Ultralytics Platform ile bilgisayarlı görüde akıllı veri kümesi yönetimi

Görsel yapay zekâ veya bilgisayarlı görü, ilk dönemlerinden bu yana büyük ilerleme kaydederek deneysel araştırmalardan gerçek dünyadaki uygulamalara güç veren temel bir teknolojiye dönüştü. Günümüzde yapay zekâ meraklıları, erişilebilir araçlar ve çerçeveler kullanarak nesne algılama ve örnek bölütleme gibi görevler için güçlü modeller geliştirebilir.

Ancak bu uygulamalar denemelerden üretime geçerken veri kümesi yönetimi hâlâ kritik ve çoğu zaman göz ardı edilen bir zorluk. Bilgisayarlı görü veri kümeleri büyüyüp karmaşıklaştıkça ekipler tutarlı açıklamaları korumakta, sürümler arasındaki değişiklikleri izlemekte ve genel veri kalitesini sağlamada sıklıkla zorlanıyor.

En gelişmiş modeller bile eğitildikleri veriler eksik, dengesiz veya kötü yönetilmişse gerçek dünya ortamlarında düşük performans gösterebilir. Geliştirme performansı ile gerçek dünyadaki güvenilirlik arasında giderek büyüyen bu fark, veri kümesi yönetimine daha yapılandırılmış bir yaklaşımın neden gerekli olduğunu gösteriyor.

Bir diğer yaygın kısıt, veri toplama, açıklama ekleme ve eğitimin çoğunlukla ayrı araçlarla yürütülmesidir. Parçalı bir iş akışı, veri kümelerini verimli yönetmeyi zorlaştırır, tutarsızlık riskini artırır ve yineleme sürecini yavaşlatır.

Veri kümesi yönetimi ve parçalı iş akışları gibi görsel yapay zekâ darboğazlarını çözmek için yakın zamanda Ultralytics Platform ürününü kullanıma sunduk. Veri kümesi yönetimini, açıklama eklemeyi, eğitimi, dağıtımı ve izlemeyi tek bir birleşik iş akışında buluşturan uçtan uca bir çalışma alanıdır.

Bilgisayarlı görü yaşam döngüsünün her aşamasını birbirine bağlayarak veri kümesi değişikliklerini izlemek, sürümler arasındaki performansı karşılaştırmak ve daha iyi sonuçlar için verilerini sürekli iyileştirmek kolaylaşır.

Şekil 1. Ultralytics Platform içinde veri kümesi görüntülerini görüntüleme örneği (Kaynak)

Bu makalede, daha güvenilir bilgisayarlı görü modelleri oluşturmak için Ultralytics Platform'un veri kümelerini izlemene, karşılaştırmana ve iyileştirmene nasıl yardımcı olduğunu inceleyeceğiz. Haydi başlayalım!

Bilgisayarlı görüde veri kümesi yönetiminin önemi#

Bir bilgisayarlı görü modelinin performansı, eğitildiği verilerle yakından ilişkilidir. Tahminlerin ne sıklıkla doğru olduğunu gösteren model doğruluğu, yalnızca algoritmaya değil, veri kümesinin gerçek dünya koşullarını ne kadar iyi temsil ettiğine de bağlıdır.

Basitçe söylemek gerekirse, model kalıpları doğrudan verilerden öğrenir; bu nedenle veri kümesindeki boşluklar, önyargılar veya tutarsızlıklar tahminlerini etkileyebilir. Başka bir deyişle, model mimarisi güçlü olsa bile düşük kaliteli veriler, hatalı açıklamalar veya görüntülerdeki farklı ışık koşulları, nesne açıları, arka planlar ya da örtülme seviyeleri gibi gerçek dünya çeşitliliğinin sınırlı biçimde kapsanması doğruluğu önemli ölçüde düşürebilir.

