Ultralytics Platform ile bilgisayarlı görüde akıllı veri kümesi yönetimi

Görsel yapay zekâ, yani bilgisayarlı görü, ilk dönemlerinden bu yana büyük ilerleme kaydetti; deneysel araştırmalardan gerçek dünya uygulamalarına güç veren temel bir teknolojiye dönüştü. Günümüzde yapay zekâ meraklıları, erişilebilir araç ve çerçeveleri kullanarak nesne tespiti ve örnek segmentasyonu gibi görevler için güçlü modeller oluşturabiliyor.

Ancak bu uygulamalar deneme aşamasından 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 güvence altına almakta zorlanabiliyor.

Gelişmiş modeller bile eğitildikleri veriler eksik, dengesiz veya kötü yönetilmişse gerçek dünya ortamlarında beklenenden düşük performans gösterebilir. Geliştirme performansı ile gerçek dünya güvenilirliği arasındaki bu giderek büyüyen fark, veri kümesi yönetiminde daha yapılandırılmış bir yaklaşımın neden gerekli olduğunu ortaya koyuyor.

Bir başka yaygın kısıt, veri toplama, açıklama ekleme ve eğitimin çoğu zaman 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’u kullanıma sunduk. Bu, 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 bağlamak, veri kümesi değişikliklerini izlemeyi, sürümler arasındaki performansı karşılaştırmayı ve daha iyi sonuçlar için verilerini sürekli iyileştirmeyi kolaylaştırır.

Şekil 1. Ultralytics Platform’da veri kümesi görsellerini görüntüleme örneği (Kaynak)

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

Bilgisayarlı görüde veri kümesi yönetiminin önemi#

Bir bilgisayarlı görü modelinin performansı, eğitildiği verilerle yakından ilişkilidir. Tahminlerin ne sıklıkta 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, yanlılıklar veya tutarsızlıklar tahminlerini etkileyebilir. Başka bir deyişle, düşük kaliteli veriler, hatalı açıklamalar veya görsellerdeki farklı aydınlatma koşulları, nesne açıları, arka planlar ya da örtülme düzeyleri gibi gerçek dünya değişkenlerinin sınırlı kapsanması, model mimarisi güçlü olsa bile doğruluğu önemli ölçüde düşürebilir.

Bu durum, belirli bir kullanım senaryosuna veya ortama daha iyi uyum sağlaması için önceden eğitilmiş bir modelin yeni ya da güncellenmiş verilerle yeniden eğitildiği ince ayar süreci için de geçerlidir. Model doğruluğu büyük ölçüde verilere bağlı olduğundan, bu verileri doğru yönetmek çok önemlidir.

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 performansı zaman içinde iyileştirmeyi kolaylaştırır.

Veri kümesi kalitesi gerçek dünyadaki güvenilirliği nasıl etkiler?#

Güvenlik izleme sistemleri gibi bilgisayarlı görü kullanım senaryoları, doğru veri yönetiminin neden hayati önem taşıdığını gösterir. Bu sistemlerin farklı aydınlatma koşulları, kamera açıları, kalabalık düzeyleri ve kısmi örtülmeler dâhil çeşitli gerçek dünya koşullarında güvenilir biçimde çalışması gerekir.

Eğitim verileri bu değişkenleri kapsamıyorsa veya nesnelerin farklı sahne ve koşullarda nasıl göründüğü bakımından çeşitlilikten yoksunsa model, nesneleri doğru tespit etmekte zorlanabilir. Örneğin, çoğunlukla iyi aydınlatılmış ve karmaşık olmayan sahnelerde eğitilen bir model, düşük ışıklı ortamlarda veya kalabalık alanlarda düşük performans gösterebilir. Güvenlik sistemlerinde bu durum olayların gözden kaçmasına veya yanlış alarmlara yol açabilir.

Bunu önlemek için yalnızca temiz ve doğru etiketlenmiş değil, aynı zamanda dengeli ve sürekli güncellenen veri kümeleri kullanmak önemlidir. Bunun için verilerdeki boşlukları belirlemek, koşullar değiştikçe yeni örnekler eklemek ve farklı sınıfların ve ortamların eşit biçimde temsil edilmesini sağlamak gerekir.

