Veri artırma ile yapay zeka modeli sağlamlığını iyileştir

Test etme, herhangi bir teknolojik çözüm geliştirmenin çok önemli bir parçasıdır. Bir sistemin canlıya geçmeden önce nasıl çalıştığını ekiplere gösterir ve sorunları erkenden düzeltmelerini sağlar. Bu durum, modellerin dağıtıldıktan sonra öngörülemez gerçek dünya koşullarını karşılamasının beklendiği yapay zeka dahil birçok alan için geçerlidir.

Örneğin computer vision, makinelerin görüntüleri ve videoları anlamasını sağlayan bir yapay zeka dalıdır. Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, nesne tespiti, örnek bölütleme ve görüntü sınıflandırma gibi görevleri destekler.

Bunlar; hasta izleme, trafik analizi, otomatik ödeme ve üretimde kalite kontrol gibi uygulamalar için birçok sektörde kullanılabilir. Ancak, gelişmiş modeller ve yüksek kaliteli eğitim verileriyle bile, görü tabanlı yapay zeka çözümleri değişen ışıklandırma, hareket veya kısmen engellenmiş nesneler gibi gerçek dünya değişkenleriyle karşılaştıklarında hala zorlanabilirler.

Bu durum, modellerin eğitim sırasında verilen örneklerden öğrenmesinden kaynaklanır. Parlama, hareket bulanıklığı veya kısmi görünürlük gibi koşulları daha önce görmedilerse, bu senaryolarda nesneleri doğru şekilde tanıma olasılıkları daha düşüktür.

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

Bu makalede, veri artırmanın model sağlamlığını ve kontrollü ortamların dışında dağıtıldığında görü tabanlı yapay zeka sistemlerinin güvenilirliğini nasıl artırdığını keşfedeceğiz. Haydi başlayalım!

Bir modelin sağlamlığı nasıl kontrol edilir#

Veri artırımına dalmadan önce, bir computer vision model modelinin gerçek dünya kullanımı için gerçekten hazır olup olmadığını nasıl anlayacağımızı tartışalım.

Sağlam bir model, sadece temiz ve mükemmel etiketlenmiş görüntülerde çalışmak yerine, koşullar değiştiğinde bile iyi performans göstermeye devam eder. Yapay zeka modeli sağlamlığını değerlendirirken dikkate alınması gereken bazı pratik faktörler şunlardır:

• Işıklandırma değişiklikleri: Modeller parlak ışık, düşük ışık, parlama veya gölgelere maruz kaldıklarında farklı davranabilirler; bu da nesnelerin ne kadar güvenle algılandığını etkileyebilir.
• Kısmi tıkanıklık: Günlük sahnelerde nesneler genellikle diğer öğeler tarafından engellenir veya yalnızca kısmen görünür durumdadır. Daha sağlam bir model, eksik görsel bilgilere rağmen bunları tanıyabilir.
• Kalabalık sahneler: Birbiriyle örtüşen çok sayıda nesnenin bulunduğu ortamlar, algılamayı daha zor hale getirebilir. Bu gibi durumlarda iyi performans gösteren modeller, genellikle karmaşık ayarlarda daha güvenilirdir.

Temiz ve mükemmel çekilmiş görüntülerdeki iyi sonuçlar, her zaman gerçek dünyada güçlü bir performansa dönüşmez. Çeşitli koşullarda düzenli testler yapmak, bir modelin dağıtıldıktan sonra ne kadar iyi dayandığını göstermeye yardımcı olur.

Veri artırma nedir?#

Bir nesnenin fotoğraftaki görünümü; ışıklandırmaya, açıya, mesafeye veya arka plana bağlı olarak değişebilir. Bir bilgisayarlı görü modeli eğitildiğinde, öğrendiği veri kümesinin öngörülemez ortamlarda iyi performans gösterebilmesi için bu tür bir çeşitliliği içermesi gerekir.

Veri artırma, elinde halihazırda bulunan görüntülerden ek örnekler oluşturarak bir eğitim veri kümesini genişletir. Bu, görüntüyü döndürme veya çevirme, parlaklığı ayarlama veya bir kısmını kırpma gibi kasıtlı değişiklikler uygulanarak yapılır.

Örneğin, sadece bir kedi fotoğrafının olduğunu hayal et. Görüntüyü döndürürsen veya parlaklığını değiştirirsen, o tek resimden birkaç yeni versiyon oluşturabilirsin. Her versiyon biraz farklı görünür, ancak yine de aynı kedinin fotoğrafıdır. Bu varyasyonlar, bir nesnenin aynı şey olarak kalırken farklı görünebileceğini modele öğretmeye yardımcı olur.

Şekil 1. Bir kedi görüntüsünü artırmaya genel bakış (Kaynak)

Veri artırma model performansını nasıl iyileştirir#

Model eğitimi sırasında veri artırma, doğrudan eğitim hattına dahil edilebilir. Yeni görüntü kopyalarını manuel olarak oluşturmak ve saklamak yerine, her görüntü yüklendiğinde rastgele dönüşümler uygulanabilir.