Bu durum, belirli bir kullanım alanına veya ortama daha iyi uyum sağlaması için önceden eğitilmiş bir modelin yeni ya da güncellenmiş veriler üzerinde ek eğitim aldığı ince ayar süreci için de geçerlidir. Model doğruluğu büyük ölçüde verilere bağlı olduğundan, bu verileri doğru yönetmek temel önem taşır.

Veri kümesi yönetimi; verilerin doğru ve güncel kalması için düzenlenmesini, etiketlenmesini ve sürekli güncellenmesini kapsar. Bu, özellikle modelleri yeni verilerle yeniden eğitirken veya ince ayar yaparken, zaman içinde performansı iyileştirmeyi kolaylaştırır.

Veri kümesi kalitesi gerçek dünyadaki güvenilirliği nasıl etkiler?#

Güvenlik izleme sistemleri gibi bilgisayarlı görü kullanım alanları, doğru veri yönetiminin neden hayati önem taşıdığına iyi bir örnektir. Bu sistemlerin farklı aydınlatma ortamları, kamera açıları, yoğunluk seviyeleri ve kısmi örtülmeler dâhil olmak üzere çeşitli gerçek dünya koşullarında güvenilir biçimde çalışması gerekir.

Eğitim verileri bu çeşitlilikleri kapsamıyorsa veya nesnelerin farklı sahne ve koşullardaki görünümlerinde çeşitlilik yoksa model nesneleri doğru algılamakta zorlanabilir. Örneğin, çoğunlukla iyi aydınlatılmış ve sade sahneler üzerinde eğitilen bir model, düşük ışıklı ortamlarda veya kalabalık alanlarda kötü performans gösterebilir. Güvenlik sistemlerinde bu durum, olayların kaçırılmasına veya yanlış uyarılara yol açabilir.

Bunu önlemek için yalnızca temiz ve doğru etiketlenmiş değil, aynı zamanda dengeli ve sürekli güncellenen veri kümelerini korumak önemlidir. Bunun için verideki boşlukları belirlemek, koşullar değiştikçe yeni örnekler eklemek ve farklı sınıfların ve ortamların eşit biçimde temsil edildiğinden emin olmak gerekir.

Daha eksiksiz ve yapılandırılmış bir veri kümesiyle modeller, gerçek dünyadaki değişkenliklerle başa çıkmaya ve daha güvenilir tahminler üretmeye daha hazır olur.

Veri kümesi yönetiminin temel unsurları#

Peki, veri kümesi yönetimi uygulamada nasıl görünür? Model geliştirme sürecinin tamamında verilerin etkili biçimde kullanılabilmesi için düzenlenmesini, etiketlenmesini ve bakımının yapılmasını kapsar.

Örneğin verileri düzenlemek, veri kümesini yapılandırmayı ve eğitim, doğrulama ve test kümelerine ayırmayı içerir. Eğitim kümesi modeli öğretmek için, doğrulama kümesi geliştirme sırasında performansı izlemek ve ayarlamalara yön vermek için, test kümesi ise nihai modelin daha önce hiç görülmemiş veriler üzerindeki performansını değerlendirmek için kullanılır.

Etiketleme ise görüntülere sınıf etiketleri, sınırlayıcı kutular veya bölütleme maskeleri gibi ayrıntılarla açıklama eklemeyi içerir. Model bu açıklamalardan öğrendiği için anlamlı kalıpları öğrenmesine ve güvenilir tahminler yapmasına yardımcı olmak açısından doğruluk ve tutarlılık çok önemlidir.

Bunlara ek olarak, veri kümesinin bakımını yapmak zaman içinde verileri gözden geçirip güncellemeyi gerektirir. Bu işlem; açıklama hatalarını düzeltmeyi, düşük kaliteli veya yinelenen verileri kaldırmayı ve eksik durumları ya da değişen koşulları kapsayacak yeni örnekler eklemeyi içerebilir.

