Ultralytics Platform ile bilgisayarlı görüde akıllı veri kümesi yönetimi

Görüntü yapay zekâsı veya bilgisayarlı görü, ilk dönemlerinden bu yana uzun bir yol kat ederek deneysel araştırmalardan gerçek dünya uygulamalarına güç veren temel bir teknolojiye dönüştü. Günümüzde yapay zekâ meraklıları, erişilebilir araçlar ve çerçeveler kullanarak nesne algılama ve örnek segmentasyonu gibi görevler için güçlü modeller oluşturabilir.

Ancak bu uygulamalar deneme aşamasından üretime geçerken veri kümesi yönetimi hâlâ kritik ve çoğu zaman gözden kaçırılan bir zorluk. Bilgisayarlı görü veri kümeleri boyut ve karmaşıklık açısından büyüdükçe ekipler tutarlı açıklamaları korumakta, sürümler arasındaki değişiklikleri izlemekte ve genel veri kalitesini güvence altına almakta sıklıkla zorlanıyor.

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

Bir diğer yaygın sınırlama, veri toplama, açıklama ve eğitimin çoğu zaman ayrı araçlarla yürütülmesidir. Parçalı bir iş akışı veri kümelerini verimli biçimde yönetmeyi zorlaştırır, tutarsızlık riskini artırır ve yinelemeleri yavaşlatır.

Veri kümesi yönetimi ve parçalı iş akışları gibi görüntü yapay zekâsı darboğazlarını çözmek için yakın zamanda Ultralytics Platform platformunu kullanıma sunduk. Bu platform; veri kümesi yönetimi, açıklama, eğitim, dağıtım ve izlemeyi tek bir birleşik iş akışında bir araya getiren uçtan uca bir çalışma alanıdır.

Bilgisayarlı görü yaşam döngüsünün her aşamasını birbirine bağlamak; veri kümesi değişikliklerini izlemeyi, sürümler arasındaki performansı karşılaştırmayı ve daha iyi sonuçlar için verilerini sürekli iyileştirmeyi kolaylaştırır.

Şekil 1. Veri kümesi görüntülerinin Ultralytics Platform içinde görüntülenmesine bir örnek (Kaynak)

Bu makalede Ultralytics Platform'un daha güvenilir bilgisayarlı görü modelleri oluşturmak için veri kümelerini izlemenize, karşılaştırmanıza ve iyileştirmenize nasıl yardımcı olduğunu ele alacağız. Hadi başlayalım!

Bilgisayarlı görüde veri kümesi yönetiminin önemi#

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

Basitçe söylemek gerekirse model, örüntüleri doğrudan verilerden öğrenir; bu nedenle veri kümesindeki boşluklar, önyargılar veya tutarsızlıklar tahmin yapma biçimini etkileyebilir. Başka bir deyişle, model mimarisi güçlü olsa bile düşük kaliteli veriler, hatalı açıklamalar veya görüntülerdeki farklı aydınlatma koşulları, nesne açıları, arka planlar ya da örtülme düzeyleri gibi gerçek dünya değişkenlerinin sınırlı kapsamı doğruluğu önemli ölçüde azaltabilir.

Bu durum, belirli bir kullanım alanına veya ortama daha iyi uyum sağlaması için önceden eğitilmiş bir modelin yeni ya da güncellenmiş verilerle daha fazla eğitildiği ince ayar işlemi için de geçerlidir. Model doğruluğu verilere bu kadar güçlü biçimde bağlı olduğundan, bu verileri düzgün yönetmek temel önem taşır.

Veri kümesi yönetimi, verilerin doğru ve ilgili kalmasını sağlamak için düzenlenmesini, etiketlenmesini ve sürekli güncellenmesini kapsar. Bu, özellikle modeller yeni verilerle yeniden eğitilirken veya ince ayarlanırken performansı zaman içinde iyileştirmeyi kolaylaştırır.

Veri kümesi kalitesi gerçek dünya güvenilirliğini nasıl etkiler?#

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

Eğitim verileri bu değişkenleri kapsamıyorsa veya nesnelerin farklı sahne ve koşullarda nasıl göründüğü konusunda çeşitlilikten yoksunsa model, nesneleri doğru biçimde algılamakta zorlanabilir. Örneğin çoğunlukla iyi aydınlatılmış ve karmaşık olmayan sahnelerle eğitilen bir model, düşük ışıklı ortamlarda veya kalabalık alanlarda düşük performans gösterebilir. Güvenlik sistemlerinde bu durum, olayların gözden kaçmasına veya hatalı uyarılara yol açabilir.

