Ultralytics Platform ile bilgisayarlı görüde akıllı veri seti yönetimi

Vision AI veya bilgisayarlı görü, deneysel araştırmalardan gerçek dünya uygulamalarını güçlendiren temel bir teknolojiye evrilerek ilk günlerinden bu yana uzun bir yol kat etti. Bugün, AI meraklıları, erişilebilir araçlar ve çerçeveler kullanarak nesne algılama ve örnek bölümleme gibi görevler için güçlü modeller oluşturabilir.

Ancak, bu uygulamalar deney aşamasından üretime geçtikçe, veri seti yönetimi kritik ve genellikle göz ardı edilen bir zorluk olmaya devam ediyor. Bilgisayarlı görü veri setleri boyut ve karmaşıklık açısından büyüdükçe, ekipler genellikle tutarlı ek açıklamaları korumakta, sürümler arasındaki değişiklikleri izlemekte ve genel veri kalitesini sağlamakta zorlanıyor.

En ileri seviyedeki modeller bile, eğitildikleri veriler eksik, dengesiz veya kötü yönetilmişse gerçek dünya ortamlarında düşük performans gösterebilir. Geliştirme performansı ile gerçek dünya güvenilirliği arasındaki bu büyüyen boşluk, veri seti yönetimine daha yapılandırılmış bir yaklaşımın neden gerekli olduğunu açıklıyor.

Bir diğer yaygın kısıt da veri toplama, ek açıklama ekleme ve eğitme işlemlerinin genellikle ayrı araçlar kullanılarak yürütülmesidir. Parçalı bir iş akışı, veri setlerini verimli bir şekilde yönetmeyi zorlaştırır, tutarsızlık riskini artırır ve iterasyon sürecini yavaşlatır.

Veri seti yönetimi ve parçalı iş akışları gibi Vision AI darboğazlarını çözmek için yakın zamanda Ultralytics Platform'ı kullanıma sunduk. Bu platform, veri seti yönetimi, ek açıklama ekleme, eğitim, dağıtım ve izleme süreçlerini tek bir birleşik iş akışında toplayan uçtan uca bir çalışma alanıdır.

Bilgisayarlı görü yaşam döngüsünün her aşamasını birbirine bağlayarak, veri seti değişikliklerini izlemek, performansları sürümler arasında karşılaştırmak ve daha iyi sonuçlar için verilerini sürekli olarak iyileştirmek kolaylaşır.

Şekil 1. Ultralytics Platform içinde veri seti görüntülerini inceleme örneği (Kaynak)

Bu makalede, daha güvenilir bilgisayarlı görü modelleri oluşturmak için Ultralytics Platform'ın veri setlerini izlemenize, karşılaştırmanıza ve iyileştirmenize nasıl yardımcı olduğuna derinlemesine bakacağız. Hadi başlayalım!

Link to this sectionBilgisayarlı görüde veri seti yönetiminin önemi#

Bir bilgisayarlı görü modelinin performansı, eğitildiği verilerle yakından ilişkilidir. Model doğruluğu, yani tahminlerin ne sıklıkla doğru olduğu, sadece algoritmaya değil, veri setinin gerçek dünya koşullarını ne kadar iyi temsil ettiğine bağlıdır.

Basitçe ifade etmek gerekirse, bir model kalıpları doğrudan veriden öğrenir; bu nedenle veri setindeki herhangi bir boşluk, önyargı veya tutarsızlık tahmin yapma şeklini etkileyebilir. Başka bir deyişle, düşük kaliteli veriler, yanlış ek açıklamalar veya farklı ışık koşulları, nesne açıları, arka planlar veya tıkanıklık seviyeleri gibi gerçek dünya varyasyonlarının sınırlı kapsamı, model mimarisi güçlü olsa bile doğruluğu önemli ölçüde düşürebilir.