Daha kapsamlı ve düzenli bir veri kümesi, modellerin gerçek dünyadaki değişkenlikleri daha iyi ele almasını ve daha güvenilir tahminler üretmesini sağlar.

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 kapsar. Eğitim kümesi modeli eğitmek için, doğrulama kümesi geliştirme sırasında performansı izleyip ayarlamalara yön vermek için, test kümesi ise son modelin daha önce hiç görülmemiş verilerde ne kadar iyi performans gösterdiğini değerlendirmek için kullanılır.

Etiketleme ise görsellere sınıf etiketleri, sınırlayıcı kutular veya segmentasyon maskeleri gibi açıklamalar eklemeyi içerir. Model bu açıklamalardan öğrendiği için anlamlı kalıpları öğrenmesine ve güvenilir tahminler yapmasına yardımcı olmak üzere doğruluk ve tutarlılık kritik önem taşır.

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

Daha genel olarak 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 tüm adımları kapsayan, veri kümelerini tek bir ortamda yönetmek için yapılandırılmış bir iş akışı sunar. Hem bireysel geliştiricileri hem de ekipleri destekleyecek şekilde tasarlanmıştır; böylece tek başına çalışırken de projeler arasında iş birliği yaparken de veri kümelerini tutarlı biçimde yönetmek kolaylaşır.

Her aşama, model geliştirme yaşam döngüsü boyunca veri kümelerinin düzenlenmesini, işlenmesini ve kullanılmasını kolaylaştıracak şekilde tasarlanmıştır. Bu adımları tek bir yerde bir araya getiren platform, parçalanmayı azaltır ve iş akışlarında tutarlılığı korumayı kolaylaştırır.

Şimdi, sürecin temel adımlarını ve platformun her birini nasıl desteklediğini inceleyelim.

Veri kümelerini Ultralytics Platform’a yükleme#

Platformda veri kümelerini kullanmaya başlamak için esnek seçenekler sunulur; verileri platforma aktarabilir veya yeniden kullanabilirsin. Kendi verilerini yükleyebilir ya da platformda bulunan herkese açık veri kümelerini kullanarak daha hızlı başlayabilirsin. Topluluğun paylaştığı mevcut veri kümelerini kopyalayıp bunlar üzerinde de çalışabilirsin.

Platformun topluluk özellikleri, mevcut çalışmaları keşfetmeyi ve yeniden kullanmayı kolaylaştırır. Milyonlarca görsel 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 özgün verileri korurken kopyayı değiştirebilir ve genişletebilirsin.

Yüklemeler için platform; tek tek görüntüleri, videoları ve ZIP, TAR veya GZ gibi veri kümesi arşivlerini destekler. YOLO ve COCO gibi yaygın veri kümesi biçimlerini de desteklediğinden mevcut veri kümelerini ve anotasyonları ek dönüştürme işlemi yapmadan içe aktarmak kolaydır. Bunlara ek olarak platformdan dışa aktarılan bir NDJSON dosyasıyla veri kümesi yükleyebilir, böylece veri kümelerini projeler arasında kolayca yeniden oluşturabilir veya kullanabilirsin.

Veriler yüklendikten sonra platform bunları yapılandırılmış bir işlem hattından geçirir. Bu süreç; dosya biçimlerini ve boyutlarını doğrulamayı, gerektiğinde görselleri yeniden boyutlandırmayı, açıklamaları ayrıştırmayı ve veri kümesi istatistiklerini oluşturmayı içerir.

Örneğin, videolar eğitime uygun olması için karelere dönüştürülür; görseller ise kolayca göz atılıp incelenebilmeleri için optimize edilir ve hazırlanır. İşlendikten sonra veri kümeleri, platform içinde açıklama ekleme, analiz ve model eğitimi için kullanıma hazır hâle gelir.

Ultralytics Platform’da veriye açıklama ekleme#

Yüklendikten sonra veri kümeleri doğrudan platform içinde incelenip anotasyonlanabilir. Platform; nesne tespiti, örnek segmentasyonu, anlamsal segmentasyon, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) tespiti gibi çeşitli bilgisayarlı görü görevlerine yönelik yerleşik görüntü anotasyonu araçları içerir.

