak tanır.

Link to this sectionÜretimde kalite güvence sistemlerini geliştirme#

Üretimde tutarlı kalite kontrolünü sürdürmek, üretim sırasında kusurların doğru bir şekilde tespit edilmesine bağlıdır. Bilgisayarlı görü modelleri genellikle sorunları gerçek zamanlı olarak tanımlamak için kullanılır, ancak performansları eğitim verilerinin gerçek üretim koşullarını ne kadar iyi yansıttığına bağlıdır.

Hammaddelerdeki farklılıklar, makine ayarları veya aydınlatma gibi üretim ortamlarındaki değişiklikler, orijinal eğitim verilerinin parçası olmayan yeni ve nadir kusur türlerini ortaya çıkarabilir. Bu, modelin öğrendikleri ile üretim hattında ortaya çıkanlar arasında bir boşluk yaratır.

Uyumlu kalmak için veri kümelerinin yüksek kaliteli, kurum içi etiketlerle düzenli olarak güncellenmesi gerekir. Ultralytics Platform, yeni kusur desenleri ortaya çıktıkça etiketleri güncellemeyi ve veri kümelerini genişletmeyi basit hale getirir. Bu güncellenmiş veri kümeleri daha sonra modelleri yeniden eğitmek için kullanılabilir ve ekiplerin değişen üretim koşullarına daha hızlı uyum sağlamasına yardımcı olur.

Link to this sectionİnşaatta saha izleme ve güvenlik#

İnşaat sahaları; birden fazla ekip, hareketli ekipman ve sürekli değişen düzenlerle dinamik ortamlardır. Bu koşullarda güvenliği korumak, net ve iyi etiketlenmiş görsel verilere bağlıdır.

Doğru etiketler veri kalitesini artırabilir ve yapay zeka sistemlerinin; kalabalık sahneler, değişen arka planlar ve değişen aydınlatma dahil olmak üzere bir dizi saha koşulunda çalışanları, ekipmanları, güvenlik ekipmanlarını ve potansiyel riskleri tanımlamasına yardımcı olabilir.

Ultralytics Platform, saha koşulları geliştikçe etiketleri güncellemeyi ve iyileştirmeyi kolaylaştırarak bunu destekler. Yeni görüntüler yakalanıp ortaya çıktıkça veri kümesine eklenebilir, böylece gerçek dünya senaryolarıyla uyumlu kalması sağlanır.

Link to this sectionÖne çıkanlar#

Yüksek kaliteli etiketleme, güvenilir bilgisayarlı görü ve yapay zeka modelleri oluşturmak için gereklidir, ancak geleneksel iş akışları genellikle ekipleri yavaşlatır. Ultralytics Platform, otomatik etiketleme araçları ve ölçeklenebilir bir iş akışıyla bu süreci kolaylaştırır. Sonuç olarak, ekipler doğruluk ve tutarlılığı korurken veriden modele daha hızlı geçebilir.

Bilgisayarlı görü hakkında daha fazla bilgi edinmek için büyüyen topluluğumuza ve GitHub depomuza göz atın. Görü çözümleri oluşturmak istiyorsanız lisanslama seçeneklerimize bir göz atın. Üretimde bilgisayarlı görü ve sağlık hizmetlerinde yapay zekanın faydaları hakkında daha fazla bilgi edinmek için çözüm sayfalarımızı keşfedin.