Bilgisayar görme projelerinizde veri kümelerini daha iyi yönetmek için Ultralytics nasıl kullanabileceğinizi keşfedin. Veri kümelerinizi kolaylıkla takip edin, karşılaştırın ve iyileştirin.
Görsel yapay zeka (Vision AI) ya da bilgisayar görme, ilk günlerinden bu yana büyük bir yol kat ederek deneysel araştırma aşamasından gerçek dünyadaki uygulamaları destekleyen kilit bir teknolojiye dönüşmüştür. Günümüzde yapay zeka meraklıları, erişilebilir araçlar ve çerçeveler kullanarak nesne algılama ve örnek segmentasyonu gibi görevler için güçlü modeller geliştirebilmektedir.
Ancak, bu uygulamalar deneme aşamasından üretim aşamasına geçerken, veri kümesi yönetimi hâlâ kritik öneme sahip ve sıklıkla göz ardı edilen bir zorluktur. Bilgisayar görme veri kümelerinin boyutu ve karmaşıklığı arttıkça, ekipler genellikle tutarlı etiketlemeleri sürdürmek, sürümler arası track ve genel veri kalitesini sağlamak konusunda zorluklar yaşamaktadır.
Eğitim için kullanılan veriler eksik, dengesiz veya kötü yönetilmişse, en gelişmiş modeller bile gerçek dünya koşullarında beklenen performansı gösteremeyebilir. Geliştirme aşamasındaki performans ile gerçek dünyadaki güvenilirlik arasındaki bu giderek artan uçurum, veri kümesi yönetimine daha yapılandırılmış bir yaklaşımın gerekliliğini ortaya koymaktadır.
Bir başka yaygın sınırlama ise veri toplama, etiketleme ve eğitimin genellikle ayrı araçlar kullanılarak gerçekleştirilmesidir. Parçalı bir iş akışı, veri kümelerinin verimli bir şekilde yönetilmesini zorlaştırır, tutarsızlık riskini artırır ve yineleme sürecini yavaşlatır.
Veri kümesi yönetimi ve parçalı iş akışları gibi görsel yapay zeka alanındaki darboğazları ortadan kaldırmak amacıyla, kısa süre önce Ultralytics piyasaya sürdük. Bu platform, veri kümesi yönetimi, etiketleme, eğitim, devreye alma ve izleme süreçlerini tek bir entegre iş akışında bir araya getiren uçtan uca bir çalışma ortamıdır.
Bilgisayar görme yaşam döngüsünün her aşamasını birbirine bağlayarak, track değişiklikleri track , farklı sürümler arasında performans karşılaştırması yapmak ve daha iyi sonuçlar elde etmek için verilerinizi sürekli olarak iyileştirmek daha kolay hale gelir.
Bu makalede, Ultralytics daha güvenilir bilgisayar görme modelleri oluşturmak için veri kümelerinizi track, karşılaştırmanıza ve iyileştirmenize nasıl yardımcı olduğunu ayrıntılı olarak ele alacağız. Hadi başlayalım!
Bir bilgisayar görme modelinin performansı, üzerinde eğitildiği verilerle yakından bağlantılıdır. Modelin doğruluğu, yani tahminlerin ne sıklıkla doğru çıktığı, yalnızca algoritmaya değil, veri kümesinin gerçek dünyadaki koşulları ne kadar iyi yansıttığına da bağlıdır.
Basitçe söylemek gerekirse, bir model kalıpları doğrudan verilerden öğrenir; bu nedenle veri kümesindeki herhangi bir eksiklik, önyargı veya tutarsızlık, modelin tahmin yapma şeklini etkileyebilir. Başka bir deyişle, düşük kaliteli veriler, hatalı etiketlemeler veya farklı ışık koşulları, nesne açıları, arka planlar ya da örtülme düzeyleri gibi görüntülerdeki gerçek dünyadaki çeşitliliğin yetersiz bir şekilde yansıtılması, model mimarisi ne kadar sağlam olursa olsun doğruluğu önemli ölçüde düşürebilir.