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

Bu araçlarla açıklamaları elle oluşturabilir veya SAM destekli akıllı açıklama ekleme gibi yapay zekâ destekli özelliklerle süreci hızlandırabilirsin. SAM ile görsel 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 açıklama 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 unsurlar net biçimde görülemiyorsa model performansını etkileyen sorunları fark etmek zor olabilir.

Ultralytics Platform, veri kümelerini daha etkili analiz etmeye yardımcı olan yerleşik özellikler sunar. Bu içgörülere, Görseller, Sınıflar ve Grafikler gibi sekmelerden doğrudan veri kümesi arayüzünde erişebilirsin.

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

Sınıflar sekmesi, her sınıfa ait açıklama sayılarını göstererek sınıf dengesizliğini fark etmeyi kolaylaştırır. Görseller sekmesinde ise boyutlar, açıklama sayıları ve etiketlerin tek tek görsellere nasıl dağıldığı gibi görsel düzeyindeki ayrıntılar yer alır.

Bu içgörüler, sınıf dengesizliği, eksik senaryolar veya verilerin eşit dağılmaması gibi sorunları belirlemeyi kolaylaştırır. Örneğin, bazı sınıflarda çok az örnek olduğunu veya açıklamaların çoğunun görselin belirli bölgelerinde toplandığını fark edebilirsin.

Veri analizinin yanı sıra platform, veri kümesi düzenleme ve artırma özelliklerini de destekler. Bu özellikler, sorunlu verileri düzelterek veya kaldırarak veri kümelerini iyileştirmeyi ve model performansını artırmak için mevcut verilerin çeşitlerini oluşturmayı kapsar. Bu iyileştirmeleri, açıklamaları güncelleyerek, yeni veriler ekleyerek veya analiz içgörülerine göre veri kümesi bölümlerini yeniden düzenleyerek 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 ister yerel ortamda, ister bulutta, ister başka araç ve iş akışlarında model eğitmek için tercih ettiğin yerde kullanabilirsin.

Ultralytics Platform, veri kümelerini Ultralytics NDJSON dosyaları olarak dışa aktarır. Ultralytics Python paketi bu biçimdeki verilerle doğrudan eğitim yapabilir ve dosyalar platforma yeniden içe aktarılabilir; böylece veri kümelerini farklı eğitim iş akışlarına ve araçlarına entegre etmek kolaylaşır.

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

Bir veri kümesini dışa aktarmak; görsellerini, açıklamalarını ve yapısını içeren, belirli bir zamandaki verilerin sabit bir anlık görüntüsünü oluşturur. Bu kullanışlıdır, çünkü yeni veriler eklendikçe, açıklamalar güncellendikçe veya bölümler ayarlandıkça veri kümeleri genellikle değişir. Bir anlık görüntüyü dışa aktararak belirli bir eğitim çalıştırmasında kullanılan veri kümesinin tam sürümünü koruyabilirsin.

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

Dışa aktarılan veri kümeleri indirilerek yerel, bulut tabanlı 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 dünyadaki veriler genellikle eğitim sırasında kullanılanlardan farklıdır.

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

Veri kümesini iyileştirmenin birkaç yolu vardır. Verilerdeki kör noktaları azaltmak için düşük ışıklı ortamlar, farklı kamera açıları, örtülmeler veya kalabalık sahneler gibi eksik koşulları kapsayan yeni görseller ya da videolar ekleyebilirsin.

Aynı zamanda, nesnelerin doğru etiketlenmesi ve sınırlayıcı kutuların veya maskelerin hassas olması gibi açıklamaların doğruluğunu ve tutarlılığını sağlamak, modelin daha güvenilir kalıplar öğrenmesine yardımcı olur.

Bu süreç genellikle basit bir döngü 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.

Diyelim ki mağazalardaki ürünleri tespit etmek için kullanılan, gerçek zamanlı bir perakende raf izleme sistemi üzerinde çalışıyorsun. Veri kümesinin ilk sürümlerinde belirli ürün türleri, aydınlatma koşulları veya kalabalık raf düzenleri yer almıyor olabilir. Değerlendirme sırasında modelin bu durumlarda ürünleri tespit etmekte zorlandığını fark edebilirsin.