Daha genel anlamda veri kümesi yönetimi, sürekli devam eden bir süreçtir. Modeller değerlendirilip yeni veriler toplandıkça, veri kümelerinin gerçek dünya koşullarını ve uç durumları yansıtacak şekilde güncellenmesi gerekir. Bu güncellemeleri izlemek ve farklı sürümleri karşılaştırmak, ekiplerin performansı nelerin iyileştirdiğini ve başka hangi değişikliklerin gerektiğini anlamasına yardımcı olur.

Ultralytics Platform ile veri kümelerini yönetme#

Ultralytics Platform, veri hazırlamadan dışa aktarmaya kadar her aşamayı kapsayan, veri kümelerini tek bir ortamda yönetmek için yapılandırılmış bir iş akışı sunar. Hem bireysel geliştiricileri hem de ekipleri destekleyecek şekilde tasarlanmıştır; ister tek başına çalış ister projeler arasında iş birliği yap, veri kümelerini tutarlı biçimde yönetmeni kolaylaştırır.

Her aşama, model geliştirme yaşam döngüsü boyunca veri kümelerinin düzenlenme, işlenme ve kullanılma biçimini basitleştirecek şekilde tasarlanmıştır. Bu adımları tek bir yerde bir araya getiren platform, parçalanmayı azaltır ve iş akışları arasında tutarlılığı korumayı kolaylaştırır.

Şimdi temel adımları ve platformun her birini nasıl desteklediğini inceleyelim.

Veri kümelerini Ultralytics Platform'a yükleme#

Platformda veri kümelerini kullanmaya başlamak için verileri içe aktarmanın veya yeniden kullanmanın birçok yolu vardır. Kendi verilerini yükleyebilir ya da platformdaki herkese açık veri kümelerinden yararlanarak daha hızlı başlayabilirsin. Ayrıca topluluk tarafından paylaşılan mevcut veri kümelerini kopyalayıp bunları temel alarak çalışabilirsin.

Platformun topluluk özellikleri, mevcut çalışmaları keşfetmeyi ve yeniden kullanmayı kolaylaştırır. Milyonlarca görüntü ve açıklama içeren, diğer kullanıcıların oluşturduğu veri kümelerine erişerek her şeyi kendin toplayıp etiketlemek zorunda kalmadan hızlıca başlayabilirsin. Bir veri kümesini kopyaladığında çalışma alanında bir kopyası oluşturulur; böylece orijinali korurken kopyayı değiştirebilir ve genişletebilirsin.

Platform, yükleme işlemlerinde tekil görüntüleri, videoları ve ZIP, TAR veya GZ dosyaları gibi veri kümesi arşivlerini destekler. Ayrıca YOLO ve COCO gibi yaygın kullanılan veri kümesi biçimlerini desteklediğinden mevcut veri kümelerini ve açıklamaları ek dönüştürme işlemi yapmadan içe aktarabilirsin. Bunların yanı sıra, platformdan dışa aktarılan bir NDJSON dosyasıyla veri kümesi yükleyebilir, böylece projeler arasında veri kümelerini sorunsuzca yeniden oluşturabilir veya kullanabilirsin.

Veriler yüklendikten sonra platform, yapılandırılmış bir işlem hattı üzerinden verileri işler. Bu süreç; dosya biçimlerini ve boyutlarını doğrulamayı, gerektiğinde görüntüleri yeniden boyutlandırmayı, açıklamaları ayrıştırmayı ve veri kümesi istatistiklerini oluşturmayı kapsar.

Örneğin videolar, eğitimde kullanılabilmeleri için karelere dönüştürülürken görüntüler daha kolay göz atma ve analiz için optimize edilip hazırlanır. İşlem tamamlandığında veri kümeleri platform içinde açıklama ekleme, analiz ve model eğitimi için hazır olur.

