Ultralytics ile görüntü etiketleme hakkında bilmeniz gereken her şeyi öğrenin; veri kümelerini etiketlemek, etiketleri yönetmek ve verileri modeller için hazırlamak üzere platformun sunduğu yerleşik araçları keşfedin.
Ultralytics bilgisayar görme geliştirme sürecinin tüm aşamalarını desteklemek üzere tasarlanmış bir ortam olan Ultralytics tanıttı. Bu platform, veri kümesi hazırlığı, görüntü ve video etiketleme, model eğitimi ve devreye alma gibi görsel yapay zeka iş akışlarının çeşitli aşamalarını yönetmek için kullanılan araçları tek bir çatı altında topluyor.
Otonom sürüş ve sağlık gibi sektörlerde kullanımının giderek yaygınlaşmasına rağmen, bilgisayar görme çözümlerinin geliştirilmesi hâlâ parçalı bir süreç olarak değerlendirilebilir. Bunun başlıca nedenlerinden biri, bilgisayar görme modellerinin, eğitildikleri verilerin kalitesine büyük ölçüde bağlı olmasıdır. Eğitim süreci başlamadan önce, modelin neyi detect tanıyacağını öğrenebilmesi için veri kümelerinin oluşturulması, düzenlenmesi, incelenmesi ve etiketlenmesi gerekir.
Görsel verilerle çalışırken bu sürece veri etiketleme veya görüntü etiketleme denir. Görüntü etiketleme sırasında, görüntünün belirli kısımları işaretlenir ve modele eğitim aşamasında yol gösteren etiketler atanır.
Örneğin, amaç görüntülerdeki detect etmekse, etiketleyiciler köpeklerin bulunduğu yerleri göstermek için her birinin etrafına sınır kutuları çizebilir. Daha ayrıntılı görevlerde ise, köpeğin şeklini segmentasyon maskeleriyle çizebilir veya duruşunu yakalamak için kilit noktaları işaretleyebilirler. Bu etiketlenmiş örnekler, modelin devreye alındığında ne kadar iyi performans göstereceğini doğrudan etkiler.
Görüntü etiketleme iş akışlarını büyük ölçekte yönetmek zorlu bir iş olabilir. Büyük veri kümeleri genellikle tutarlı etiketleme standartları, birden fazla etiketleyici arasında işbirliği ve etiketlemelerin gözden geçirilmesini ve iyileştirilmesini kolaylaştıran araçlar gerektirir.
Ultralytics , bunu yerleşik bir etiketleme düzenleyicisiyle bir araya getiriyor. Platform, çeşitli etiketleme görev türlerini destekliyor ve ekiplere tek bir iş akışı içinde verileri etiketleme ve bilgisayar görme veri kümelerini hazırlama konusunda daha kolay bir yol sunuyor.
Bu makalede, Ultralytics etiketleme düzenleyicisinin ekiplerin veri kümelerini verimli bir şekilde etiketlemesine nasıl yardımcı olduğunu ve veri hazırlama sürecini nasıl kolaylaştırdığını inceleyeceğiz. Hadi başlayalım!
Ultralytics 'nda bulunan görüntü etiketleme araçlarını incelemeden önce, bir adım geriye gidip veri etiketlemenin ne olduğunu ve bilgisayar görme sistemleri oluştururken neden önemli olduğunu anlayalım.
Bilgisayar görme modelleri, veri kümeleri olarak bilinen geniş resim veya video koleksiyonlarını analiz ederek öğrenir. Ancak, ham görüntüler tek başına bir modelin neyi detect tanıması gerektiğini anlaması için yeterli bilgi sağlamaz. Verilerin eğitim için kullanışlı hale gelmesi için, modelin hangi nesneleri, şekilleri veya kalıpları araması gerektiğini öğrenebilmesi amacıyla görüntüler veri etiketleme yoluyla etiketlenmelidir.
Görüntü etiketleme sürecinde, görüntüdaki belirli öğeler işaretlenir ve modele neyi öğrenmesi gerektiğini açıklayan etiketler atanır. Bu etiketlenmiş örnekler, derin öğrenme modellerine ve algoritmalarına eğitim aşamasında yol gösterir ve yeni görüntüleri işlerken benzer kalıpları tanımalarına yardımcı olur.