Bu durum, önceden eğitilmiş bir modelin belirli bir kullanım durumuna veya ortama daha iyi uyum sağlaması için yeni veya güncellenmiş verilerle yeniden eğitildiği ince ayar (fine-tuning) sürecinde de geçerlidir. Model doğruluğu veriye bu kadar bağlı olduğundan, veriyi düzgün yönetmek esas hale gelir.

Veri seti yönetimi; verilerin doğru ve güncel kalmasını sağlamak için düzenlenmesini, etiketlenmesini ve sürekli güncellenmesini içerir. Bu, özellikle modelleri yeni verilerle yeniden eğitirken veya ince ayar yaparken performansı zaman içinde artırmayı kolaylaştırır.

Link to this sectionVeri seti kalitesi gerçek dünya güvenilirliğini nasıl etkiler?#

Güvenlik izleme sistemleri gibi bilgisayarlı görü kullanım durumları, doğru veri yönetiminin neden hayati olduğunun harika bir örneğidir. Bu sistemlerin farklı ışık ortamları, kamera açıları, kalabalık seviyeleri ve kısmi tıkanıklıklar dahil olmak üzere çeşitli gerçek dünya koşullarında güvenilir bir şekilde çalışması gerekir.

Eğer eğitim verileri bu varyasyonları kapsamıyorsa veya nesnelerin farklı sahneler ve koşullarda nasıl göründüğü konusunda çeşitlilikten yoksunsa, model nesneleri doğru bir şekilde algılamakta zorlanabilir. Örneğin, çoğunlukla iyi aydınlatılmış ve düzenli sahnelerde eğitilmiş bir model, düşük ışıklı ortamlarda veya kalabalık ortamlarda düşük performans gösterebilir. Güvenlik sistemlerinde bu durum, kaçırılan olaylara veya yanlış alarmlara yol açabilir.

Bundan kaçınmak için, sadece temiz ve doğru bir şekilde etiketlenmiş değil, aynı zamanda dengeli ve sürekli güncellenen veri setlerini korumak önemlidir. Bu, verideki boşlukların belirlenmesi, koşullar değiştikçe yeni örneklerin eklenmesi ve farklı sınıfların ve ortamların eşit şekilde temsil edilmesini sağlamak anlamına gelir.

Daha eksiksiz ve yapılandırılmış bir veri setiyle, modeller gerçek dünya değişkenliğini ele almak ve daha güvenilir tahminler üretmek için daha donanımlı hale gelir.

Link to this sectionVeri seti yönetiminin temel yönleri#

Peki, veri seti yönetimi aslında neye benziyor? Verilerin model geliştirme süreci boyunca etkili bir şekilde kullanılabilmesi için düzenlenmesini, etiketlenmesini ve korunmasını içerir.

Örneğin verileri düzenlemek, veri setini yapılandırmayı ve eğitim, doğrulama ve test setlerine ayırmayı içerir. Eğitim seti modeli eğitmek için kullanılır, doğrulama seti performansı izlemek ve geliştirme sürecinde ayarlamalar yapmak için kullanılır, test seti ise nihai modelin tamamen görülmemiş veriler üzerinde ne kadar iyi performans gösterdiğini değerlendirmek için kullanılır.

Bu arada, etiketleme; görüntülerin sınıf etiketleri, sınırlayıcı kutular (bounding boxes) veya segmentasyon maskeleri gibi ayrıntılarla açıklanmasını içerir. Model bu açıklamalardan öğrendiği için, anlamlı kalıpları öğrenmesine ve güvenilir tahminler yapmasına yardımcı olmak adına doğruluk ve tutarlılık çok önemlidir.

Buna ek olarak, veri setini korumak, verilerin zaman içinde gözden geçirilmesini ve güncellenmesini gerektirir. Bu; ek açıklama hatalarının düzeltilmesini, düşük kaliteli veya yinelenen verilerin kaldırılmasını ve eksik durumları kapsamak veya değişen koşullara uyum sağlamak için yeni örneklerin eklenmesini içerebilir.

