Ultralytics Platform anotasyonu otomatikleştirmek için yapay zekâyı nasıl kullanıyor?
Ultralytics Platform'un anotasyonu otomatikleştirmek, büyük veri kümelerini yönetmek, tutarlılığı artırmak ve bilgisayarlı görü geliştirmeyi hızlandırmak için yapay zekâyı nasıl kullandığını keşfet.
Görüntü ve videoları analiz eden bilgisayarlı görü çözümleri, üretimden tıbbi görüntülemeye kadar birçok sektördeki iş akışlarının olağan bir parçası haline geliyor. Örneğin üretimde, konveyör bandında ilerleyen ürünlerdeki yüzey kusurlarını tespit etmek, ince örüntüleri fark edebilen bilgisayarlı görü modellerine bağlıdır.
Bu tür modellerin iyi çalışması için her kusurun açıkça tanımlandığı etiketli verilerle eğitilmeleri gerekir. Böylece modeller neyi arayacaklarını öğrenir ve benzer örüntüleri tanır.
Bu etiketleri oluşturma sürecine veri açıklama denir. Özellikle görüntü açıklama ve video açıklama; sınırlayıcı kutular çizmeyi, şekillerin çevresini belirlemeyi veya görüntüler ve video kareleri içindeki belirli bölgeleri etiketlemeyi içerir.
Küçük veri kümelerinde bu süreç yönetilebilir olsa da veri miktarı arttıkça hızla zorlaşır. Binlerce görüntüyü etiketlemek sürekli manuel çalışma gerektirir ve açıklama işlemini büyük bir darboğaza dönüştürür. Geleneksel araçlar çoğu zaman yavaş, dağınık ve ölçeklendirilmesi zordur.
Her şeyi bir arada sunan görüntü işleme yapay zekâ platformu Ultralytics Platform, yapay zekâ destekli açıklama özelliğiyle bu zorlukların üstesinden gelmeye yardımcı olur. Hızla gözden geçirilip iyileştirilebilen ilk etiketleri otomatik olarak oluşturmak için yapay zekâdan yararlanarak manuel iş yükünü azaltır ve verimliliği artırır.
Bu yazıda, yapay zekâ destekli açıklamanın Ultralytics Platform'da nasıl çalıştığını ve etiketleme sürecini nasıl iyileştirdiğini inceleyeceğiz. Hadi başlayalım!
Veri açıklama sürecine genel bakış#
Ultralytics Platform'da yapay zekâ destekli açıklamanın nasıl çalıştığına geçmeden önce veri açıklamaya daha yakından bakalım.
Veri etiketleme olarak da bilinen veri açıklama, ham verilere yapılandırılmış etiketler atayarak bu verileri makine öğrenimi modellerini eğitmek için kullanılabilir hale getirme sürecidir. Bilgisayarlı görüde bu etiketler, görüntüler veya videolardaki ilgi çekici nesneleri, bölgeleri ya da özellikleri tanımlar.
Eğitim sırasında modeller veya algoritmalar, girdi verilerini bu etiketlerle eşleştirmeyi öğrenir; bu nedenle açıklama kalitesi model performansında önemli bir etkendir. Doğru ve tutarlı biçimde etiketlenmiş veri kümeleri, modelin doğru örüntüleri öğrenmesini sağlarken kötü veya tutarsız açıklamalar güvenilmez tahminlere yol açabilir.
Örneğin kusur tespiti kullanım senaryosunda, konveyör bandındaki bir ürünün görüntüsüne kusurların bulunduğu yer işaretlenerek ve kusur türü belirtilerek açıklama eklenebilir. Bu, modelin kusurların nasıl göründüğünü öğrenmesine ve yeni görüntülerde bunları belirlemesine yardımcı olur.
Yaygın açıklama görevlerine bakış#
Şimdi bilgisayarlı görüde görüntülere açıklama eklemenin yaygın yöntemlerinden bazılarına bakalım. Bu yöntemler nesne algılama, örnek bölümleme ve görüntü sınıflandırma gibi görevler için görsel verileri etiketlemede kullanılır. Her açıklama yöntemi nesnelerin konumunu belirleme, şekillerini yakalama veya önemli yapıları tanımlama gibi farklı bir amaca hizmet eder.
Sınırlayıcı kutular#
Sınırlayıcı kutular, nesnelerin nerede olduğunu göstermek için bir görüntüde nesnelerin etrafına çizilen basit dikdörtgenlerdir. Bilgisayarlı görüde verileri etiketlemenin en yaygın yollarından biridir.