Bu durum, önceden eğitilmiş bir modelin belirli bir kullanım senaryosuna veya ortama daha iyi uyum sağlaması için yeni veya güncellenmiş verilerle daha da eğitildiği model ince ayarı sürecinde de geçerlidir. Model doğruluğu büyük ölçüde verilere bağlı olduğundan, bu verilerin doğru bir şekilde yönetilmesi hayati önem taşır.
Veri kümesi yönetimi, verilerin doğru ve güncel kalması için bunların düzenlenmesi, etiketlenmesi ve sürekli olarak güncellenmesini içerir. Bu, özellikle modelleri yeni verilerle yeniden eğitirken veya ince ayar yaparken, zaman içinde performansı artırmayı kolaylaştırır.
Güvenlik izleme sistemleri gibi bilgisayar görme uygulama örnekleri, doğru veri yönetiminin neden hayati önem taşıdığının en iyi örneklerinden biridir. Bu sistemlerin, farklı aydınlatma koşulları, kamera açıları, kalabalık düzeyleri ve kısmi engellemeler dahil olmak üzere çeşitli gerçek dünya koşullarında güvenilir bir şekilde çalışması gerekir.
Eğitim verileri bu çeşitlilikleri kapsamıyorsa veya nesnelerin farklı sahnelerde ve koşullarda nasıl göründüğü konusunda yeterince çeşitlilik içermiyorsa, model detect doğru bir şekilde detect zorlanabilir. Örneğin, çoğunlukla iyi aydınlatılmış ve düzenli sahnelerle eğitilmiş bir model, düşük ışıklı ortamlarda veya kalabalık ortamlarda düşük performans gösterebilir. Güvenlik sistemlerinde bu durum, olayların gözden kaçmasına veya yanlış alarmlara yol açabilir.
Bunu önlemek için, veri kümelerinin sadece temiz ve doğru bir şekilde etiketlenmiş olmasını değil, aynı zamanda dengeli ve sürekli güncellenmiş olmasını sağlamak önemlidir. Bu, verilerdeki eksiklikleri tespit etmek, koşullar değiştikçe yeni örnekler eklemek ve farklı sınıfların ve ortamların eşit bir şekilde temsil edildiğinden emin olmak anlamına gelir.
Daha kapsamlı ve yapılandırılmış bir veri seti sayesinde, modeller gerçek dünyadaki değişkenlikleri daha iyi ele alabilir ve daha güvenilir tahminler üretebilir.
Peki, veri kümesi yönetimi tam olarak ne anlama geliyor? Bu, verilerin model geliştirme süreci boyunca etkin bir şekilde kullanılabilmesi için düzenlenmesini, etiketlenmesini ve bakımının yapılmasını içerir.
Örneğin, verilerin düzenlenmesi, veri kümesinin yapılandırılmasını ve eğitim, doğrulama ve test kümelerine ayrılmasını içerir. Eğitim kümesi modeli eğitmek için, doğrulama kümesi performansı izlemek ve geliştirme aşamasında ayarlamalara yön vermek için, test kümesi ise nihai modelin daha önce hiç görülmemiş veriler üzerinde ne kadar iyi performans gösterdiğini değerlendirmek için kullanılır.
Bu arada, etiketleme işlemi, görüntülere sınıf etiketleri, sınırlayıcı kutular veya segmentasyon maskeleri gibi ayrıntılar eklemeyi içerir. Model bu etiketlerden öğrendiği için, anlamlı kalıpları öğrenmesine ve güvenilir tahminlerde bulunmasına yardımcı olmak adına doğruluk ve tutarlılık hayati önem taşır.
Buna ek olarak, veri setinin bakımı, zaman içinde verilerin gözden geçirilmesini ve güncellenmesini gerektirir. Bu işlemler arasında, etiketleme hatalarının düzeltilmesi, düşük kaliteli veya yinelenen verilerin kaldırılması ve eksik durumları veya değişen koşulları kapsayacak şekilde yeni örneklerin eklenmesi yer alabilir.