Daha genel olarak, veri seti yönetimi devam eden bir süreçtir. Modeller değerlendirildikçe ve yeni veriler toplandıkça, veri setlerinin gerçek dünya koşullarını ve uç durumları yansıtacak şekilde güncellenmesi gerekir. Bu güncellemeleri izlemek ve farklı sürümleri karşılaştırmak, ekiplerin neyin performansı artırdığını ve nerede daha fazla değişiklik yapılması gerektiğini anlamalarına yardımcı olur.

Link to this sectionUltralytics Platform ile veri setlerini yönetme#

Ultralytics Platform, veri hazırlamadan dışa aktarmaya kadar her şeyi kapsayan tek bir ortamda veri setlerini yönetmek için yapılandırılmış bir iş akışı sağlar. Hem bireysel geliştiricileri hem de ekipleri destekleyecek şekilde tasarlanmıştır; bu sayede ister bağımsız çalışın ister projeler arasında iş birliği yapın, veri setlerini tutarlı bir şekilde yönetmenizi kolaylaştırır.

Her aşama, veri setlerinin model geliştirme yaşam döngüsü boyunca nasıl düzenlendiğini, işlendiğini ve kullanıldığını basitleştirmek için tasarlanmıştır. Bu adımları tek bir yerde toplayarak platform, parçalanmayı azaltır ve iş akışlarında tutarlılığı korumayı daha basit hale getirir.

Şimdi, ilgili temel adımları ve platformun her birini nasıl desteklediğini inceleyelim.

Link to this sectionVeri setlerini Ultralytics Platform'a yükleme#

Platformdaki veri setleriyle çalışmaya başlamak esnektir; verileri içeri aktarmanın veya yeniden kullanmanın birden fazla yolu vardır. Kendi verilerinizi yükleyebilir veya platform aracılığıyla sunulan genel veri setlerini kullanarak daha hızlı başlayabilirsiniz. Ayrıca topluluk tarafından paylaşılan mevcut veri setlerini klonlayabilir ve bunlar üzerine inşa edebilirsiniz.

Platformun topluluk özellikleri, mevcut çalışmaları keşfetmeyi ve yeniden kullanmayı kolaylaştırır. Milyonlarca görüntü ve ek açıklama dahil olmak üzere diğer kullanıcılar tarafından oluşturulan veri setlerine erişim sayesinde, her şeyi kendiniz toplamak ve etiketlemek zorunda kalmadan hızlıca başlayabilirsiniz. Bir veri setini klonlamak, çalışma alanınızda bir kopyasını oluşturur ve orijinali koruyarak onu değiştirmenize ve genişletmenize olanak tanır.

Yüklemeler için platform; tekil görüntüleri, videoları ve ZIP, TAR veya GZ dosyaları gibi veri seti arşivlerini destekler. Ayrıca YOLO ve COCO gibi yaygın kullanılan veri seti formatlarını destekleyerek, ek dönüştürme gerektirmeden mevcut veri setlerini ve ek açıklamaları içe aktarmayı kolaylaştırır. Bunun ötesinde, platformdan dışa aktarılan bir NDJSON dosyası kullanarak bir veri seti yükleyebilir, böylece projeler arasında veri setlerini yeniden oluşturmayı veya yeniden kullanmayı kesintisiz hale getirebilirsiniz.

Veriler yüklendikten sonra platform, verileri yapılandırılmış bir boru hattı üzerinden işler. Bu; dosya biçimlerini ve boyutlarını doğrulamayı, gerektiğinde görüntüleri yeniden boyutlandırmayı, ek açıklamaları ayrıştırmayı ve veri seti istatistikleri oluşturmayı içerir.

Örneğin, videolar eğitim için kullanılabilmeleri amacıyla karelere dönüştürülürken, görüntüler daha kolay göz atma ve analiz için optimize edilir ve hazırlanır. İşlemden sonra veri setleri, platform içinde ek açıklama ekleme, analiz ve model eğitimi için kullanıma hazır hale gelir.