Bundan kaçınmak için yalnızca temiz ve doğru etiketlenmiş değil, aynı zamanda iyi dengelenmiş ve sürekli güncellenen veri kümelerini korumak önemlidir. Bu; verilerdeki boşlukları belirlemek, koşullar değiştikçe yeni örnekler eklemek ve farklı sınıfların ve ortamların eşit biçimde temsil edildiğinden emin olmak anlamına gelir.

Daha eksiksiz ve yapılandırılmış bir veri kümesi sayesinde modeller, gerçek dünyadaki değişkenliklerle başa çıkmak ve daha güvenilir tahminler üretmek için daha donanımlı olur.

Veri kümesi yönetiminin temel unsurları#

Peki veri kümesi yönetimi gerçekte nasıl görünür? Model geliştirme sürecinin tamamında verilerin etkili biçimde kullanılabilmesi için düzenlenmesini, etiketlenmesini ve korunmasını içerir.

Örneğin verileri düzenlemek; veri kümesini yapılandırmayı ve eğitim, doğrulama ve test kümelerine ayırmayı kapsar. Eğitim kümesi modele öğretmek, doğrulama kümesi geliştirme sırasında performansı izlemek ve ayarlamalara yön vermek, test kümesi ise nihai modelin tamamen görülmemiş veriler üzerindeki performansını değerlendirmek için kullanılır.

Buna karşılık etiketleme; görüntülere sınıf etiketleri, sınırlayıcı kutular veya segmentasyon maskeleri gibi ayrıntılarla açıklama eklemeyi içerir. Model bu açıklamalardan öğrendiği için doğruluk ve tutarlılık, anlamlı örüntüler öğrenmesine ve güvenilir tahminler yapmasına yardımcı olmak açısından kritik öneme sahiptir.

Bunlara ek olarak veri kümesini korumak, verileri zaman içinde gözden geçirmeyi ve güncellemeyi gerektirir. Bu işlemler; açıklama hatalarını düzeltmeyi, düşük kaliteli veya yinelenen verileri kaldırmayı ve eksik durumları ya da değişen koşulları kapsayacak yeni örnekler eklemeyi içerebilir.

Daha geniş anlamda veri kümesi yönetimi devam eden bir süreçtir. Modeller değerlendirildikçe ve yeni veriler toplandıkça veri kümelerinin gerçek dünya koşullarını ve uç durumları yansıtacak şekilde güncellenmesi gerekir. Bu güncellemeleri izlemek ve farklı sürümleri karşılaştırmak, ekiplerin performansı neyin iyileştirdiğini ve hangi alanlarda daha fazla değişiklik gerektiğini anlamasına yardımcı olur.

Ultralytics Platform ile veri kümelerini yönetme#

Ultralytics Platform, veri hazırlamadan dışa aktarmaya kadar her şeyi kapsayarak veri kümelerini tek bir ortamda yönetmek için yapılandırılmış bir iş akışı sunar. Hem bireysel geliştiricileri hem de ekipleri desteklemek üzere tasarlanmıştır; ister bağımsız çalış ister projeler arasında iş birliği yap, veri kümelerini tutarlı biçimde yönetmeni kolaylaştırır.

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

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

Veri kümelerini Ultralytics Platform'a yükleme#

Platformda veri kümeleriyle çalışmaya başlamak esnektir; verileri içe aktarmanın veya yeniden kullanmanın birden fazla yolu vardır. Kendi verilerini yükleyebilir ya da platformda bulunan herkese açık veri kümelerini kullanarak daha hızlı başlayabilirsin. Ayrıca topluluk tarafından paylaşılan mevcut veri kümelerini klonlayıp bunların üzerine inşa edebilirsin.

Platformun topluluk özellikleri, mevcut çalışmaları keşfetmeyi ve yeniden kullanmayı kolaylaştırır. Milyonlarca görüntü ve açıklama içeren, diğer kullanıcılar tarafından oluşturulmuş veri kümelerine erişerek her şeyi kendin toplamak ve etiketlemek zorunda kalmadan hızlıca başlayabilirsin. Bir veri kümesini klonlamak, çalışma alanında bir kopya oluşturur; böylece orijinali korurken onu değiştirebilir ve genişletebilirsin.