Farklı bilgisayar görme görevleri, uygulamaya ve kullanım durumuna bağlı olarak farklı türde görüntü etiketleme gerektirir. Örneğin, etiketleyiciler nesne algılama için nesnelerin etrafına sınırlayıcı kutular çizebilir, anlamsal segmentasyon için görüntüdeki bölgeleri çerçeveleyebilir, duruş tahmini için kilit noktaları tanımlayabilir veya sınıflandırma amacıyla görüntünün tamamına etiketler atayabilir.
Bilgisayar görme projeleri için veri hazırlama, genellikle çeşitli dosya formatlarıyla çalışmayı ve veri kümelerini düzenlemeyi içerir. Ayrıca, her şeyin makine öğrenimi algoritmalarının etiketlenmesi ve eğitilmesi için hazır hale getirilmesini de kapsar. Birçok iş akışında bu süreç birden fazla araca yayılır; veriler kullanılabilir hale gelmeden önce sistemler arasında yüklenir, temizlenir ve aktarılır.
Ultralytics , veri hazırlama, model eğitimi ve devreye alma işlemlerini tek bir ortamda gerçekleştirerek bu süreci basitleştirir. Ekipler, görüntüleri, videoları veya veri seti arşivlerini yükleyebilir ve manuel veya AI ile otomatikleştirilmiş etiketlemeler yoluyla verilerini hazırlamak için tamamen özelleştirilebilir bir yaklaşımdan yararlanabilir. Ultralytics , hem ham verileri hem de YOLO COCO gibi standart formatları destekleyerek yeni projelere başlamayı kolaylaştırır. Ayrıca, ekiplerin yeni projelere veya deneylere hızlı bir şekilde başlamak için kullanabilecekleri etiketlenmiş veri setleri de dahil olmak üzere, platformdaki mevcut veri setlerine erişim sağlar.
Veriler hazır olduğunda, doğrudan platform üzerinden yönetilebilir. Geliştiriciler görüntüleri inceleyebilir, etiketleme sürecini takip edebilir ve yerleşik görselleştirme araçlarını kullanarak veri kümesinin dağılımını anlayabilir ve olası eksiklikleri tespit edebilir.
Platform ayrıca veri kümesi sürümleme özelliğini destekleyerek, ekiplerin verilerinin zaman içindeki değişimlerini anlık görüntüler halinde kaydetmelerine yardımcı olur. Bu sayede track , deneyleri karşılaştırmak ve eğitim sürecinde tutarlılığı sağlamak daha kolay hale gelir.
Veriler hazırlandıktan sonra ekipler, modellerin neyi detect gerektiğini öğrenmelerine yardımcı olmak amacıyla görüntülere etiket ekleme aşamasına geçebilirler.
Veriler yüklendikten sonra bir sonraki adım, etiketleme işlemidir. Bu aşamada görüntü verileri etiketlenir ve böylece bilgisayar görme modellerinin eğitilmesi için zemin hazırlanır. Ultralytics , ekiplerin veri kümelerini doğrudan aynı ortamda etiketleyip yönetebilmelerini sağlayan bir etiketleme düzenleyicisi aracılığıyla yerleşik görüntü etiketleme hizmetleri sunar.
Etiket düzenleyicisi, kullanıcıların görüntüleri inceleyebileceği, etiketler ekleyebileceği ve gerektiğinde açıklamaları güncelleyebileceği basit bir çalışma alanında açılır. Her şey tek bir yerde düzenlenmiştir; bu sayede veri kümelerinin tutarlılığını korumak ve veri eğitimi için hazır hale getirmek daha kolay hale gelir.
Ekipler, veri kümelerini yükleyip doğrudan tarayıcı üzerinden görüntüleri etiketlemeye başlayabilir; etiketlerin veri kümesi genelinde tutarlı olmasını sağlamak için etiketleme sınıflarını tanımlayıp yönetebilir. Etiketler oluşturuldukça kullanıcılar bunları düzenleyicide görsel olarak inceleyebilir; bu da model eğitiminin aşamasına geçmeden önce doğruluğu kontrol etmeyi kolaylaştırır.
Ultralytics , gelişmiş algoritmalar kullanarak etiketleme sürecini basitleştiren ve verimli veri kümesi etiketleme iş akışlarını destekleyen çeşitli özellikler de içerir.