Link to this sectionUltralytics Platform'da veri etiketleme#

Yüklendikten sonra veri setleri, doğrudan platform içinde incelenebilir ve etiketlenebilir. Platform; nesne algılama, örnek bölümleme, poz tahmini, yönlendirilmiş sınırlayıcı kutu (OBB) algılama ve görüntü sınıflandırma gibi çeşitli bilgisayarlı görü görevleri için yerleşik görüntü etiketleme araçlarını içerir.

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

Ek açıklamalar bu araçlar kullanılarak manuel olarak oluşturulabilir veya SAM destekli akıllı etiketleme gibi AI destekli özelliklerle hızlandırılabilir. SAM ile görüntüyle etkileşime girerek maskeler, sınırlayıcı kutular veya yönlendirilmiş kutular oluşturabilir, doğruluğu korurken etiketleme sürecini hızlandırmaya yardımcı olabilirsiniz.

Link to this sectionUltralytics Platform ile veri seti kalitesini analiz etme#

Verileri hazırlamanın ve etiketlemenin yanı sıra, güvenilir bilgisayarlı görü modelleri oluşturmak için veri seti kalitesini anlamak çok önemlidir. Sınıf dağılımı, ek açıklama kalitesi, veri seti ayrımları ve verilerin farklı koşullar altında nasıl temsil edildiği gibi faktörler hakkında net bir görüş olmadan, model performansını etkileyen sorunları tespit etmek zor olabilir.

Ultralytics Platform, veri setlerini daha etkili bir şekilde analiz etmeye yardımcı olacak yerleşik özellikler içerir. Bu içgörüler, Görüntüler, Sınıflar ve Grafikler gibi sekmeler aracılığıyla doğrudan veri seti arayüzünde mevcuttur.

Grafikler sekmesinde; ayrım dağılımı (eğitim, doğrulama ve test), sınıf frekansı ve nesnelerin görüntüler içinde nerede göründüğünü gösteren ek açıklama ısı haritaları gibi veri seti düzeyindeki istatistikleri görüntüleyebilirsiniz.

Sınıflar sekmesi, sınıf başına ek açıklama sayısının dökümünü sağlayarak sınıf dengesizliğini tespit etmeyi kolaylaştırır. Bu arada Görüntüler sekmesi; boyutlar, ek açıklama sayıları ve etiketlerin tekil görüntüler arasında nasıl dağıldığı gibi görüntü düzeyi ayrıntılarını gösterir.

Bu içgörüler; sınıf dengesizliği, eksik senaryolar veya düzensiz veri dağılımı gibi sorunları tanımlamayı kolaylaştırır. Örneğin, belirli sınıfların çok az örneğe sahip olduğunu veya çoğu ek açıklamanın görüntünün belirli bölgelerinde yoğunlaştığını fark edebilirsiniz.

Veri analizinin ötesinde platform, veri seti iyileştirmeyi ve artırmayı destekler; yani sorunlu verileri düzelterek veya kaldırarak veri setlerini iyileştirir ve model performansını artırmak için mevcut verilerin varyasyonlarını oluşturur. Bu iyileştirmeler, ek açıklamaları güncelleyerek, yeni veriler ekleyerek veya analizlerden elde edilen içgörülere göre veri seti ayrımlarını yeniden düzenleyerek doğrudan platform içinde yapılabilir.

Link to this sectionUltralytics Platform'dan veri setlerini dışa aktarma#

Bir veri seti hazırlandığında ve doğrulandığında, farklı ortamlarda kullanılmak üzere dışa aktarılabilir. Bu, modelleri yerel olarak, bulutta veya başka araç ve iş akışlarında eğitiyor olsanız bile bilgisayarlı görü verilerinizi tercih ettiğiniz her yerde kullanma esnekliği sağlar.