Nesne algılama modelleri, bu kutuların bulunduğu görüntülerle eğitilerek farklı nesneleri tanımayı ve bir görüntüdeki konumlarını anlamayı öğrenir. Böylece aynı anda birden fazla nesneyi algılayabilir ve her birinin nerede bulunduğunu belirleyebilirler.
Örneğin bilgisayarlı görü kullanılarak analiz edilen bir beyzbol maçını düşün. Her karede oyuncuların, sopanın ve topun etrafına kutular çizilebilir; böylece model bu nesneleri maç boyunca algılayıp tanıyabilir.
Şekil 1. Sınırlayıcı kutular, birden fazla nesneyi etiketlemek ve konumlandırmak için kullanılabilir. (Kaynak)
Poligonlar veya bölümleme maskeleri#
Bölümleme maskeleri olarak da adlandırılan poligonlar, nesneleri piksel düzeyinde etiketleyerek sınırlayıcı kutuların ötesine geçer. Kaba bir dikdörtgen çizmek yerine görüntüdeki her nesnenin tam şeklini ve kenarlarını belirler. Bu özellik, daha ayrıntılı bir anlayış gerektiren görevlerde kullanışlı olmalarını sağlar.
Örneğin otonom sürüşte bölümleme maskeleri; her piksele yol veya gökyüzü gibi bir kategori atanan anlamsal bölümleme ve araçlar ya da yayalar gibi tek tek nesnelerin ayrı ayrı belirlendiği örnek bölümleme gibi görevlerde kullanılır.
Ayrıca, bir kişinin görüntünün geri kalanından ayrıştırılması gereken arka plan kaldırma gibi görevlerde de kullanılırlar.
Anahtar noktalar#
Anahtar noktalar; insan vücudundaki eklemler veya hayvanların vücut bölümleri gibi bir nesne üzerindeki belirli noktaları işaretlemek için kullanılır. Modeller bu noktaları belirleyerek nesnenin yapısını ve parçalarının birbirine göre nasıl konumlandığını anlayabilir.
Bilgisayarlı görüde bu işlem, amacın anahtar noktaların konumunu belirlemek ve bu noktaların birbiriyle ilişkisini anlamak olduğu poz tahmini olarak bilinir. Bu noktaları zaman içinde izlemek, hareketi ve duruş değişikliklerini analiz etmeyi mümkün kılar.
Şekil 2. Anahtar nokta açıklamaları, insan pozu tahmini için eklemleri işaretlemek amacıyla kullanılabilir. (Kaynak)
Yaygın bir örnek, insan hareketini analiz etmek için bir videoda vücut eklemlerini işaretlemektir. Modeller bu kilit noktalara odaklanarak kişinin nasıl konumlandığını ve duruşunun zaman içinde nasıl değiştiğini belirleyebilir.
Yönlendirilmiş sınırlayıcı kutu (OBB)#
Bir görüntüdeki tüm nesneler kusursuz biçimde hizalanmış değildir. Gerçek dünyadaki pek çok senaryoda nesneler eğik veya döndürülmüş görünür ya da farklı açılardan görüntülenir.
Standart sınırlayıcı kutular bu durumlarda çoğu zaman yetersiz kalır; gereksiz arka planı içerebilir veya nesneye tam olarak uymayabilir. Yönlendirilmiş sınırlayıcı kutular, nesnenin yönüne hizalanan döndürülmüş dikdörtgenler kullanarak bu sorunu çözer. Böylece daha sıkı ve doğru açıklamalar elde edilir.
Bu yaklaşım, modellerin hem nesnenin konumunu hem de yönelimini belirlediği yönlendirilmiş sınırlayıcı kutu (OBB) tespitinde kullanılır. Hava görüntüleri buna örnektir; binalar, gemiler veya araçlar gibi nesneler bu görüntülerde çoğu zaman farklı açılarda görünür. Döndürülmüş kutular, sahnedeki gerçek şekillerini ve yönlerini belirlemeyi kolaylaştırır.
Sınıflandırma etiketleri#
Sınıflandırma etiketleri, belirli nesneleri veya bölgeleri işaretlemek yerine görüntünün tamamına tek bir etiket atayarak diğer açıklama yöntemlerinden ayrılır. Görüntüde ne bulunduğunu belirlemenin amaçlandığı, ancak bunun nerede göründüğüne odaklanılmayan durumlarda kullanılırlar.
Örneğin, genel içeriğine göre bir görüntü “kedi” veya “köpek” olarak etiketlenebilir. Bu nedenle görüntü sınıflandırma, görüntüyü üst düzeyde anlamanın yeterli olduğu görevlerde kullanışlıdır.