Performansı artırmak için bu eksik senaryoları kapsayan yeni görseller toplayabilir ve gerektiğinde açıklamaları güncelleyebilirsin. Bu sürecin zaman içinde tekrarlanması, modelin gerçek dünya koşullarında daha doğru ve güvenilir hâle gelmesini sağlar.

Ultralytics Platform, veri kümesi güncellemelerini eğitim ve değerlendirmeyle ilişkilendirerek bu iş akışını destekler. Yerleşik deney izleme ve performans ölçümleri sayesinde ilerlemeyi takip etmek 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 değiştiğini kısaca ele aldık. Yeni veriler eklendikçe, açıklamalar iyileştirildikçe ve sınıflar güncellendikçe, bu değişiklikleri takip etmek veri kalitesini korumak ve model performansının tutarlılığını 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, belirli bir zamandaki görsel sayısı, sınıf sayısı, açıklama sayısı ve veri kümesi boyutu gibi önemli ayrıntıları 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 içinde nasıl geliştiğini takip edebileceğin 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 çalıştırmalarıyla ilişkilendirilir; böylece verilerdeki değişikliklerin model performansını nasıl etkilediğini anlayabilirsin.
• Hatalar sekmesi: Hatalar sekmesinde, işleme sırasında başarısız olan dosyalarla birlikte hata ayrıntıları ve öneriler gösterilir. Böylece eğitimden önce bozuk dosyalar veya desteklenmeyen biçimler gibi sorunları belirleyip düzeltebilirsin.
• Veri kümesi arayüzü (Görseller ve Sınıflar sekmeleri): Bu görünümler görsellere göz atmana, açıklamaları incelemene, sınıf etiketlerini yönetmene ve sınıf dağılımını analiz etmene olanak tanır. Filtreleme, sıralama ve açıklama eklenmemiş görselleri 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’da veri kümelerini 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 açıklama eklendikten sonra, Ultralytics YOLO26 gibi bilgisayarlı görü modellerini doğrudan platform içinde 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 kısa bir bakış (Kaynak)

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

Platform, modelleri birden fazla biçimde dışa aktarmayı veya çıkarım hizmetleri ve özel uç noktalar üzerinden dağıtmayı destekleyerek farklı ortamlarda çalıştırılmalarına olanak tanır.

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 görsel yapay zekâ sistemlerinin bakımını ve iyileştirilmesini kolaylaştırır.

Ultralytics Platform ile veri kümesi yönetiminde en iyi uygulamalar#

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

• Eksikleri bulmak için filtreleri kullan: Filtreleme araçlarıyla etiketlenmemiş veya yetersiz temsil edilen verileri belirleyerek anotasyonları tamamlamayı ve kapsamı iyileştirmeyi kolaylaştır.
• Hataları erkenden düzelt: Eğitime başlamadan önce başarısız yüklemeleri, bozuk dosyaları veya desteklenmeyen biçimleri tespit etmek için kalite kontrolünde Errors sekmesini kullan.
• Veri kümelerini sürekli güncelle: Yeni veriler ekle, açıklamaları düzelt ve ortaya çıktıkça uç durumları dahil et. Bu, kapsama alanını iyileştirmeye ve modellerin gerçek dünya senaryolarında güvenilir şekilde çalışmasını 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 dağıtımı kullanabilirsin.

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

Önemli çıkarımlar#

Bilgisayarlı görü projeleri ölçeklendikçe veri kümelerini etkili bir şekilde 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 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 geliştirebilir.

Büyüyen topluluğumuza katıl ve yapay zekâ kaynakları için GitHub depomuzu keşfet. Bugün görsel yapay zekâ ile geliştirme yapmak için lisans seçeneklerimize göz at. Tarımda yapay zekânın çiftçiliği nasıl dönüştürdüğünü ve sağlık hizmetlerinde görsel yapay zekânın çözümler sayfalarımızı ziyaret ederek geleceği nasıl şekillendirdiğini öğren.