Ultralytics Platform; YOLO, COCO ve NDJSON dahil olmak üzere birden fazla dışa aktarma formatını destekleyerek veri setlerini farklı eğitim iş akışlarına ve araçlarına entegre etmeyi kolaylaştırır.

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

Bir veri setini dışa aktarmak, görüntüleri, ek açıklamaları ve yapısı dahil olmak üzere verinin belirli bir zamandaki sabit anlık görüntüsünü oluşturur. Yeni veriler eklendikçe, ek açıklamalar güncellendikçe veya ayrımlar ayarlandıkça veri setleri genellikle değiştiğinden bu yararlıdır. Bir anlık görüntüyü dışa aktararak, belirli bir eğitim çalışması için kullanılan veri setinin tam sürümünü koruyabilirsiniz.

Bu, sonuçları daha sonra yeniden üretmeyi basitleştirir; çünkü bir modeli aynı veri kurulumunda tekrar eğitebilir ve farklı veri seti sürümleri arasındaki performansı karşılaştırabilirsiniz. Örneğin, neyin değiştiğini tahmin etmek yerine, yeni görüntülerin eklenmesinin veya ek açıklamaların düzeltilmesinin model doğruluğunu gerçekten artırıp artırmadığını değerlendirebilirsiniz.

Dışa aktarma işlemleri eşzamansız olarak gerçekleştirilir ve hazır olduğunda veri setleri indirilebilir ve yerel, bulut veya çevrimdışı eğitim ortamlarında kullanılabilir.

Link to this sectionUltralytics Platform'da iterasyonlar yoluyla veri seti kalitesini iyileştirme#

Makine öğrenimi ve derin öğrenme iş akışlarında, gerçek dünya verileri eğitim sırasında kullanılan verilerden genellikle farklı olduğundan, veri seti yönetimi dağıtımdan sonra bile devam eder.

Modeller yeni girdilerle karşılaştıkça; düşük ışıklı ortamlar, farklı kamera açıları, tıkanıklıklar veya kalabalık sahneler gibi eksik koşullar ve ek açıklama hataları gibi veri setindeki boşluklar daha belirgin hale gelir ve bu da verilerin zaman içinde iyileştirilmesini gerektirir.

Bir veri setini iyileştirmenin birkaç yolu vardır. Düşük ışıklı ortamlar, farklı kamera açıları, tıkanıklıklar veya kalabalık sahneler gibi eksik koşulları kapsamak için yeni görüntüler veya videolar ekleyebilir, böylece verideki kör noktaları azaltmaya yardımcı olabilirsiniz.

Aynı zamanda; doğru etiketlenmiş nesneler ve kesin sınırlayıcı kutular veya maskeler gibi ek açıklamaların doğru ve tutarlı olmasını sağlamak, modelin daha güvenilir kalıpları öğrenmesine yardımcı olur.

Bu genellikle basit bir döngüyü takip eder: modeli eğit, sonuçları değerlendir, hataları tanımla, veri setini iyileştir ve yeniden eğit. Her adım; yanlış ek açıklamalar, eksik veriler veya yetersiz temsil edilen durumlar gibi sorunları vurgulamaya yardımcı olur.

Diyelim ki mağazalardaki ürünleri tespit etmek için kullanılan gerçek zamanlı bir raf izleme sistemi üzerinde çalışıyorsunuz. Veri setinin erken sürümleri belirli ürün türlerini, ışık koşullarını veya kalabalık raf düzenlerini içermeyebilir. Değerlendirme sırasında, modelin bu durumlarda öğeleri tespit etmekte zorlandığını fark edebilirsiniz.

Performansı artırmak için bu eksik senaryoları kapsayan yeni görüntüler toplayabilir ve gerektiğinde ek açıklamaları güncelleyebilirsiniz. Zamanla bu süreci tekrarlamak, modelin gerçek dünya koşullarında daha doğru ve güvenilir hale gelmesine yardımcı olur.