Daha genel bir bakış açısıyla, veri kümesi yönetimi sürekli devam eden bir süreçtir. Modeller değerlendirildikçe ve yeni veriler toplandıkça, veri kümelerinin gerçek dünya koşullarını ve istisnai durumları yansıtacak şekilde güncellenmesi gerekir. Bu güncellemeleri takip etmek ve farklı sürümleri karşılaştırmak, ekiplerin performansı artıran unsurları ve hangi alanlarda ilave değişikliklerin gerekli olduğunu anlamalarına yardımcı olur.
Ultralytics , veri hazırlığından dışa aktarmaya kadar her aşamayı kapsayan, tek bir ortamda veri kümelerini yönetmek için yapılandırılmış bir iş akışı sunar. Hem bireysel geliştiricileri hem de ekipleri desteklemek üzere tasarlanmış olan platform, ister tek başına çalışıyor olun ister farklı projeler arasında işbirliği yapıyor olun, veri kümelerini tutarlı bir şekilde yönetmeyi kolaylaştırır.
Her aşama, model geliştirme döngüsü boyunca veri kümelerinin düzenlenmesi, işlenmesi ve kullanılmasını kolaylaştırmak üzere tasarlanmıştır. Bu adımları tek bir çatı altında toplayarak, platform parçalanmayı azaltır ve iş akışları arasında tutarlılığı sağlamayı daha kolay hale getirir.
Şimdi, ilgili temel adımları ve platformun her birini nasıl desteklediğini tek tek inceleyelim.
Platformda veri kümeleriyle çalışmaya başlamak oldukça esnektir; verileri içe aktarmak veya yeniden kullanmak için birçok yol mevcuttur. Kendi verilerinizi yükleyebilir ya da platform üzerinden erişilebilen genel veri kümelerini kullanarak daha hızlı bir başlangıç yapabilirsiniz. Ayrıca, topluluk tarafından paylaşılan mevcut veri kümelerini kopyalayabilir ve bunları temel alarak çalışmalarınızı sürdürebilirsiniz.
Platformun topluluk özellikleri, mevcut çalışmaları keşfetmeyi ve yeniden kullanmayı kolaylaştırır. Milyonlarca görüntü ve açıklama dahil olmak üzere diğer kullanıcılar tarafından oluşturulan veri kümelerine erişim sayesinde, her şeyi kendiniz toplamak ve etiketlemek zorunda kalmadan hızlı bir şekilde işe başlayabilirsiniz. Bir veri kümesini klonladığınızda çalışma alanınızda bir kopyası oluşturulur; böylece orijinali korurken bu kopyayı değiştirebilir ve genişletebilirsiniz.
Yüklemeler söz konusu olduğunda, platform tek tek resimleri, videoları ve ZIP, TAR veya GZ dosyaları gibi veri kümesi arşivlerini desteklemektedir. Ayrıca YOLO COCO gibi yaygın olarak kullanılan veri kümesi formatlarını da destekleyerek, mevcut veri kümelerini ve etiketlemeleri ek bir dönüştürme işlemi gerektirmeden kolayca içe aktarmanıza olanak tanır. Bunun ötesinde, platformdan dışa aktarılan bir NDJSON dosyası kullanarak veri kümesi yükleyebilir, böylece projeler arasında veri kümelerini sorunsuz bir şekilde yeniden oluşturabilir veya yeniden kullanabilirsiniz.
Veriler yüklendikten sonra, platform verileri yapılandırılmış bir iş akışı üzerinden işler. Bu süreç, dosya biçimlerinin ve boyutlarının doğrulanmasını, gerektiğinde resimlerin boyutlarının değiştirilmesini, açıklamaların ayrıştırılmasını ve veri kümesi istatistiklerinin oluşturulmasını içerir.