Platform, yüklemeler için tek tek görüntüleri, videoları ve ZIP, TAR veya GZ dosyaları gibi veri kümesi arşivlerini destekler. Ayrıca YOLO ve COCO gibi yaygın kullanılan veri kümesi formatlarını desteklediğinden mevcut veri kümelerini ve açıklamaları ek dönüştürme işlemi olmadan içe aktarmayı kolaylaştırır. Bunun yanı sıra platformdan dışa aktarılan bir NDJSON dosyasını kullanarak veri kümesi yükleyebilir, böylece veri kümelerini projeler arasında sorunsuz biçimde yeniden oluşturabilir veya kullanabilirsin.

Veriler yüklendikten sonra platform, verileri yapılandırılmış bir işlem hattından geçirir. Bu işlem; gerektiğinde dosya biçimlerini ve boyutlarını doğrulamayı, görüntüleri yeniden boyutlandırmayı, açıklamaları ayrıştırmayı ve veri kümesi istatistikleri oluşturmayı içerir.

Örneğin videolar, eğitimde kullanılabilmeleri için karelere dönüştürülür; görüntüler ise daha kolay tarama ve analiz için optimize edilip hazırlanır. İşleme tamamlandıktan sonra veri kümeleri, platform içinde açıklama, analiz ve model eğitimi için kullanılmaya hazır olur.

Ultralytics Platform'da veri açıklama#

Yüklendikten sonra veri kümeleri doğrudan platform içinde incelenebilir ve açıklanabilir. Platform; nesne algılama, örnek segmentasyonu, poz tahmini, 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'un kullanılması (Kaynak)

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

Ultralytics Platform ile veri kümesi kalitesini analiz etme#

Verileri hazırlamaya ve açıklamaya ek olarak veri kümesi kalitesini anlamak, güvenilir bilgisayarlı görü modelleri oluşturmak için gereklidir. Sınıf dağılımı, açıklama kalitesi, veri kümesi bölümleri ve verilerin farklı koşullarda nasıl temsil edildiği gibi unsurlar net biçimde görülmediğinde, model performansını etkileyen sorunları fark etmek zor olabilir.

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

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

Sınıflar sekmesi, sınıf başına açıklama sayılarının dökümünü sunarak sınıf dengesizliğini fark etmeyi kolaylaştırır. Görüntüler sekmesi ise boyutlar, açıklama sayıları ve etiketlerin tek tek görüntüler arasındaki dağılımı gibi görüntü düzeyindeki ayrıntıları gösterir.

Bu içgörüler; sınıf dengesizliği, eksik senaryolar veya eşit olmayan veri dağılımı gibi sorunları belirlemeyi kolaylaştırır. Örneğin bazı sınıfların çok az örneğe sahip olduğunu veya açıklamaların çoğunun görüntünün belirli bölgelerinde yoğunlaştığını fark edebilirsin.

Veri analizinin ötesinde platform, veri kümelerinin iyileştirilmesini ve artırılmasını destekler; yani sorunlu verileri düzelterek veya kaldırarak veri kümelerini geliştirmeyi ve model performansını artırmak için mevcut verilerin varyasyonlarını oluşturmayı sağlar. Bu iyileştirmeler, analizden elde edilen içgörülere göre açıklamaları güncelleyerek, yeni veriler ekleyerek veya veri kümesi bölümlerini yeniden düzenleyerek doğrudan platform içinde yapılabilir.

Veri kümelerini Ultralytics Platform'dan dışa aktarma#

Bir veri kümesi hazırlanıp doğrulandıktan sonra farklı ortamlarda kullanılmak üzere dışa aktarılabilir. Bu sayede bilgisayarlı görü verilerini modelleri yerel olarak, bulutta veya başka araç ve iş akışlarında eğitmek dâhil olmak üzere tercih ettiğin her yerde kullanma esnekliğine sahip olursun.

Ultralytics Platform, YOLO, COCO ve NDJSON dâhil olmak üzere birden fazla dışa aktarma formatını destekler; bu da veri kümelerini farklı eğitim iş akışlarına ve araçlarına entegre etmeyi kolaylaştırır.

Şekil 3. Ultralytics Platform'dan veri kümesi dışa aktarmaya bir bakış (Kaynak)

Bir veri kümesini dışa aktarmak, görüntüleri, açıklamaları ve yapısı dâhil olmak üzere verilerin belirli bir zamandaki sabit bir anlık görüntüsünü oluşturur. Veri kümeleri yeni veriler eklendikçe, açıklamalar güncellendikçe veya bölümler ayarlandıkça sıklıkla değiştiği için bu kullanışlıdır. Bir anlık görüntüyü dışa aktararak belirli bir eğitim çalıştırmasında kullanılan veri kümesinin tam sürümünü koruyabilirsin.