Ultralytics Platform'da verilere açıklama ekleme#

Yüklendikten sonra veri kümeleri doğrudan platform içinde gözden geçirilip açıklamalarla etiketlenebilir. Platform; nesne algılama, örnek bölütleme, poz kestirimi, yönlendirilmiş sınırlayıcı kutu (OBB) algılama ve görüntü sınıflandırma gibi çeşitli bilgisayarlı görü görevleri için yerleşik görüntü açıklama araçları içerir.

Şekil 2. Veri etiketleme için Ultralytics Platform'u kullanma (Kaynak)

Açıklamalar bu araçlar kullanılarak elle oluşturulabilir veya SAM destekli akıllı açıklama gibi yapay zekâ destekli özelliklerle süreç hızlandırılabilir. SAM ile görüntü üzerinde etkileşim kurarak maskeler, sınırlayıcı kutular veya yönlendirilmiş kutular oluşturabilir, böylece doğruluğu korurken etiketleme sürecini hızlandırabilirsin.

Ultralytics Platform ile veri kümesi kalitesini analiz etme#

Verileri hazırlayıp açıklamalar eklemenin yanı sıra, güvenilir bilgisayarlı görü modelleri oluşturmak için veri kümesi kalitesini anlamak da önemlidir. Sınıf dağılımı, açıklama kalitesi, veri kümesi bölümleri ve verilerin farklı koşullarda nasıl temsil edildiği gibi etkenleri net biçimde göremediğinde, model performansını etkileyen sorunları fark etmek zor olabilir.

Ultralytics Platform, veri kümelerini daha etkili analiz etmeye yardımcı olan yerleşik özellikler içerir. Bu analizlere doğrudan veri kümesi arayüzünden, Görüntüler, Sınıflar ve Grafikler gibi sekmeler üzerinden erişebilirsin.

Grafikler sekmesinde, bölüm dağılımı (eğitim, doğrulama ve test), sınıf sıklığı ve nesnelerin görüntülerde nerede yer aldığını gösteren açıklama ısı haritaları gibi veri kümesi düzeyindeki istatistikleri görüntüleyebilirsin.

Sınıflar sekmesi, her sınıf için açıklama sayılarını göstererek sınıf dengesizliğini fark etmeyi kolaylaştırır. Görüntüler sekmesinde ise boyutlar ve açıklama sayıları gibi görüntü düzeyindeki ayrıntıların yanı sıra etiketlerin tek tek görüntülere nasıl dağıldığı gösterilir.

Bu analizler sınıf dengesizliği, eksik senaryolar veya eşit olmayan veri dağılımı gibi sorunları belirlemeyi kolaylaştırır. Örneğin bazı sınıfların çok az örneği olduğunu ya da açıklamaların çoğunun görüntünün belirli bölgelerinde yoğunlaştığını fark edebilirsin.

Veri analizinin ötesinde platform, veri kümesi iyileştirme ve artırma işlemlerini destekler. Bu işlemler, model performansını iyileştirmek için sorunlu verileri düzelterek veya kaldırarak veri kümelerini iyileştirmeyi ve mevcut verilerin çeşitlerini oluşturmayı ifade eder. Analiz sonuçlarına göre açıklamaları güncelleyerek, yeni veriler ekleyerek veya veri kümesi bölümlerini yeniden düzenleyerek bu iyileştirmeleri doğrudan platform içinde yapabilirsin.

Veri kümelerini Ultralytics Platform'dan dışa aktarma#

Bir veri kümesi hazırlanıp doğrulandıktan sonra farklı ortamlarda kullanılmak üzere dışa aktarılabilir. Böylece bilgisayarlı görü verilerini tercih ettiğin yerde kullanma esnekliği elde edersin; modelleri yerel olarak, bulutta ya da başka araç ve iş akışlarında eğitebilirsin.

Ultralytics Platform; YOLO, COCO ve NDJSON dâhil olmak üzere birden fazla dışa aktarma biçimini destekler, böylece veri kümelerini farklı eğitim iş akışlarına ve araçlara kolayca entegre edebilirsin.

