Veri artırmayla yapay zekâ modeli dayanıklılığını iyileştir

Test, her türlü teknolojik çözümün geliştirilmesinde kritik bir aşamadır. Ekiplere bir sistemin canlıya alınmadan önce gerçekte nasıl çalıştığını gösterir ve sorunları erkenden düzeltmelerini sağlar. Bu, modellerin dağıtıldıktan sonra öngörülemeyen gerçek dünya koşullarıyla başa çıkmasının beklendiği yapay zekâ dâhil birçok alan için geçerlidir.

Örneğin bilgisayarlı görü, makinelere görüntüleri ve videoları anlamayı öğreten bir yapay zekâ dalıdır. Ultralytics YOLO26 gibi bilgisayarlı görü modelleri nesne algılama, örnek bölütleme ve görüntü sınıflandırma gibi görevleri destekler.

Bu modeller hasta izleme, trafik analizi, otomatik ödeme ve üretimde kalite kontrolü gibi uygulamalar için birçok sektörde kullanılabilir. Ancak gelişmiş modeller ve yüksek kaliteli eğitim verileri kullanılsa bile görsel yapay zekâ çözümleri değişen aydınlatma, hareket veya kısmen örtülmüş nesneler gibi gerçek dünya farklılıklarıyla karşılaştıklarında zorlanabilir.

Bunun nedeni, modellerin eğitim sırasında kendilerine verilen örneklerden öğrenmesidir. Parlama, hareket bulanıklığı veya kısmi görünürlük gibi koşulları daha önce görmemişlerse bu senaryolarda nesneleri doğru tanıma olasılıkları düşer.

Model dayanıklılığını artırmanın bir yolu veri artırmadır. Mühendisler büyük miktarda yeni veri toplamak yerine mevcut görüntülerde aydınlatmayı ayarlamak, kırpmak veya görüntüleri harmanlamak gibi küçük ve anlamlı değişiklikler yapabilir. Bu, modelin aynı nesneleri daha geniş bir durum yelpazesinde tanımayı öğrenmesine yardımcı olur.

Bu makalede, veri artırmanın model dayanıklılığını ve görsel yapay zekâ sistemlerinin kontrollü ortamların dışında dağıtıldığında güvenilirliğini nasıl artırdığını inceleyeceğiz. Hadi başlayalım!

Bir modelin dayanıklılığı nasıl kontrol edilir?#

Veri artırmaya geçmeden önce, bir bilgisayarlı görü modelinin gerçek dünyada kullanıma gerçekten hazır olup olmadığını nasıl anlayabileceğimizi ele alalım.

Dayanıklı bir model yalnızca temiz ve kusursuz biçimde etiketlenmiş görüntülerde çalışmakla kalmaz, koşullar değiştiğinde de iyi performans göstermeyi sürdürür. Yapay zekâ modeli dayanıklılığını değerlendirirken göz önünde bulundurabileceğin bazı pratik etkenler şunlardır:

• Aydınlatma değişiklikleri: Parlak ışık, düşük ışık, parlama veya gölgeler modellerin davranışını değiştirebilir ve nesneleri ne kadar güvenle algıladıklarını etkileyebilir.
• Kısmi örtülme: Günlük sahnelerde nesneler genellikle başka öğeler tarafından engellenir veya yalnızca kısmen görünür. Daha dayanıklı bir model, görsel bilgilerin bir kısmı eksik olsa bile bu nesneleri tanıyabilir.
• Kalabalık sahneler: Çok sayıda örtüşen nesnenin bulunduğu ortamlarda algılama daha zor olabilir. Bu tür durumlarda iyi performans gösteren modeller, karmaşık ortamlarda genellikle daha güvenilirdir.

Temiz ve kusursuz biçimde çekilmiş görüntülerde elde edilen iyi sonuçlar gerçek dünyada her zaman güçlü performansa dönüşmez. Farklı koşullarda düzenli test yapmak, model dağıtıldıktan sonra ne kadar dayanıklı olduğunu gösterir.

Veri artırma nedir?#

Bir nesnenin fotoğraftaki görünümü aydınlatmaya, açıya, uzaklığa veya arka plana göre değişebilir. Bir bilgisayarlı görü modeli eğitilirken öğrendiği veri kümesinde bu tür çeşitlilik bulunmalıdır; böylece model öngörülemeyen ortamlarda iyi performans gösterebilir.

Veri artırma, elindeki görüntülerden ek örnekler oluşturarak eğitim veri kümesini genişletir. Bunun için görüntüyü döndürmek veya çevirmek, parlaklığı ayarlamak ya da görüntünün bir bölümünü kırpmak gibi planlı değişiklikler uygulanır.

Örneğin elinde yalnızca bir kedi fotoğrafı olduğunu düşün. Görüntüyü döndürür veya parlaklığını değiştirirsen bu tek fotoğraftan birkaç yeni sürüm oluşturabilirsin. Her sürüm biraz farklı görünür ama hepsi aynı kedinin fotoğrafıdır. Bu çeşitlilikler, nesnelerin farklı görünseler de aynı nesne olarak kalabileceklerini modele öğretmeye yardımcı olur.