Geleneksel açıklama araçlarının sınırlamaları#
Birçok geleneksel etiketleme aracı, birden fazla adıma ve birbirinden kopuk iş akışlarına dayanır. Yapay zeka geliştirme ekipleri etiketleme, depolama ve doğrulama için çoğu zaman farklı açıklama platformları arasında geçiş yapmak zorunda kalır; bu da yapay zeka projelerini yavaşlatır.
Çoğu araç yalnızca sınırlı sayıda açıklama türünü ve veri türünü destekler; bu nedenle ekipler sınırlayıcı kutular, segmentasyon ve anahtar noktalar için farklı araçlar kullanmak zorunda kalır. Bu parçalı düzeni yönetmek, özellikle bilgisayarlı görüye yeni başlayan ekipler için zor olabilir.
Elle yapılan işler de önemli bir zorluktur. Tek bir görüntüyü açıklamak yalnızca birkaç dakika sürse de büyük veri kümeleriyle çalışmak kısa sürede zaman alıcı hâle gelir; benzer görüntülerde tekrarlayan görevler söz konusu olduğunda bu durum daha da belirgindir.
Veri kümeleri büyüdükçe ekiplerin dosyaları yönetmesi, veri kümesi sürümlerini izlemesi ve açıklamalar arasındaki tutarlılığı koruması da gerekir. Bu, iş yükünü artırır; verileri yönetmeye daha fazla, model performansını iyileştirmeye ise daha az zaman kalır.
Daha verimli bir yaklaşım, Ultralytics Platform içindeki yapay zeka destekli açıklama özelliklerini kullanmaktır. Bu özellikler etiketleri yapay zeka ile oluşturup iyileştirerek elle yapılan işi azaltır, hızı ve tutarlılığı artırır; veri kümesi yönetimini, açıklama eklemeyi, model eğitimini, dağıtımı ve izlemeyi tek bir ortamda bir araya getirir.
Ultralytics Platform açıklama sürecini nasıl kolaylaştırıyor?#
Ultralytics Platform, açıklama sürecini bilgisayarlı görü iş akışının geri kalanına doğrudan bağlayarak kolaylaştırır. Ekipler ayrı araçlara başvurmak yerine veriler, açıklamalar ve modellerle tek bir ortamda çalışabilir.
Nesne tespiti, görüntü sınıflandırma, örnek segmentasyonu, poz tahmini ve yönlendirilmiş sınırlayıcı kutu tespiti dâhil çeşitli bilgisayarlı görü görevlerini destekler.
Bu düzende açıklama ekleme işlemi farklı şekillerde yapılabilir. Ekipler tam kontrol için verileri elle etiketleyebilir, etkileşimli ve nokta tabanlı etiketleme için SAM destekli akıllı açıklamayı kullanabilir veya incelenip iyileştirilebilecek açıklamaları otomatik oluşturmak için YOLO destekli akıllı açıklamadan yararlanabilir. Bu esneklik, farklı veri kümeleri ve açıklama gereksinimleriyle çalışmayı kolaylaştırır.
Şekil 3. Ultralytics Platform içinde açıklama işlemine bakış (Kaynak)
Yapay zeka destekli ve elle yapılan açıklama, veri kümesi yönetimi ve model eğitimiyle bütünleştiği için ekipler verileri etiketlemekten veri kümelerini düzenlemeye ve modelleri eğitmeye sorunsuzca geçebilir. Böylece iş akışları düzenli kalır ve araçlar arasında geçiş yapma ya da açıklamaları yeniden biçimlendirme ihtiyacı ortadan kalkar.
Platform, Ultralytics YOLO11 ve Ultralytics YOLO26 gibi Ultralytics YOLO modellerini de destekler; böylece açıklama eklenmiş veriler doğrudan eğitim ve test için kullanılabilir. Bu sayede veri kümelerindeki eksikleri belirlemek, açıklamaları iyileştirmek ve sürekli yinelemelerle modelleri yeniden eğitmek kolaylaşır.
Ultralytics Platform'daki SAM akıllı açıklama özelliğinin temel özellikleri#
Ultralytics Platform'daki SAM destekli akıllı açıklama, nesne tespiti, örnek segmentasyonu ve yönlendirilmiş sınırlayıcı kutu (OBB) görevlerinde açıklama sürecini hızlandırmak için tasarlanmıştır.
Platform; SAM 2.1 Tiny, SAM 2.1 Small, SAM 2.1 Base, SAM 2.1 Large ve SAM 3 dâhil çeşitli SAM model sürümleri sunar. Böylece kullanıcılar hız ile doğruluk arasında seçim yapabilir.