Örneğin, videolar eğitim amaçlı kullanılabilmeleri için karelere dönüştürülürken, görseller daha kolay görüntüleme ve analiz edilebilmeleri için optimize edilip hazır hale getirilir. İşlemden sonra veri kümeleri, platform içinde etiketleme, analiz ve model eğitimi için kullanıma hazır hale gelir.
Veriler yüklendikten sonra, doğrudan platform üzerinden incelenebilir ve etiketlenebilir. Platform, nesne algılama, örnek segmentasyonu, duruş tahmini, yönlü sınırlayıcı kutu (OBB) algılama ve görüntü sınıflandırma gibi çeşitli bilgisayar görme görevleri için yerleşik görüntü etiketleme araçları içerir.
Bu araçlar kullanılarak açıklamalar manuel olarak oluşturulabilir veya SAM akıllı açıklama gibi yapay zeka destekli özelliklerle bu süreç hızlandırılabilir. SAM ile görüntüyle etkileşime girerek maskeler, sınırlayıcı kutular veya yönlendirilmiş kutular oluşturabilir, böylece doğruluğu korurken etiketleme sürecini hızlandırabilirsiniz.
Verilerin hazırlanması ve etiketlenmesinin yanı sıra, veri kümesinin kalitesini anlamak da güvenilir bilgisayar görme modelleri oluşturmak için hayati önem taşır. Sınıf dağılımı, etiketleme kalitesi, veri kümesinin bölümlere ayrılması ve verilerin farklı koşullarda nasıl temsil edildiği gibi faktörlere ilişkin net bir görüş olmadan, model performansını etkileyen sorunları tespit etmek zor olabilir.
Ultralytics , veri kümelerini daha etkili bir şekilde analiz etmeye yardımcı olan yerleşik özellikler içerir. Bu analiz sonuçları, Görüntüler, Sınıflar ve Grafikler gibi sekmelerde, doğrudan veri kümesi arayüzü üzerinden erişilebilir.
"Grafikler" sekmesinde, bölünme dağılımı (eğitim, doğrulama ve test), sınıf sıklığı ve nesnelerin görüntülerde nerede göründüğünü gösteren etiketleme ısı haritaları gibi veri kümesi düzeyinde istatistikleri görüntüleyebilirsiniz.
"Sınıflar" sekmesi, sınıf başına etiketleme sayılarının dağılımını göstererek sınıf dengesizliğini tespit etmeyi kolaylaştırır. Öte yandan, "Görüntüler" sekmesi boyutlar, etiketleme sayıları ve etiketlerin tek tek görüntülere nasıl dağıldığı gibi görüntü düzeyinde ayrıntıları gösterir.
Bu bilgiler, sınıf dengesizliği, eksik senaryolar veya verilerin dengesiz dağılımı gibi sorunları tespit etmeyi kolaylaştırır. Örneğin, belirli sınıflarda çok az örnek olduğunu veya çoğu etiketlemenin görüntünün belirli bölgelerinde yoğunlaştığını fark edebilirsiniz.
Platform, veri analizinin ötesinde veri kümesi düzenleme ve zenginleştirme işlevlerini de desteklemektedir; bu, sorunlu verileri düzelterek veya kaldırarak veri kümelerini iyileştirmeyi ve model performansını artırmak için mevcut verilerin farklı versiyonlarını oluşturmayı ifade eder. Bu iyileştirmeler, açıklamaları güncelleyerek, yeni veriler ekleyerek veya analizden elde edilen içgörülere dayanarak veri kümesi bölümlerini yeniden düzenleyerek doğrudan platform içinde gerçekleştirilebilir.
Bir veri kümesi hazırlandıktan ve doğrulandıktan sonra, farklı ortamlarda kullanılmak üzere dışa aktarılabilir. Bu sayede, ister yerel olarak ister bulutta ister diğer araçlar ve iş akışlarında modelleri eğitmek olsun, bilgisayar görme verilerinizi istediğiniz yerde kullanma esnekliğine sahip olursunuz.