Şekil 1. Bir kedi görüntüsünü artırmaya bakış (Kaynak)

Veri artırma model performansını nasıl iyileştirir?#

Model eğitimi sırasında veri artırma doğrudan eğitim hattına eklenebilir. Görüntülerin yeni kopyalarını elle oluşturup depolamak yerine, her görüntü yüklenirken rastgele dönüşümler uygulanabilir.

Böylece görüntü daha parlak, çevrilmiş veya kısmen gizlenmiş görünse de model her seferinde biraz farklı bir sürümünü görür. Rastgele silme gibi teknikler, bir nesnenin engellendiği veya yalnızca kısmen görülebildiği gerçek dünya durumlarını taklit etmek için görüntünün küçük bölgelerini bile kaldırabilir.

Şekil 2. Rastgele silme tabanlı artırma örnekleri (Kaynak)

Aynı görüntünün birçok farklı sürümünü görmek, modelin tek bir kusursuz örneğe bağlı kalmak yerine hangi özelliklerin önemli olduğunu öğrenmesini sağlar. Bu çeşitlilik, yapay zekâ modelinin dayanıklılığını artırır ve gerçek dünya koşullarında daha güvenilir performans göstermesine yardımcı olur.

Yaygın veri artırma teknikleri#

Eğitim görüntülerine çeşitlilik kazandırmak için kullanılan bazı veri artırma teknikleri şunlardır:

• Geometrik dönüşümler: Bu teknikler, bir nesnenin görüntü içindeki konumsal görünümünü değiştirir. Görüntüyü döndürmek, çevirmek, yeniden boyutlandırmak, kırpmak veya kaydırmak; modelin bir nesnenin farklı açılardan ya da mesafelerden nasıl görünebileceğini anlamasını sağlar.
• Renk ve aydınlatma ayarlamaları: Gerçek dünyadaki aydınlatma nadiren tutarlıdır. Kullanılan ortama veya kameraya bağlı olarak görüntüler fazla parlak, fazla karanlık ya da renk açısından biraz farklı olabilir. Parlaklığı, kontrastı, tonu ve doygunluğu ayarlamak, modellerin bu görsel değişikliklerle başa çıkmasını ve farklı sahnelerde iyi performans göstermesini sağlar.
• Görüntü kalitesi farklılıkları: Bulanıklık veya görsel parazit, görüntülerin net görünmesini engelleyebilir. Eğitim sırasında bulanıklık veya parazit eklemek; modelin hareket bulanıklığı, düşük ışıklı görüntüler ya da düşük kaliteli kamera çıktılarıyla başa çıkmayı öğrenmesine yardımcı olur ve kusurlu görsellere karşı hassasiyetini azaltır.
• Örtülmeye dayalı artırmalar: Gerçek ortamlarda nesneler çoğu zaman başka nesneler tarafından kısmen kapatılır. Buna örtülme denir. Eğitim sırasında görüntünün küçük alanlarını gizlemek veya maskelemek, modelin nesnelerin yalnızca bir kısmı görünürken bile onları tespit etmeyi öğrenmesini sağlar.
• Çoklu görüntü artırmaları: Bu teknikler, birden fazla görüntünün bölümlerini tek bir eğitim örneğinde birleştirir. Böylece görüntüdeki nesne sayısı artabilir ve modelin karmaşık ya da kalabalık sahnelerle başa çıkma becerisi gelişebilir.

Şekil 3. Çoklu görüntü artırma örneği (Kaynak)

Ultralytics Python paketiyle kolay veri artırma#

Veri kümelerini yönetmek, görüntü çeşitleri oluşturmak ve dönüşüm kodu yazmak, bilgisayarlı görü uygulaması geliştirme sürecine ek adımlar katabilir. Ultralytics Python paketi, YOLO26 gibi Ultralytics YOLO modellerini eğitmek, çalıştırmak ve dağıtmak için tek bir arayüz sunarak bu süreci kolaylaştırır. Eğitim iş akışlarını basitleştirme çabasının bir parçası olarak pakette, YOLO modelleri için optimize edilmiş ve Ultralytics tarafından test edilmiş yerleşik veri artırma özellikleri bulunur.

Paket ayrıca ayrı araçlara veya özel koda duyulan ihtiyacı ortadan kaldıran kullanışlı entegrasyonları da destekler. Veri artırma için paket, yaygın olarak kullanılan bir görüntü artırma kütüphanesi olan Albumentations ile entegre olur. Bu entegrasyon, ek betiklere veya özel koda gerek kalmadan artırmaların eğitim sırasında otomatik olarak uygulanmasını sağlar.

Açıklamaları ve artırılmış veri kümelerini yönetme#

Modelin sağlamlığını etkileyen bir başka unsur da etiketleme kalitesidir. Ultralytics Platform veya Roboflow gibi etiketleme araçlarıyla oluşturulan ve yönetilen temiz, doğru etiketler, modelin nesnelerin nerede olduğunu ve nasıl göründüğünü anlamasına yardımcı olur.