Şekil 4. Ultralytics Platform'da SAM destekli akıllı açıklama (Kaynak)
Tiny ve Small gibi daha küçük modeller daha hızlıdır ve hızlı açıklama iş akışlarına uygundur; Large ve SAM 3 gibi daha büyük modeller ise daha karmaşık sahnelerde daha yüksek doğruluk sağlar. Modeller arasında geçiş yapmak açıklama davranışını anında günceller.
Açıklama düzenleyicisinde bir SAM modeli seçildikten sonra insan açıklama ekleyiciler etiketlemeye başlamak için Akıllı moda geçebilir. Şekilleri elle çizmek yerine model, basit nokta tabanlı girdilerle yönlendirilir.
Sol tıklama bir bölgeyi dâhil etmek için pozitif nokta, sağ tıklama ise istenmeyen alanları hariç tutmak için negatif nokta ekler. Model, bu girdilere dayanarak gerçek zamanlı olarak hassas bir maske oluşturur.
İş akışını hızlandırmak için otomatik uygulama modu etkinleştirilebilir. Bu mod etkin olduğunda her tıklama, elle onay gerektirmeden otomatik olarak bir açıklama oluşturup kaydeder. Daha karmaşık nesnelerde açıklama ekleyenler, maske uygulanmadan önce birden fazla nokta yerleştirmek için "Shift" tuşunu basılı tutabilir veya otomatik uygulamayı devre dışı bırakıp serbestçe noktalar ekledikten sonra maskeyi uygulamak için "Enter" tuşuna basabilir.
Ultralytics Platform'daki YOLO akıllı açıklama özelliğini anlama#
SAM destekli akıllı açıklamaya benzer şekilde, Ultralytics Platform'daki YOLO akıllı açıklama özelliği etiketleme sürecini hızlandırmak için yapay zekadan yararlanır. Modeli tıklamalarla yönlendirmek yerine, açıklamaları otomatik olarak oluşturmak için model tahminlerini kullanır.
Bu yaklaşım; nesne tespiti, örnek segmentasyonu ve yönlendirilmiş sınırlayıcı kutu (OBB) açıklaması gibi görevleri destekler. Yalnızca Ultralytics'in sunduğu önceden eğitilmiş modeller ve özel olarak eğitilmiş YOLO modelleri dâhil Ultralytics YOLO modelleriyle çalışır.
Açıklama düzenleyicisinde açıklama ekleyenler Akıllı moda geçebilir, model seçicisinden bir YOLO modeli belirleyebilir ve Tahmin Et'e tıklayabilir. Oluşturulan açıklamaların uyumlu olmasını sağlamak için model seçicide yalnızca geçerli veri kümesi göreviyle eşleşen YOLO modelleri gösterilir.
Model görüntüyü analiz eder ve tahminlerine dayanarak açıklamalar oluşturur; bunlar doğrudan görüntüye eklenir. Tahminler aynı sınıftaki mevcut açıklama çıktılarıyla çakışırsa çakışma belirli bir eşiği aştığında yinelenen tespitler otomatik olarak atlanır. Böylece etiketlerin temiz ve tutarlı kalmasına yardımcı olunur.
Şekil 5. Ultralytics Platform'da Ultralytics YOLO modelleriyle etkinleştirilen akıllı açıklama (Kaynak)
Tahminler oluşturulduktan sonra insan denetimli açıklama ekleyiciler bunları gerektiğinde inceleyebilir, düzenleyebilir veya silebilir. Böylece her şeyi elle açıklamak yerine modelin oluşturduğu açıklamalarla başlayıp bunları iyileştirerek büyük veri kümelerini hızla etiketlemek kolaylaşır.
Zaman içinde iyileştirilen YOLO modelleri, daha iyi tahminler oluşturmak için yeniden kullanılabilir ve yinelemeli bir otomatik etiketleme iş akışını destekler.
Gerçek dünya işlem hatlarında yapay zeka destekli etiketleme uygulaması#
Şimdi Ultralytics Platform'un gerçek dünyadaki kullanım senaryolarında veri açıklama sürecini nasıl kolaylaştırdığına dair örneklere bakalım.
Otonom sürüşte segmentasyon#
Bilgisayarlı görü modelleriyle donatılmış otonom araçlar, çevrelerini gerçek zamanlı olarak anlamak için iyi açıklama eklenmiş görsel verilere dayanır. Bu verilerle eğitilen modeller araçları, yayaları, trafik işaretlerini ve yol sınırlarını tespit edip segmentlere ayırabilir.