Bu, modelin ister daha parlak, ister ters çevrilmiş veya kısmen gizlenmiş olsun, her seferinde görüntünün biraz farklı bir versiyonunu gördüğü anlamına gelir. Rastgele silme gibi teknikler, bir nesnenin engellendiği veya yalnızca kısmen göründüğü gerçek dünya durumlarını simüle etmek için görüntünün küçük bölgelerini bile kaldırabilir.

Şekil 2. Rastgele silme tabanlı artırma örnekleri (Kaynak)

Aynı görüntünün birçok farklı versiyonunu görmek, modelin tek bir mükemmel örneğe bağımlı kalmak yerine hangi özelliklerin önemli olduğunu öğrenmesini mümkün kılar. Bu çeşitlilik, gerçek dünya koşullarında daha güvenilir bir şekilde performans gösterebilmesi için yapay zeka modeli sağlamlığını oluşturur.

Yaygın veri artırma teknikleri#

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

• Geometrik dönüşümler: Bu teknikler, bir nesnenin görüntü içinde uzamsal olarak nasıl göründüğünü değiştirir. Görüntüyü döndürmek, çevirmek, yeniden boyutlandırmak, kırpmak veya kaydırmak, modelin bir nesnenin farklı açılardan veya mesafelerden nasıl görüntülenebileceğini anlamasını sağlar.
• Renk ve ışıklandırma ayarlamaları: Gerçek dünya ışıklandırması nadiren tutarlıdır. Görüntüler; ortama veya kullanılan kameraya bağlı olarak çok parlak, çok karanlık veya renk açısından hafif hatalı olabilir. Parlaklığı, kontrastı, renk tonunu ve doygunluğu ayarlamak, modellerin bu görsel değişiklikleri ele almasını ve farklı sahnelerde iyi performans göstermesini sağlar.
• Görüntü kalitesi varyasyonları: Bulanıklık veya görsel gürültü, görüntülerin net görünmemesine neden olabilir. Eğitim sırasında bulanıklık veya gürültü eklemek, modelin hareket bulanıklığı, düşük ışıklı görüntüler veya daha düşük kaliteli kamera sonuçlarıyla başa çıkmayı öğrenmesine yardımcı olur, böylece kusurlu görsellere karşı daha az hassas hale gelir.
• Tıkanıklık tabanlı artırmalar: Gerçek ortamlarda nesneler genellikle diğer nesneler tarafından kısmen engellenir. Buna görüntü tıkanıklıkları denir. Eğitim sırasında bir görüntünün küçük alanlarını gizlemek veya maskelemek, modelin nesneleri sadece bir kısmı göründüğünde bile tespit etmeyi öğrenmesini destekler.
• Çoklu görüntü artırmaları: Bu teknikler, birden fazla görüntünün parçalarını tek bir eğitim örneğinde birleştirir; bu da görüş alanındaki nesne sayısını artırabilir ve modelin karmaşık veya kalabalık sahneleri ele alma yeteneğini geliştirebilir.

Şekil 3. Çoklu görüntü artırma örneği (Kaynak)

Ultralytics Python paketi ile veri artırma kolaylaştı#

Veri setlerini yönetmek, görüntü varyasyonları oluşturmak ve dönüştürme kodu yazmak, bilgisayarlı görü uygulaması oluşturmaya ekstra adımlar ekleyebilir. Ultralytics Python package, YOLO26 gibi Ultralytics YOLO modellerini eğitmek, çalıştırmak ve dağıtmak için tek bir arayüz sağlayarak bunu basitleştirmeye yardımcı olur. Eğitim iş akışlarını kolaylaştırma çabasının bir parçası olarak paket, YOLO modelleri için optimize edilmiş yerleşik, Ultralytics tarafından test edilmiş veri artırma özelliklerini içerir.

Ayrıca, ayrı araçlara veya özel kodlara olan ihtiyacı ortadan kaldıran faydalı entegrasyonları da destekler. Özellikle veri artırma için paket, yaygın olarak kullanılan bir görüntü artırma kütüphanesi olan Albumentations ile entegre olur. Bu entegrasyon, ekstra betiklere veya özel kodlara ihtiyaç duyulmadan, eğitim sırasında artırımların otomatik olarak uygulanmasına olanak tanır.

Ek açıklamaları ve artırılmış veri kümelerini yönetme#

Model dayanıklılığını etkileyen bir diğer faktör ise annotation kalitesidir. Roboflow gibi açıklama araçlarıyla oluşturulan ve yönetilen temiz, doğru etiketler, modelin nesnelerin nerede olduğunu ve neye benzediğini anlamasına yardımcı olur.