Şekil 3. Ultralytics Platform'dan veri kümesi dışa aktarma (Kaynak)

Bir veri kümesini dışa aktarmak, görüntüler, açıklamalar ve yapı dâhil olmak üzere verilerin belirli bir andaki sabit bir anlık görüntüsünü oluşturur. Veri kümeleri yeni veriler eklendikçe, açıklamalar güncellendikçe veya bölümler ayarlandıkça sıklıkla değiştiğinden bu özellik yararlıdır. Bir anlık görüntüyü dışa aktararak belirli bir eğitim çalıştırmasında kullanılan veri kümesinin tam sürümünü koruyabilirsin.

Aynı veri düzeniyle modeli yeniden eğitebildiğin ve farklı veri kümesi sürümlerindeki performansı karşılaştırabildiğin için bu, sonuçları daha sonra yeniden üretmeyi kolaylaştırır. Örneğin, neyin değiştiğini tahmin etmek yerine yeni görüntüler eklemenin veya açıklamaları düzeltmenin model doğruluğunu gerçekten iyileştirip iyileştirmediğini değerlendirebilirsin.

Dışa aktarma işlemleri eşzamansız yürütülür; işlem tamamlandığında veri kümeleri indirilebilir ve yerel, bulut tabanlı veya çevrimdışı eğitim ortamlarında kullanılabilir.

Ultralytics Platform'da yinelemelerle veri kümesi kalitesini iyileştirme#

Makine öğrenimi ve derin öğrenme iş akışlarında, gerçek dünyadaki veriler eğitim sırasında kullanılan verilerden çoğunlukla farklı olduğu için dağıtımdan sonra da veri kümesi yönetimi devam eder.

Modeller yeni girdilerle karşılaştıkça düşük ışıklı ortamlar, farklı kamera açıları, örtülmeler veya kalabalık sahneler gibi eksik koşulların yanı sıra açıklama hatları gibi veri kümesindeki boşluklar daha belirgin hâle gelir ve verilerin zaman içinde iyileştirilmesini gerekli kılar.

Bir veri kümesini iyileştirmenin çeşitli yolları vardır. Verideki kör noktaları azaltmaya yardımcı olmak için düşük ışıklı ortamlar, farklı kamera açıları, örtülmeler veya kalabalık sahneler gibi eksik koşulları kapsayan yeni görüntüler ya da videolar ekleyebilirsin.

Aynı zamanda, doğru etiketlenmiş nesneler ve hassas sınırlayıcı kutular ya da maskeler gibi açıklamaların doğru ve tutarlı olmasını sağlamak, modelin daha güvenilir kalıplar öğrenmesine yardımcı olur.

Bu süreç genellikle basit bir döngüyü izler: modeli eğit, sonuçları değerlendir, hataları belirle, veri kümesini iyileştir ve modeli yeniden eğit. Her adım hatalı açıklamalar, eksik veriler veya yeterince temsil edilmeyen durumlar gibi sorunları ortaya çıkarmaya yardımcı olur.

Mağazalardaki ürünleri algılamak için kullanılan gerçek zamanlı bir perakende rafı izleme sistemi üzerinde çalıştığını varsayalım. Veri kümesinin ilk sürümleri belirli ürün türlerini, aydınlatma koşullarını veya kalabalık raf düzenlerini içermeyebilir. Değerlendirme sırasında modelin bu durumlarda ürünleri algılamakta zorlandığını fark edebilirsin.

Performansı iyileştirmek için eksik senaryoları kapsayan yeni görüntüler toplayabilir ve gerektiğinde açıklamaları güncelleyebilirsin. Bu süreci zaman içinde tekrarlamak, modelin gerçek dünya koşullarında daha doğru ve güvenilir olmasına yardımcı olur.