Ultralytics , YOLO, COCO ve NDJSON dahil olmak üzere birçok dışa aktarım formatını destekler; bu sayede veri kümelerinin farklı eğitim iş akışlarına ve araçlarına entegre edilmesi kolaylaşır.
Bir veri kümesini dışa aktarmak, görüntüler, açıklamalar ve yapı dahil olmak üzere verilerin belirli bir zamandaki sabit bir anlık görüntüsünü oluşturur. Bu, yeni veriler eklendiğinde, açıklamalar güncellendiğinde veya bölünmeler ayarlandığında veri kümelerinin sıklıkla değişmesi nedeniyle yararlıdır. Bir anlık görüntüyü dışa aktararak, belirli bir eğitim çalışması için kullanılan veri kümesinin tam sürümünü koruyabilirsiniz.
Bu, daha sonra sonuçları tekrarlamayı kolaylaştırır; zira modeli aynı veri yapısı üzerinde yeniden eğitebilir ve farklı veri kümesi sürümleri arasında performans karşılaştırması yapabilirsiniz. Örneğin, neyin değiştiğini tahmin etmek yerine, yeni görüntüler eklemenin veya etiketlemeleri düzeltmenin modelin doğruluğunu gerçekten artırıp artırmadığını değerlendirebilirsiniz.
İhracat işlemleri eşzamansız olarak gerçekleştirilir; hazır hale geldiklerinde veri kümeleri indirilebilir ve yerel, bulut veya çevrimdışı eğitim ortamlarında kullanılabilir.
Makine öğrenimi ve derin öğrenme iş akışlarında, gerçek dünyadaki veriler genellikle eğitim sırasında kullanılan verilerden farklı olduğu için veri kümesi yönetimi, sistem devreye alındıktan sonra da devam eder.
Modeller yeni verilerle karşılaştıkça, veri setindeki eksiklikler – örneğin düşük ışıklı ortamlar, farklı kamera açıları, nesnelerin birbirini örtmesi veya kalabalık sahneler gibi eksik koşullar ile etiketleme hataları – daha belirgin hale gelir ve bu da zaman içinde verilerin iyileştirilmesini gerekli kılar.
Bir veri kümesini iyileştirmenin çeşitli yolları vardır. Düşük ışıklı ortamlar, farklı kamera açıları, nesnelerin görüşünü engellemesi veya kalabalık sahneler gibi eksik durumları kapsayacak şekilde yeni görüntüler veya videolar ekleyerek, verilerdeki eksiklikleri azaltabilirsiniz.
Aynı zamanda, nesnelerin doğru şekilde etiketlenmesi ve sınırlayıcı kutuların veya maskelerin hassas bir şekilde belirlenmesi gibi açıklamaların doğru ve tutarlı olmasını sağlamak, modelin daha güvenilir kalıpları öğrenmesine yardımcı olur.
Bu süreç genellikle şu basit döngüyü izler: modeli eğitmek, sonuçları değerlendirmek, hataları tespit etmek, veri kümesini iyileştirmek ve yeniden eğitmek. Her adım, hatalı etiketlemeler, eksik veriler veya yeterince temsil edilmeyen durumlar gibi sorunları ortaya çıkarmaya yardımcı olur.
Diyelim ki mağazalardaki detect için kullanılan bir gerçek zamanlı perakende raf izleme sistemi üzerinde çalışıyorsunuz. Veri kümesinin ilk sürümlerinde belirli ürün türleri, aydınlatma koşulları veya kalabalık raf düzenlemeleri yer almayabilir. Değerlendirme sırasında, modelin bu durumlarda detect etmekte zorlandığını fark edebilirsiniz.
Performansı artırmak için, bu eksik senaryoları kapsayan yeni görüntüler toplayabilir ve gerektiğinde etiketlemeleri güncelleyebilirsiniz. Zamanla bu süreci tekrarlamak, modelin gerçek dünya koşullarında daha doğru ve güvenilir hale gelmesine yardımcı olur.