Ultralytics Platformunda bulunan başlıca özelliklerden bazıları şunlardır:
Ultralytics , manuel araçları, yapay zekayı ve otomasyonu bir araya getirerek kullanıcıların görüntüleri daha verimli bir şekilde etiketlemesine yardımcı olur. Ayrıca, ölçeklenebilir bilgisayar görme modelleri için yüksek kaliteli eğitim verilerinin hazırlanmasını sağlar.
Ürün kalite güvencesi gibi farklı kullanım senaryoları, görüntülerde veya videolarda neyin tespit edilmesi gerektiğine bağlı olarak farklı türde etiketleme gerektirecektir. Yukarıda da değindiğimiz gibi, Ultralytics her biri kendine özgü bir etiketleme türüne sahip beş nesne algılama görevini desteklemektedir.
Platformda desteklenen etiketleme görevlerine ve bunların veri kümelerini etiketlemek için nasıl kullanılabileceğine daha yakından bakalım.
Nesne algılama, bir görüntüdeki nesneleri tanımlar ve konumlarını belirler. Etiketleyiciler, ilgilenilen her nesneyi sınırlayıcı kutularla işaretleyerek nesnelerin görüntüde nerede göründüğünü belirtir.
Açıklama düzenleyicisinde bu işlem, sınırlayıcı kutu aracı kullanılarak gerçekleştirilir. Kullanıcılar “düzenleme moduna” geçebilir, tıklayıp sürükleyerek bir nesnenin etrafına dikdörtgen çizebilir ve açılır menüden bir sınıf etiketi atayabilir.
Çerçeveler oluşturulduktan sonra da ayarlanabilir. Anotasyon uzmanları, köşe veya kenar tutamaçlarını sürükleyerek çerçevelerin boyutunu değiştirebilir, çerçevenin ortasını sürükleyerek çerçeveyi taşıyabilir veya klavye kısayollarını kullanarak çerçeveyi silebilir. Bu anotasyonlar, görme modellerinin farklı sahnelerde ve koşullarda detect öğrenmesine yardımcı olur.
Örnek segmentasyonu, bir görüntüdeki nesnelerin tam şeklini tanımlayarak daha ayrıntılı etiketlemeler sağlar. Etiketleyiciler, basit bir kutu çizmek yerine, çokgen etiketlemeyi kullanarak nesnenin sınırlarını çizerek görüntü segmentasyonu görevleri için hassas maskeler oluşturur.
Anotasyon düzenleyicisi, bu iş için bir çokgen aracı içerir. Anotasyon uzmanları, nesnenin şeklini belirlemek üzere kenarlarının çevresine birden fazla köşe noktası yerleştirir. Köşe noktaları yerleştirildikten sonra, çokgen kapatılarak bir segmentasyon maskesi oluşturulabilir.
Çokgen oluşturulduktan sonra köşe noktaları ayarlanabilir. Nesne sınırlarını daha net hale getirmek için tek tek noktalar hareket ettirilebilir ve gerekirse köşe noktaları silinebilir. Bu piksel düzeyindeki açıklamalar, modellerin ayrıntılı görsel yapıları öğrenmesine ve birbirine yakın görünen nesneleri birbirinden ayırt etmesine yardımcı olur.
Duruş tahmini etiketleri, vücut eklemlerinin konumlarını ve aralarındaki ilişkileri kaydeder. Bu, modellerin bir görüntüdeki insan veya hayvanların yapısını ve hareketlerini anlamasına yardımcı olur.
Annotatörler, anahtar nokta aracını kullanarak omuzlar, dirsekler, bilekler, kalçalar, dizler ve ayak bilekleri gibi vücut eklemlerini temsil eden anahtar noktalar yerleştirir. Platform, 17 noktalı COCO duruş formatının yanı sıra eller, yüzler, köpekler ve kutu köşeleri için şablonlar da dahil olmak üzere çeşitli yerleşik iskelet şablonlarını desteklemektedir.
Şablonlar, tek bir tıklamayla tam bir iskelet düzenini yerleştirmeyi mümkün kılar; ardından, görüntüdeki pozla uyumlu hale getirmek için tek tek anahtar noktalar ayarlanabilir. Her anahtar nokta, görünür mü yoksa gizli mi olduğunu belirtmek için bir görünürlük bayrağı da içerebilir.
Yönlendirilmiş sınır kutuları, döndürme özelliğini destekleyerek geleneksel sınır kutularını bir adım öteye taşır. Bu tür bir açıklama, nesneler görüntü çerçevesiyle hizalı değil de açılı bir şekilde göründüğünde yararlıdır.