Ultralytics Platform, veri kümesi güncellemelerini eğitim ve değerlendirmeyle ilişkilendirerek bu iş akışını destekler. Yerleşik deney izleme ve performans ölçümleriyle ilerlemeyi izlemek ve veri kümelerini zaman içinde sürekli iyileştirmek kolaylaşır.

Ultralytics Platform ile veri kümesi değişikliklerini izleme#

Model geliştirme sürecinin bir parçası olarak veri kümelerinin zaman içinde nasıl değiştiğinden kısaca bahsetmiştik. Yeni veriler eklendikçe, açıklamalar iyileştirildikçe ve sınıflar güncellendikçe bu değişiklikleri izlemek, veri kalitesini korumak ve tutarlı model performansını sağlamak açısından kritik hâle gelir.

Veri kümesi takibini ve sürüm kontrolünü destekleyen temel Ultralytics Platform özelliklerinden bazıları şunlardır:

• Veri kümesi sürümleme: Sabit veri kümesi sürümlerini NDJSON anlık görüntüleri olarak oluşturabilirsin. Her sürüm, görüntü sayısı, sınıf sayısı, açıklama sayısı ve veri kümesi boyutu gibi önemli ayrıntıları belirli bir andaki hâliyle kaydeder. Bu sürümler saklanır ve daha sonra indirilebilir; böylece deneyleri yeniden üretmek ve farklı veri kümesi durumlarının sonuçlarını karşılaştırmak kolaylaşır.
• Sürümler sekmesi: Tüm veri kümesi sürümleri, sürüm geçmişini görüntüleyebileceğin, değişikliklere açıklama ekleyebileceğin ve veri kümesinin zaman içindeki gelişimini izleyebileceğin Sürümler sekmesinde düzenlenir.
• Modellerle ilişkilendirme: Modeller sekmesi, mAP gibi ölçümler ve eğitim ayrıntıları dâhil olmak üzere bir veri kümesi üzerinde eğitilen tüm modelleri gösterir. Veri kümesi sürümleri eğitim çalıştırmalarıyla ilişkilendirilir; böylece verilerdeki değişikliklerin model performansını nasıl etkilediğini anlayabilirsin.
• Hatalar sekmesi: Hatalar sekmesi, işlem sırasında başarısız olan dosyaları hata ayrıntıları ve önerilerle birlikte gösterir. Böylece eğitimden önce bozuk dosyalar veya desteklenmeyen biçimler gibi sorunları belirleyip düzeltebilirsin.
• Veri kümesi arayüzü (Görüntüler ve Sınıflar sekmeleri): Bu görünümler görüntülere göz atmanı, açıklamaları incelemeni, sınıf etiketlerini yönetmeni ve sınıf dağılımını analiz etmeni sağlar. Filtreleme ve sıralama gibi özellikler ile açıklama eklenmemiş görüntüleri belirleme olanağı, veri kümesi kalitesini zaman içinde izlemeyi kolaylaştırır.
• İstatistikler ve grafikler: Bölüm dağılımı, sınıf sıklığı ve açıklama ısı haritaları gibi yerleşik veri görselleştirmeleri, veri dağılımındaki değişiklikleri izlemeye ve veri kümesi geliştikçe dengesizlikleri belirlemeye yardımcı olur.

Şekil 4. Ultralytics Platform'da veri kümesinin sınıf dağılımını analiz etme örneği (Kaynak)

Veri kümelerini Ultralytics Platform içinde eğitim ve dağıtıma bağlama#

Ultralytics Platform, yapay zekâ modeli geliştirmenin farklı aşamalarını tek bir işlem hattında birleştirir. Ham verilerden üretime hazır görsel yapay zekâ uygulamalarına geçiş sürecini kolaylaştırır.

Veri kümeleri hazırlanıp açıklamalar eklendikten sonra, Ultralytics YOLO26 gibi bilgisayarlı görü modellerini doğrudan platform içinde eğitmek için kullanılabilirler. Eğitim sırasında yerleşik panoları kullanarak performans ölçümlerini izleyebilir, deneyleri takip edebilir ve modelin ne kadar iyi öğrendiğini değerlendirebilirsin.