Bu, sonuçları daha sonra yeniden üretmeyi kolaylaştırır; aynı veri düzeniyle tekrar model eğitebilir ve farklı veri kümesi sürümlerindeki performansı karşılaştırabilirsin. Örneğin neyin değiştiğini tahmin etmek yerine yeni görüntüler eklemenin veya açıklamaları düzeltmenin model doğruluğunu gerçekten iyileştirip iyileştirmediğini değerlendirebilirsin.

Dışa aktarma işlemleri eşzamansız olarak gerçekleştirilir; hazır olduklarında veri kümeleri indirilebilir ve yerel, bulut veya çevrimdışı eğitim ortamlarında kullanılabilir.

Ultralytics Platform'da yinelemelerle veri kümesi kalitesini iyileştirme#

Makine öğrenimi ve derin öğrenme iş akışlarında veri kümesi yönetimi dağıtımdan sonra da devam eder; çünkü gerçek dünya verileri çoğu zaman eğitim sırasında kullanılan verilerden farklıdır.

Modeller yeni girdilerle karşılaştıkça, düşük ışıklı ortamlar, farklı kamera açıları, örtülmeler veya kalabalık sahneler gibi eksik koşulların yanı sıra veri kümesindeki boşluklar ve açıklama hataları daha belirgin hâle gelir; bu da verileri zaman içinde iyileştirmeyi gerekli kılar.

Bir veri kümesini iyileştirmenin çeşitli yolları vardır. Düşük ışıklı ortamlar, farklı kamera açıları, örtülmeler veya kalabalık sahneler gibi eksik koşulları kapsayacak yeni görüntüler ya da videolar ekleyerek verilerdeki kör noktaları azaltabilirsin.

Aynı zamanda nesnelerin doğru etiketlenmesi ve sınırlayıcı kutuların veya maskelerin hassas olması gibi açıklamaların doğru ve tutarlı olduğundan emin olmak, modelin daha güvenilir örüntüler öğrenmesine yardımcı olur.

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

Mağazalardaki ürünleri algılamak için kullanılan gerçek zamanlı bir perakende rafı izleme sistemi üzerinde çalıştığını varsayalım. Veri kümesinin ilk sürümlerinde bazı ürün türleri, aydınlatma koşulları veya kalabalık raf düzenleri bulunmayabilir. Değerlendirme sırasında modelin bu durumlarda nesneleri algılamakta zorlandığını fark edebilirsin.

Performansı iyileştirmek için bu eksik senaryoları kapsayan yeni görüntüler toplayabilir ve gerektiğinde açıklamaları güncelleyebilirsin. Bu sürecin zaman içinde tekrarlanması, modelin gerçek dünya koşullarında daha doğru ve güvenilir hâle gelmesine yardımcı olur.

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

Ultralytics Platform ile veri kümesi değişikliklerini izleme#

Veri kümelerinin model geliştirme sürecinin bir parçası olarak zaman içinde nasıl geliştiğini kısaca ele aldık. Yeni veriler eklendikçe, açıklamalar iyileştirildikçe ve sınıflar güncellendikçe bu değişiklikleri takip etmek, veri kalitesini korumak ve model performansında tutarlılığı sağlamak için kritik hâle gelir.

Veri kümesi izleme ve sürüm denetimini destekleyen temel Ultralytics Platform özelliklerinden bazıları şunlardır:

• Veri kümesi sürümleme: NDJSON anlık görüntüleri olarak sabit veri kümesi sürümleri oluşturabilirsin. Her sürüm; belirli bir zamandaki görüntü sayısı, sınıf sayısı, açıklama sayısı ve veri kümesi boyutu gibi temel ayrıntıları yakalar. Bu sürümler saklanır ve daha sonra indirilebilir; böylece deneyleri yeniden üretmek ve farklı veri kümesi durumlarındaki sonuçları karşılaştırmak kolaylaşır.
• Sürümler sekmesi: Tüm veri kümesi sürümleri, sürüm geçmişini görüntüleyebileceğin, değişikliklere açıklama ekleyebileceğin ve veri kümesinin zaman içinde nasıl geliştiğini izleyebileceğin Sürümler sekmesinde düzenlenir.
• Modellerle ilişkilendirme: Modeller sekmesi, bir veri kümesi üzerinde eğitilen tüm modelleri mAP gibi ölçümler ve eğitim ayrıntılarıyla birlikte gösterir. Veri kümesi sürümleri eğitim çalıştırmalarına bağlanır; bu da verilerdeki değişikliklerin model performansını nasıl etkilediğini anlamana yardımcı olur.
• Hatalar sekmesi: Hatalar sekmesi, işleme sırasında başarısız olan dosyaları hata ayrıntıları ve önerilerle birlikte vurgular. Bu sayede eğitimden önce bozuk dosyalar veya desteklenmeyen formatlar gibi sorunları belirleyip düzeltebilirsin.
• Veri kümesi arayüzü (Görüntüler ve Sınıflar sekmeleri): Bu görünümler görüntülere göz atmana, açıklamaları incelemene, sınıf etiketlerini yönetmene ve sınıf dağılımını analiz etmene olanak tanır. Filtreleme, sıralama ve açıklama eklenmemiş görüntüleri belirleme gibi özellikler, 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 bir veri kümesinin sınıf dağılımını analiz etmeye bakış (Kaynak)

Ultralytics Platform içinde veri kümelerini eğitim ve dağıtıma bağlama#

Ultralytics Platform, yapay zekâ modeli geliştirmenin farklı aşamalarını tek bir işlem hattında birleştirir. Bu, ham veriden üretime hazır görüntü yapay zekâsı uygulamalarına geçiş sürecini kolaylaştırır.

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

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

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

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

Dağıtımdan sonra yerleşik izleme araçları; kullanım ve model davranışıyla ilgili ölçümler dâhil olmak üzere sistem performansını zaman içinde takip etmeye yardımcı olur. Bu, gerçek dünya uygulamalarındaki görüntü yapay zekâsı sistemlerini korumayı ve iyileştirmeyi kolaylaştırır.

Ultralytics Platform ile veri kümesi yönetimi için en iyi uygulamalar#

Ultralytics Platform'u kullanarak veri kümelerini yönetirken aklında bulundurman gereken bazı temel unsurlar şunlardır:

• Boşlukları bulmak için filtreleri kullan: Filtreleme araçlarını kullanarak etiketlenmemiş veya yeterince temsil edilmeyen verileri belirle; böylece açıklamaları tamamlamak ve kapsamı iyileştirmek daha kolay olur.
• Hataları erkenden düzelt: Eğitimden önce başarısız yüklemeleri, bozuk dosyaları veya desteklenmeyen formatları yakalamak için kalite kontrolünde Hatalar sekmesini kullan.
• Veri kümelerini sürekli güncelle: Yeni veriler ekle, açıklamaları düzelt ve ortaya çıktıkça uç durumları dâhil et. Bu, kapsamı iyileştirmeye ve modellerin gerçek dünya senaryolarında güvenilir performans göstermesini sağlamaya yardımcı olur.
• Veri kümesi bölümlerini dikkatle yönet: Eğitim, doğrulama ve test kümeleri arasında iyi bir denge olduğundan emin ol. Gerektiğinde bölümleri manuel olarak 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 ölçeklendikçe veri kümelerini etkili biçimde yönetmek, model geliştirme kadar önemli hâle gelir. Veri kümesi yönetimine yapılandırılmış bir yaklaşım, veri kalitesini iyileştirmeye, iş akışlarını kolaylaştırmaya ve zaman içinde daha iyi model performansını desteklemeye yardımcı olur.

Ultralytics Platform, veri kümesi yönetimi, eğitim ve dağıtımı tek bir iş akışında bir araya getirerek bu süreci basitleştirir. Ekipler veri kümesi yönetiminde yapılandırılmış bir yaklaşım benimseyerek karmaşıklığı azaltabilir, verimliliği artırabilir ve daha ölçeklenebilir ve güvenilir bilgisayarlı görü sistemleri oluşturabilir.

Büyüyen topluluğumuza katıl ve yapay zekâ kaynakları için GitHub depomuzu keşfet. Günümüzde görüntü yapay zekâsıyla geliştirme yapmak için lisanslama seçeneklerimize göz at. Tarımda yapay zekânın tarımı nasıl dönüştürdüğünü ve sağlık hizmetlerinde görüntü yapay zekânın geleceği nasıl şekillendirdiğini çözümler sayfalarımızı ziyaret ederek öğren.