Açıklama düzenleyicisinde, açıklama ekleyenler yönlendirilmiş sınırlayıcı kutu aracını kullanarak nesnelerin etrafına döndürülmüş dikdörtgenler çizebilirler. İlk kutuyu çizdikten sonra, bir döndürme tutamağı kullanılarak açı ayarlanabilir; köşe tutamaçları ise kutunun boyutunun değiştirilmesini sağlar.
Döndürülmüş açıklamalar genellikle hava görüntülerinde, endüstriyel denetim veri kümelerinde ve nesnelerin çapraz olarak ya da farklı bakış açılarından göründüğü diğer durumlarda kullanılır.
Görüntü sınıflandırması, görüntüdeki tek tek nesneleri işaretlemek yerine görüntünün tamamına bir etiket atar.
Sınıflandırma veri kümeleri için, etiketleme düzenleyicisi bir sınıf seçici paneli sunar. Etiketleyiciler, kenar çubuğundan bir sınıf seçerek veya daha hızlı etiketleme için klavye kısayollarını kullanarak görüntülere etiket atayabilirler.
Bu görüntü düzeyindeki etiketler, modellerin farklı kategorileri temsil eden üst düzey görsel kalıpları öğrenmesine yardımcı olur.
Segmentasyon gibi görevler için görüntüleri etiketlemek, özellikle nesnelerin kenarlarının hassas bir şekilde çizilmesi gerektiğinde, genellikle özenli ve ayrıntılı bir çalışma gerektirir. Ultralytics , etiketlemeleri doğru ve gözden geçirilmesi kolay tutarken süreci hızlandıran yapay zeka destekli etiketleme araçları içerir.
Örneğin, etiketleyiciler, etiketlemeye dahil etmek istedikleri nesnenin belirli kısımlarına tıklayarak görüntüyle etkileşime girebilirler. Ayrıca, sonucu daha da iyileştirmek için hariç tutulması gereken alanları da işaretleyebilirler. Bu girdilere dayanarak model, gerçek zamanlı olarak bir segmentasyon maskesi oluşturur; bu maske, kaydedilmeden önce incelenip düzeltilebilir.
Bu yaklaşım, her ayrıntıyı elle çizmek zorunda kalmadan karmaşık görüntüleri işlemek için kolaylık sağlar. Aynı zamanda, etiketleyiciler nihai çıktının kontrolünü elinde tutar ve veri kümesi genelinde etiketlemelerin tutarlı olmasını sağlar.
Bu özellikler, Segment Anything Models (SAM) tarafından desteklenmektedir. Bu modeller, minimum girdi ile yüksek kaliteli segmentasyonlar üretmek üzere tasarlanmış, açık kaynaklı bilgisayar görme araçlarından oluşan daha geniş bir ekosistemin parçasıdır. Platform, SAM .1 ve SAM dahil olmak üzere birçok SAM desteklemektedir. Bu sayede ekipler, ihtiyaçlarına göre daha hızlı performans ile daha ayrıntılı sonuçlar arasında seçim yapma esnekliğine sahip olurlar.
Bu yapay zeka destekli araçlar, nesne algılama, örnek segmentasyonu ve yönlü sınırlayıcı kutu algılama gibi görevlerde kullanılabilir. Bu sayede ekipler, güvenilir model eğitimi için gerekli kaliteyi korurken büyük veri kümelerini daha verimli bir şekilde işleyebilir.
Etiketleme çalışması ilerledikçe, geriye dönüp etiketleri düzeltmek, hataları gidermek veya görüntüleri daha yakından incelemek sıkça karşılaşılan bir durumdur. Ultralytics düzenleyicisi, bu günlük işlerin daha kolay ve daha az zaman alıcı hale getirilmesini sağlayan yerleşik araçlar içerir.
Düzenleyicide bulunan iş akışı özelliklerinden bazıları şunlardır:
Net ve tutarlı etiketleme sınıfları, güvenilir bilgisayar görme veri kümelerinin oluşturulmasında önemli bir rol oynar. Projeler büyüdükçe, özellikle birden fazla etiketleyici söz konusu olduğunda, büyük veri kümelerinde veri etiketlemeyi yönetmek zorlaşabilir. Sınıfları iyi bir şekilde düzenlemek, etiketlemelerin tutarlı kalmasını ve modellerin yapılandırılmış verilerden öğrenmesini sağlar.