Şekil 5. Ultralytics Platform'da model eğitimi ölçümlerini görüntülemeye bir bakış (Kaynak)

Eğitimden sonra tahminleri değerlendirmek ve dağıtımdan önce iyileştirme alanlarını belirlemek için modeller tarayıcıda doğrudan yeni görüntüler üzerinde test edilebilir. Model iyi performans gösterdiğinde üretime alınabilir.

Platform, modelleri birden fazla biçimde dışa aktarmayı veya çıkarım hizmetleri ve özel uç noktalar aracılığıyla dağıtmayı destekler; böylece modeller farklı ortamlarda çalışabilir.

Dağıtımın ardından yerleşik izleme araçları, kullanım ve model davranışıyla ilgili ölçümler dâhil olmak üzere sistem performansını zaman içinde takip etmeye yardımcı olur. Bu sayede gerçek dünyadaki uygulamalarda görsel yapay zekâ sistemlerinin bakımını yapmak ve bu sistemleri iyileştirmek kolaylaşır.

Ultralytics Platform ile veri kümesi yönetiminde en iyi uygulamalar#

Ultralytics Platform'u kullanarak veri kümelerini yönetirken göz önünde bulundurman gereken temel noktalar şunlardır:

• Boşlukları bulmak için filtreleri kullan: Açıklama eklenmemiş veya yeterince temsil edilmeyen verileri filtreleme araçlarıyla belirle; böylece açıklamaları tamamlamak ve kapsama alanını iyileştirmek kolaylaşır.
• Hataları erkenden düzelt: Eğitimden önce başarısız yüklemeleri, bozuk dosyaları veya desteklenmeyen biçimleri yakalamak için kalite kontrolünde Hatalar sekmesini kullan.
• Veri kümelerini sürekli güncelle: Yeni veriler ekle, açıklamaları düzelt ve ortaya çıktıkça uç durumları dâhil et. Bu, kapsama alanını iyileştirir ve modellerin gerçek dünya senaryolarında güvenilir biçimde çalışmasını sağlar.
• Veri kümesi bölümlerini dikkatlice yönet: Eğitim, doğrulama ve test kümeleri arasında iyi bir denge olduğundan emin ol. Gerektiğinde bölümleri elle yeniden düzenleyebilir veya otomatik yeniden dağıtımı kullanabilirsin.

Ultralytics Platform hakkında daha fazla bilgi edinmek için resmî Ultralytics belgelerine göz at.

Önemli çıkarımlar#

Bilgisayarlı görü projeleri büyüdükçe veri kümelerini etkili biçimde yönetmek, model geliştirme kadar önemli hâle gelir. Veri kümesi yönetimine yapılandırılmış bir yaklaşım, veri kalitesini artırmaya, iş akışlarını kolaylaştırmaya ve zaman içinde model performansını iyileştirmeye yardımcı olur.

Ultralytics Platform, veri kümesi yönetimini, eğitimi ve dağıtımı tek bir iş akışında bir araya getirerek bu süreci basitleştirir. Veri kümesi yönetimine yapılandırılmış bir yaklaşım benimseyen ekipler karmaşıklığı azaltabilir, verimliliği artırabilir ve daha ölçeklenebilir, güvenilir bilgisayarlı görü sistemleri oluşturabilir.

Büyüyen topluluğumuza katıl ve yapay zekâ kaynakları için GitHub depomuzu keşfet. Bugün görsel yapay zekâyla geliştirmeye başlamak için lisanslama seçeneklerimize göz at. Çözümler sayfalarımızı ziyaret ederek tarımda yapay zekânın çiftçiliği nasıl dönüştürdüğünü ve sağlık hizmetlerinde görsel yapay zekânın geleceği nasıl şekillendirdiğini öğren.