Segmentasyon görevleri piksel düzeyinde hassas sınırlar gerektirir; bu nedenle açıklama ekleme hem kritik hem de zaman alıcıdır. Büyük miktarda sensör verisini elle etiketlemek, özellikle karmaşık sürüş sahnelerinde hızla darboğaza dönüşebilir.
Ultralytics Platform, hem SAM hem de YOLO modellerini kullanan yapay zeka destekli açıklama özelliğiyle bu süreci kolaylaştırır. SAM destekli akıllı açıklama, hassas maskelerle hızlı ve tıklama tabanlı segmentasyon sağlarken YOLO modelleri görüntülerde otomatik olarak açıklama oluşturabilir.
Bu yaklaşımlar bir arada, üst üste binen nesnelerin bulunduğu karmaşık sahnelerin işlenmesini kolaylaştırır.
Açıklama süreci model eğitimine doğrudan bağlı olduğundan, güncellenmiş büyük ölçekli veri kümeleri modelleri yeniden eğitmek ve değerlendirmek için hemen kullanılabilir. Böylece ekipler performansı sürekli iyileştirebilir ve yeni sürüş koşullarına daha verimli biçimde uyum sağlayabilir.
Üretimde kalite güvence sistemlerini iyileştirme#
Üretimde tutarlı kalite kontrolü sağlamak, üretim sırasında kusurların doğru biçimde tespit edilmesine bağlıdır. Bilgisayarlı görü modelleri sorunları gerçek zamanlı olarak belirlemek için sıkça kullanılır; ancak performansları eğitim verilerinin gerçek üretim koşullarını ne kadar iyi yansıttığına bağlıdır.
Hammadde, makine ayarları veya aydınlatmadaki farklılıklar gibi üretim ortamındaki değişiklikler, özgün eğitim verilerinde bulunmayan yeni ve nadir kusur türlerini ortaya çıkarabilir. Bu da modelin öğrendikleriyle üretim hattında karşılaştıkları arasında bir boşluk yaratır.
Güncel kalmak için veri kümelerinin yüksek kaliteli, kurum içi açıklamalarla düzenli olarak güncellenmesi gerekir. Ultralytics Platform, yeni kusur örüntüleri ortaya çıktıkça açıklamaları güncellemeyi ve veri kümelerini genişletmeyi kolaylaştırır. Ardından bu güncel veri kümeleri modelleri yeniden eğitmek için kullanılabilir ve ekiplerin değişen üretim koşullarına daha hızlı uyum sağlamasına yardımcı olur.
İnşaatta saha izleme ve güvenlik#
İnşaat sahaları; birden fazla ekibin, hareket hâlindeki ekipmanların ve sürekli değişen düzenlerin bulunduğu dinamik ortamlardır. Bu koşullarda güvenliği sağlamak, net ve iyi açıklama eklenmiş görsel verilere bağlıdır.
Doğru açıklamalar veri kalitesini artırabilir ve yapay zeka sistemlerinin kalabalık sahneler, değişen arka planlar ve farklı aydınlatma koşulları dâhil çeşitli saha koşullarında çalışanları, ekipmanları, güvenlik donanımlarını ve olası tehlikeleri belirlemesine yardımcı olabilir.
Ultralytics Platform, saha koşulları değiştikçe açıklamaları güncellemeyi ve iyileştirmeyi kolaylaştırarak bu süreci destekler. Yeni görüntüler çekilip ortaya çıktıkça veri kümesine eklenebilir; böylece veri kümesi gerçek dünya senaryolarıyla uyumlu kalır.
Önemli çıkarımlar#
Yüksek kaliteli açıklamalar güvenilir bilgisayarlı görü ve yapay zeka modelleri oluşturmak için gereklidir; ancak geleneksel iş akışları ekipleri çoğu zaman yavaşlatır. Ultralytics Platform, otomatik açıklama araçları ve ölçeklenebilir bir iş akışıyla bu süreci kolaylaştırır. Böylece ekipler doğruluk ve tutarlılığı korurken veriden modele daha hızlı ilerleyebilir.
Bilgisayarlı görü hakkında daha fazla bilgi edinmek için büyüyen topluluğumuza ve GitHub depomuza göz at. Görüntü işleme çözümleri geliştirmek istiyorsan lisanslama seçeneklerimize göz at. Üretimde bilgisayarlı görünün ve sağlık hizmetlerinde yapay zekanın faydaları hakkında daha fazla bilgi edinmek için çözüm sayfalarımızı incele.