Ultralytics Platform, veri seti güncellemelerini eğitim ve değerlendirme ile birbirine bağlayarak bu iş akışını destekler. Yerleşik deneme izleme ve performans metrikleri ile ilerlemeyi izlemek ve veri setlerini zaman içinde sürekli olarak iyileştirmek daha kolay hale gelir.

Link to this sectionUltralytics Platform kullanarak veri seti değişikliklerini izleme#

Model geliştirme sürecinin bir parçası olarak veri setlerinin zaman içinde nasıl geliştiğini kısaca tartıştık. Yeni veriler eklendikçe, ek açıklamalar iyileştirildikçe ve sınıflar güncellendikçe, bu değişiklikleri takip etmek, veri kalitesini korumak ve tutarlı model performansı sağlamak için anahtar haline gelir.

İşte veri seti izlemeyi ve sürüm kontrolünü destekleyen bazı önemli Ultralytics Platform özellikleri:

• Veri seti sürüm oluşturma: NDJSON anlık görüntüleri olarak sabit veri seti sürümleri oluşturabilirsiniz. Her sürüm; görüntü sayısı, sınıf sayısı, ek açıklama sayısı ve veri seti boyutu gibi önemli ayrıntıları belirli bir zamanda yakalar. Bu sürümler saklanır ve daha sonra indirilebilir, bu da denemeleri yeniden üretmeyi ve farklı veri seti durumları arasındaki sonuçları karşılaştırmayı kolaylaştırır.
• Sürümler sekmesi: Tüm veri seti sürümleri, sürüm geçmişini görüntüleyebileceğiniz, değişikliklere açıklamalar ekleyebileceğiniz ve veri setinin zaman içinde nasıl geliştiğini izleyebileceğiniz Sürümler sekmesinde düzenlenir.
• Modellerle bağlantı: Modeller sekmesi, mAP ve eğitim ayrıntıları gibi metrikler dahil olmak üzere bir veri seti üzerinde eğitilmiş tüm modelleri gösterir. Veri seti sürümleri eğitim çalışmalarına bağlıdır, bu da verideki değişikliklerin model performansını nasıl etkilediğini anlamanıza yardımcı olur.
• Hatalar sekmesi: Hatalar sekmesi, işleme sırasında başarısız olan dosyaları, hata ayrıntıları ve önerilerle birlikte vurgular. Bu, eğitimden önce bozuk dosyalar veya desteklenmeyen biçimler gibi sorunları tanımlamanızı ve düzeltmenizi sağlar.
• Veri seti arayüzü (Görüntüler ve Sınıflar sekmeleri): Bu görünümler; görüntülere göz atmanıza, ek açıklamaları incelemenize, sınıf etiketlerini yönetmenize ve sınıf dağılımını analiz etmenize olanak tanır. Filtreleme, sıralama ve etiketlenmemiş görüntüleri tanımlama gibi özellikler, veri seti kalitesini zaman içinde izlemeyi kolaylaştırır.
• İstatistikler ve grafikler: Ayrım dağılımı, sınıf frekansı ve ek açıklama ısı haritaları gibi yerleşik veri görselleştirmeleri, veri dağılımındaki değişiklikleri izlemeye ve veri seti geliştikçe dengesizlikleri belirlemeye yardımcı olur.

Şekil 4. Ultralytics Platform'da bir veri setinin sınıf dağılımını analiz etmeye bir bakış (Kaynak)

Link to this sectionUltralytics Platform içinde veri setlerini eğitim ve dağıtıma bağlama#

Ultralytics Platform, AI modeli geliştirmenin farklı aşamalarını tek bir boru hattında birleştirir. Bu, ham veriden üretime hazır Vision AI uygulamalarına geçiş sürecini kolaylaştırır.

Veri setleri hazırlanıp etiketlendikten sonra, doğrudan platform içinde Ultralytics YOLO26 gibi bilgisayarlı görü modellerini eğitmek için kullanılabilirler. Eğitim sırasında; performans metriklerini izleyebilir, denemeleri takip edebilir ve yerleşik panelleri kullanarak modelin ne kadar iyi öğrendiğini değerlendirebilirsiniz.