Eğitim sırasında; çevirmeler, kırpmalar ve döndürmeler gibi veri artırmalar dinamik olarak uygulanır ve ek açıklamalar bu değişikliklerle eşleşecek şekilde otomatik olarak ayarlanır. Etiketler hassas olduğunda, bu süreç sorunsuz çalışır ve modele aynı sahnenin birçok gerçekçi örneğini sağlar.

Ek açıklamalar yanlış veya tutarsızsa, bu hatalar artırılmış görüntülerde tekrarlanabilir ve bu da eğitimi daha az etkili hale getirebilir. Doğru ek açıklamalarla başlamak, bu hataların yayılmasını önler ve daha iyi model sağlamlığına katkıda bulunur.

Veri artırma ile görü tabanlı yapay zeka uygulamalarını geliştirme#

Şimdi, veri artırmanın gerçek dünya uygulamalarında yapay zeka modeli sağlamlığına nasıl katkıda bulunduğuna dair örnekleri inceleyelim.

Gerçek ortamlarda nesne algılama doğruluğunu artırma#

Sentetik görüntüler, gerçek verilerin sınırlı, hassas veya toplanmasının zor olduğu durumlarda genellikle object detection sistemlerini eğitmek için kullanılır. Ekiplerin her senaryoyu gerçek hayatta yakalamasına gerek kalmadan ürünlerin, ortamların ve kamera açıların örneklerini hızlı bir şekilde oluşturmasına olanak tanır.

Ancak, sentetik veri kümeleri; ışıklandırmanın değiştiği, nesnelerin örtüştüğü ve sahnelerin arka plan karmaşası içerdiği gerçek dünya çekimlerine kıyasla bazen çok temiz görünebilir. Veri artırma; farklı ışıklandırma, gürültü veya nesne yerleşimi gibi gerçekçi varyasyonlar sunarak bu boşluğu kapatmaya yardımcı olur, böylece model dağıtıldığında göreceği koşulları ele almayı öğrenir.

Örneğin, yakın zamanda yapılan bir çalışmada, bir Ultralytics YOLO11 modeli tamamen synthetic images üzerinde eğitildi ve ekstra varyasyon eklemek için veri artırma (data augmentation) kullanıldı. Bu, modelin nesneleri daha geniş bir şekilde tanımayı öğrenmesinde rol oynadı. Eğitim sırasında hiç gerçek dünya verisi görmemiş olmasına rağmen, gerçek görseller üzerinde test edildiğinde iyi performans gösterdi.

Tıbbi görüntüleme çözümlerini daha güvenilir hale getirme#

Tıbbi görüntüleme veri kümeleri genellikle sınırlıdır ve taramaların kendileri ekipman tipine, görüntüleme ayarlarına veya klinik ortama bağlı olarak değişebilir. Hasta anatomisindeki, açılardaki, ışıklandırmadaki veya görsel gürültüdeki farklılıklar, bilgisayarlı görü modellerinin hastalar ve hastaneler arasında iyi genelleşen modelleri öğrenmesini zorlaştırabilir.

Veri artırma; gürültü ekleme, görüntüyü hafifçe kaydırma veya küçük bozulmalar uygulama gibi eğitim sırasında aynı taramanın birden fazla varyasyonunu oluşturarak bunu ele almaya yardımcı olur. Bu değişiklikler, eğitim verilerinin gerçek klinik koşulları daha temsil edici hissettirmesini sağlar.

Örneğin, bir pediatric imaging çalışmasında, araştırmacılar anatomik segmentasyon için Ultralytics YOLO11 kullandılar ve bunu artırılmış (augmented) tıbbi verilerle eğittiler. Görüntüleri daha gerçekçi kılmak için eklenen gürültü, hafif konum kaymaları ve küçük bozulmalar gibi varyasyonlar eklediler.

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

Bu varyasyonlardan öğrenerek model, yüzeysel farklılıklar yerine anlamlı anatomik özelliklere odaklandı. Bu, segmentasyon sonuçlarının farklı taramalar ve hasta vakaları arasında daha kararlı olmasını sağladı.

Öne çıkanlar#

Çeşitli verileri toplamak zordur, ancak veri artırma, modellerin daha geniş bir görsel koşul yelpazesinden öğrenmesini sağlar. Bu, tıkanıklıklar, ışıklandırma değişiklikleri ve kalabalık sahnelerle uğraşırken daha güçlü bir model sağlamlığıyla sonuçlanır. Genel olarak, bu durum kontrollü eğitim ortamlarının dışında daha güvenilir bir şekilde performans göstermelerine yardımcı olur.

our community katılarak aramıza katıl ve GitHub repository adresimiz üzerinden görü yapay zekasındaki en son yenilikleri keşfet. AI in manufacturing ve computer vision in healthcare gibi uygulamaların ilerlemeyi nasıl sağladığını öğrenmek için çözüm sayfalarımızı ziyaret et ve bir sonraki yapay zeka çözüme güç katmak için licensing options seçeneklerimize göz at.