Ultralytics , veri kümesi güncellemelerini eğitim ve değerlendirme süreçleriyle entegre ederek bu iş akışını destekler. Yerleşik deney izleme ve performans ölçütleri sayesinde, ilerlemeyi takip etmek ve veri kümelerini zaman içinde sürekli olarak iyileştirmek daha kolay hale gelir.
Model geliştirme sürecinin bir parçası olarak, veri kümelerinin zaman içinde nasıl değiştiğini kısaca ele aldık. Yeni veriler eklendikçe, etiketlemeler iyileştirildikçe ve sınıflar güncellendikçe, bu track veri kalitesini korumak ve model performansının tutarlılığını sağlamak açısından hayati önem taşır.
Veri kümesi takibi ve sürüm kontrolünü destekleyen Ultralytics başlıca özelliklerinden bazıları şunlardır:
Ultralytics , yapay zeka modeli geliştirmenin farklı aşamalarını tek bir iş akışında birleştirir. Bu sayede, ham veriden üretime hazır görüntü işleme yapay zeka uygulamalarına geçiş süreci kolaylaştırılır.
Veri kümeleri hazırlandıktan ve etiketlendikten sonra, Ultralytics gibi bilgisayar görme modellerini doğrudan platform içinde eğitmek için kullanılabilir. Eğitim sırasında, yerleşik gösterge panellerini kullanarak performans ölçütlerini izleyebilir, track ve modelin ne kadar iyi öğrendiğini değerlendirebilirsiniz.
Eğitim tamamlandıktan sonra, modeller doğrudan tarayıcıda yeni görüntüler üzerinde test edilerek tahminler değerlendirilebilir ve kullanıma sunulmadan önce iyileştirilmesi gereken alanlar tespit edilebilir. Model iyi performans gösterdiğinde, üretim ortamına devreye alınabilir.
Platform, modellerin çeşitli formatlara aktarılmasını veya çıkarım hizmetleri ve özel uç noktalar aracılığıyla dağıtılmasını destekleyerek, bu modellerin farklı ortamlarda çalıştırılmasını sağlar.
Uygulamaya alındıktan sonra, yerleşik izleme araçları, kullanım ve model davranışlarıyla ilgili ölçümler de dahil olmak üzere track performansının zaman içindeki track yardımcı olur. Bu sayede, gerçek dünya uygulamalarında görsel yapay zeka sistemlerinin bakımı ve iyileştirilmesi daha kolay hale gelir.
Ultralytics kullanarak veri kümelerinizi yönetirken göz önünde bulundurmanız gereken bazı önemli faktörler şunlardır:
Ultralytics hakkında daha fazla bilgi edinmek için Ultralytics resmi Ultralytics göz atın.
Bilgisayar görme projeleri büyüdükçe, veri kümelerini etkin bir şekilde yönetmek, model geliştirme kadar önemli hale gelir. Veri kümesi yönetimine yönelik yapılandırılmış bir yaklaşım, veri kalitesini artırmaya, iş akışlarını kolaylaştırmaya ve zaman içinde daha iyi model performansı sağlamaya yardımcı olur.
Ultralytics , veri kümesi yönetimi, eğitim ve devreye almayı tek bir iş akışında birleştirerek bu süreci basitleştirir. Veri kümesi yönetimine yapılandırılmış bir yaklaşım benimseyerek, ekipler karmaşıklığı azaltabilir, verimliliği artırabilir ve daha ölçeklenebilir ve güvenilir bilgisayar görme sistemleri geliştirebilir.
Giderek büyüyen topluluğumuza katılın ve yapay zeka kaynakları için GitHub depomuzu keşfedin. Görsel yapay zeka ile hemen uygulamalar geliştirmeye başlamak için lisans seçeneklerimizi inceleyin. Çözüm sayfalarımızı ziyaret ederek, tarım sektöründe yapay zekanın çiftçiliği nasıl dönüştürdüğünü ve sağlık sektöründe görsel yapay zekanın geleceği nasıl şekillendirdiğini öğrenin.
Makine öğreniminin geleceği ile yolculuğunuza başlayın