Şekil 5. Ultralytics Platform'da model eğitim metriklerini görüntülemeye bir bakış (Kaynak)

Eğitimden sonra modeller, tahminleri değerlendirmek ve dağıtımdan önce iyileştirilmesi gereken alanları belirlemek için doğrudan tarayıcıda yeni görüntüler üzerinde test edilebilir. Model iyi performans gösterdiğinde, üretime dağıtılabilir.

Platform, modelleri birden fazla formata dışa aktarmayı veya bunları çıkarım hizmetleri ve özel uç noktalar aracılığıyla dağıtmayı destekleyerek farklı ortamlarda çalışmalarına olanak tanır.

Dağıtıldıktan sonra, yerleşik izleme araçları; kullanım ve model davranışıyla ilgili metrikler dahil olmak üzere sistem performansını zaman içinde izlemeye yardımcı olur. Bu, Vision AI sistemlerini gerçek dünya uygulamalarında korumayı ve iyileştirmeyi daha basit hale getirir.

Link to this sectionUltralytics Platform ile veri seti yönetimi için en iyi uygulamalar#

Ultralytics Platform'u kullanarak veri setlerinizi yönetirken aklınızda bulundurmanız gereken bazı önemli faktörler şunlardır:

• Boşlukları bulmak için filtreleri kullan: Filtreleme araçlarını kullanarak etiketlenmemiş veya yetersiz temsil edilen verileri tanımla, böylece ek açıklamaları tamamlamayı ve kapsamı iyileştirmeyi daha kesintisiz hale getir.
• Hataları erken düzelt: Başarısız yüklemeleri, bozuk dosyaları veya desteklenmeyen biçimleri eğitimden önce yakalamak için kalite kontrol amacıyla Hatalar sekmesini kullan.
• Veri setlerini sürekli güncelle: Yeni veriler ekle, ek açıklamaları düzelt ve ortaya çıktıkça uç durumları dahil et. Bu, kapsamı iyileştirmeye ve modellerin gerçek dünya senaryolarında güvenilir bir şekilde performans göstermesini sağlamaya yardımcı olur.
• Veri seti ayrımlarını dikkatli yönet: Eğitim, doğrulama ve test setleri arasında iyi bir denge sağla. Ayrımları manuel olarak yeniden düzenleyebilir veya gerektiğinde otomatik yeniden dağıtımı kullanabilirsin.

Ultralytics Platform hakkında daha fazla bilgi edinmek için resmi Ultralytics dokümantasyonuna göz at.

Link to this sectionÖne çıkanlar#

Bilgisayarlı görü projeleri ölçeklendikçe, veri setlerini etkili bir şekilde yönetmek model geliştirme kadar önemli hale gelir. Veri seti yönetimine yapılandırılmış bir yaklaşım; veri kalitesini iyileştirmeye, iş akışlarını kolaylaştırmaya ve zaman içinde daha iyi model performansını desteklemeye yardımcı olur.

Ultralytics Platform; veri seti yönetimi, eğitim ve dağıtımı tek bir iş akışında toplayarak bu süreci basitleştirir. Veri seti yönetimine yapılandırılmış bir yaklaşım benimseyerek ekipler; karmaşıklığı azaltabilir, verimliliği artırabilir ve daha ölçeklenebilir ve güvenilir bilgisayarlı görü sistemleri oluşturabilir.

Büyüyen topluluğumuza katıl ve AI kaynakları için GitHub depomuzu keşfet. Vision AI ile bugün bir şeyler inşa etmek için lisanslama seçeneklerimize göz at. Tarımda AI uygulamasının çiftçiliği nasıl dönüştürdüğünü ve sağlıkta Vision AI uygulamasının geleceği nasıl şekillendirdiğini öğrenmek için çözüm sayfalarımızı ziyaret et.