Ultralytics , sınıf yönetimini doğrudan etiketleme düzenleyicisine entegre ederek bu süreci basitleştirir. Ekipler, etiketleri ayrı ayrı yönetmek yerine görüntüler üzerinde çalışırken sınıflar oluşturabilir, güncelleyebilir ve inceleyebilir; böylece etiketleme iş akışı boyunca tutarlılığı sağlamak daha kolay hale gelir.
Düzenleyicide, tüm sınıflar açıklama tuvalinin yanındaki kenar çubuğunda görüntülenir. Bu sayede, açıklama eklerken doğru etiketi seçmek ve veri kümesinde sınıfların nasıl kullan track kolaylaşır. Kullanıcılar, iş akışlarını kesintiye uğratmadan mevcut sınıfları arayabilir veya gerektiğinde yeni sınıflar oluşturabilir.
Sınıf ayrıntıları da istediği zaman güncellenebilir. İsimler doğrudan düzenlenebilir ve farklı sınıfların açıklamalar arasında daha kolay ayırt edilebilmesi için renkler atanabilir. Düzenleyici ayrıca her sınıfa kaç adet açıklama bağlı olduğunu gösterir ve kullanıcıların bunları gözden geçirmesine olanak tanıyarak ekiplerin tutarlılık ve doğruluğu kontrol etmesine yardımcı olur.
Tüm sınıflar, sıralanabilen, aranabilen ve güncellenebilen merkezi bir tablo aracılığıyla yönetilir. Burada yapılan tüm değişiklikler veri kümesine otomatik olarak yansıtılır; bu da, etiketleme projeleri büyüdükçe ekiplerin tutarlılığı korumasına yardımcı olur.
Bilgisayar görme sistemleri geliştirme aşamasından gerçek dünyadaki kullanıma geçerken, etiketlenmiş verilerin kalitesi modellerin performansında kilit bir rol oynar. Doğru şekilde etiketlenmiş veri kümeleri, özellikle dinamik veya öngörülemez ortamlarda modellerin daha doğru ve tutarlı tahminler üretmesine yardımcı olur.
Uygulamada, etiketlemede görülen küçük tutarsızlıklar bile modelin davranışını etkileyebilir. Nesnelerin nasıl etiketlendiği veya sınır durumlarının nasıl ele alındığına dair farklılıklar, eğitim aşamasında göze çarpmayabilir; ancak sistemler devreye alındığında tahminlerin güvenilirliğini azaltabilir.
Bunun yanı sıra, bu tutarsızlıklar gerçek dünya uygulamalarında daha belirgin hale gelebilir. Örneğin, robotik ve sağlık sistemlerinde modeller, detect ve eylemleri gerçek zamanlı olarak yönlendirmek için görsel girdilere dayanır. Etiketlemedeki farklılıklar, bu sistemlerin çevrelerini ne kadar doğru yorumladıklarını etkileyebilir.
Tutarlı veri etiketleme uygulamalarını sürdürerek ve zaman içinde veri kümelerini yönetmek ve iyileştirmek Ultralytics gibi platformları kullanarak, ekipler kontrollü test ortamlarının ötesinde daha güvenilir performans gösteren modeller geliştirebilirler.
Doğru bilgisayar görme modellerini eğitmek ve başarılı görüntü etiketleme projelerini desteklemek için yüksek kaliteli veri etiketleme hayati önem taşır. Ultralytics , çok sayıda görme görevini destekleyen güçlü bir etiketleme düzenleyicisiyle bu süreci basitleştirir. Ekipler, manuel etiketleme araçlarını SAM yerleşik iş akışı özelliklerini kullanarak yapay zeka destekli etiketlemeyle birleştirerek veri kümelerini daha verimli bir şekilde hazırlayabilir ve veri hazırlığından model geliştirmeye daha hızlı geçebilir.
Topluluğumuza katılın ve GitHub deposunu inceleyerek bilgisayar görme modelleri hakkında daha fazla bilgi edinin. Çözüm sayfalarımızda otomotiv sektöründe yapay zeka ve robotikte bilgisayar görme gibi uygulamalar hakkında bilgi edinin. Lisans seçeneklerimizi inceleyin ve kendi Vision AI modelinizi oluşturmaya başlayın.
Makine öğreniminin geleceği ile yolculuğunuza başlayın