Eğitim sırasında çevirme, kırpma ve döndürme gibi veri artırmaları dinamik olarak uygulanır ve açıklamalar bu değişikliklere uyacak şekilde otomatik olarak ayarlanır. Etiketler hassas olduğunda bu süreç sorunsuz işler ve modele aynı sahnenin gerçekçi birçok örneğini sunar.

Açıklamalar hatalı veya tutarsızsa bu hatalar artırılmış görüntülerde tekrarlanabilir ve eğitimin etkisini azaltabilir. Doğru açıklamalarla başlamak, bu hataların yayılmasını önler ve model dayanıklılığının artmasına katkıda bulunur.

Veri artırmayla görsel yapay zekâ uygulamalarını geliştirme#

Şimdi, veri artırmanın gerçek dünya uygulamalarında yapay zekâ modeli dayanıklılığına nasıl katkıda bulunduğuna ilişkin örneklere bakalım.

Gerçek ortamlarda nesne tespit doğruluğunu artırma#

Gerçek verilerin sınırlı, hassas veya toplanması zor olduğu durumlarda, nesne tespit sistemlerini eğitmek için genellikle sentetik görüntüler kullanılır. Bu görüntüler, ekiplerin her senaryoyu gerçek hayatta yakalamasına gerek kalmadan ürün, ortam ve kamera açısı örneklerini hızla oluşturmasını sağlar.

Ancak sentetik veri kümeleri, aydınlatmanın değiştiği, nesnelerin üst üste geldiği ve sahnelerin arka plan karmaşası içerdiği gerçek dünya görüntülerine kıyasla bazen fazla temiz görünebilir. Veri artırma; farklı aydınlatma, parazit veya nesne konumu gibi gerçekçi çeşitlilikler oluşturarak bu farkı kapatmaya yardımcı olur. Böylece model, dağıtım sırasında karşılaşacağı koşullarla başa çıkmayı öğrenir.

Örneğin yakın tarihli bir çalışmada, bir Ultralytics YOLO11 modeli tamamen sentetik görüntüler üzerinde eğitildi ve ek çeşitlilik sağlamak için veri artırma eklendi. Bu, modelin nesneleri daha genel biçimde tanımayı öğrenmesine katkıda bulundu. Eğitim sırasında gerçek dünya verilerini hiç görmemiş olmasına rağmen gerçek görüntüler üzerinde test edildiğinde iyi performans gösterdi.

Tıbbi görüntüleme çözümlerini daha güvenilir hâle getirme#

Tıbbi görüntüleme veri kümeleri genellikle sınırlıdır ve taramaların kendisi ekipman türüne, görüntüleme ayarlarına veya klinik ortama göre farklılık gösterebilir. Hasta anatomisindeki, açılardaki ve aydınlatmadaki farklılıklar ya da görsel parazit, bilgisayarlı görü modellerinin hastaneler ve hastalar arasında iyi genellenen örüntüleri öğrenmesini zorlaştırabilir.

Veri artırma, eğitim sırasında aynı taramanın birden fazla çeşidini oluşturarak bu sorunu gidermeye yardımcı olur; örneğin parazit eklenebilir, görüntü hafifçe kaydırılabilir veya küçük bozulmalar uygulanabilir. Bu değişiklikler, eğitim verilerinin gerçek klinik koşulları daha iyi temsil etmesini sağlar.

Örneğin, bir pediatrik görüntüleme çalışmasında araştırmacılar, anatomik segmentasyon için Ultralytics YOLO11 kullandı ve modeli artırılmış tıbbi verilerle eğitti. Görüntüleri daha gerçekçi hâle getirmek için parazit ekleme, konumu hafifçe kaydırma ve küçük bozulmalar uygulama gibi çeşitlilikler oluşturdular.

Şekil 4. Orijinal ve artırılmış pediatrik tıbbi görüntüler (Kaynak)

Model, bu çeşitliliklerden öğrenerek yüzeysel farklılıklar yerine anlamlı anatomik özelliklere odaklandı. Böylece farklı taramalarda ve hasta vakalarında segmentasyon sonuçları daha tutarlı hâle geldi.

Önemli çıkarımlar#

Çeşitli veriler toplamak zordur, ancak veri artırma modellerin daha geniş bir görsel koşul yelpazesinden öğrenmesini sağlar. Bu, örtülmeler, aydınlatma değişiklikleri ve kalabalık sahnelerle başa çıkarken model dayanıklılığını artırır. Sonuç olarak modellerin kontrollü eğitim ortamlarının dışında daha güvenilir performans göstermesine yardımcı olur.

Topluluğumuza katıl ve görsel yapay zekâ alanındaki en yeni gelişmeleri GitHub depomuzda keşfet. Üretimde yapay zekâ ve sağlık hizmetlerinde bilgisayarlı görü gibi uygulamaların ilerlemeyi nasıl desteklediğini öğrenmek için çözüm sayfalarımızı ziyaret et ve bir sonraki yapay zekâ çözümüne güç katacak lisans seçeneklerimize göz at.