Ultralytics Platform ile görüntü etiketlemeyi kolaylaştırma

Ultralytics kısa süre önce, bilgisayarlı görü geliştirme sürecinin tüm yaşam döngüsünü desteklemek üzere oluşturulmuş bir ortam olan Ultralytics Platform'ı kullanıma sundu. Platform, veri kümesi hazırlama, görüntü ve video etiketleme, model eğitimi ve dağıtımı gibi görü yapay zeka iş akışlarının çeşitli aşamalarını yönetmek için kullanılan araçları merkezileştirir.

Otonom sürüş ve sağlık hizmetleri gibi sektörlerde giderek daha fazla benimsenmesine rağmen, bilgisayarlı görü çözümleri oluşturmak hala parçalı bir süreç olarak görülebilir. Bunun temel nedenlerinden biri, bilgisayarlı görü modellerinin eğitildikleri verilerin kalitesine büyük ölçüde bağımlı olmasıdır. Eğitim başlamadan önce veri kümelerinin oluşturulması, düzenlenmesi, gözden geçirilmesi ve etiketlenmesi gerekir; böylece model neyi tespit etmesi veya tanıması gerektiğini öğrenebilir.

Görsel verilerle çalışırken, bu süreç veri etiketleme veya görüntü etiketleme olarak bilinir. Görüntü etiketleme sırasında, bir görüntünün belirli kısımları işaretlenir ve eğitim sırasında modele yol gösterecek etiketler atanır.

Örneğin, amaç görüntülerdeki köpekleri tespit etmekse, etiketleyiciler nerede göründüklerini göstermek için her köpeğin etrafına sınırlayıcı kutular (bounding box) çizebilir. Daha ayrıntılı görevlerde, köpeğin şeklini özetlemek için segmentasyon maskeleri kullanabilir veya duruşunu yakalamak için anahtar noktaları işaretleyebilirler. Bu etiketli örnekler, model dağıtıldıktan sonra ne kadar iyi performans göstereceğini doğrudan etkiler.

Görüntü etiketleme iş akışlarını ölçekli olarak yönetmek zor olabilir. Büyük veri kümeleri genellikle tutarlı etiketleme standartları, birden fazla etiketleyici arasında iş birliği ve etiketleri incelemeyi ve iyileştirmeyi kolaylaştıran araçlar gerektirir.

Ultralytics Platform, bunu yerleşik bir etiketleme düzenleyici ile bir araya getiriyor. Birden fazla etiketleme görevi türünü destekler ve ekiplere verileri etiketlemeleri ve bilgisayarlı görü veri kümelerini tek bir iş akışı içinde hazırlamaları için daha basit bir yol sunar.

Şekil 1. Ultralytics Platform'daki etiketleme düzenleyiciye bir bakış (Kaynak)

Bu makalede, Ultralytics Platform'un etiketleme düzenleyicisinin ekiplerin veri kümelerini verimli bir şekilde etiketlemelerine nasıl yardımcı olduğunu ve veri hazırlama sürecini nasıl kolaylaştırdığını inceleyeceğiz. Hadi başlayalım!

Link to this sectionBilgisayarlı görüde veri etiketleme#

Ultralytics Platform'da bulunan görüntü etiketleme araçlarını keşfetmeden önce, veri etiketlemenin ne olduğunu ve bilgisayarlı görü sistemleri oluşturmada neden önemli olduğunu anlamak için bir adım geri çekilelim.

Bilgisayarlı görü modelleri, veri kümeleri olarak bilinen büyük görüntü veya video koleksiyonlarını analiz ederek öğrenir. Ancak, ham görüntüler tek başlarına bir modelin neyi tespit etmesi veya tanıması gerektiğini anlaması için yeterli bilgi sağlamaz. Verileri eğitim için yararlı hale getirmek adına, görüntülerin veri etiketleme yoluyla etiketlenmesi gerekir, böylece model hangi nesneleri, şekilleri veya desenleri araması gerektiğini öğrenebilir.

Görüntü etiketleme sırasında, görüntü içindeki belirli öğeler işaretlenir ve modelin neyi öğrenmesi gerektiğini açıklayan etiketler atanır. Bu etiketli örnekler, derin öğrenme modellerine ve algoritmalarına eğitim sırasında rehberlik eder ve yeni görüntüleri işlerken benzer desenleri tanımalarına yardımcı olur.

Farklı bilgisayarlı görü görevleri, uygulamaya ve kullanım durumuna bağlı olarak farklı görüntü etiketleme türleri gerektirir. Örneğin, etiketleyiciler nesne tespiti için nesnelerin etrafına sınırlayıcı kutular çizebilir, anlamsal segmentasyon için görüntüdeki bölgelerin ana hatlarını belirleyebilir, poz tahmini için anahtar noktaları tanımlayabilir veya sınıflandırma için tüm görüntüye etiketler atayabilir.

Link to this sectionVerileri yönetme ve hazırlama#

Bilgisayarlı görü projeleri için veri hazırlamak genellikle çeşitli dosya biçimleriyle çalışmayı ve veri kümelerini düzenlemeyi içerir. Ayrıca, her şeyin etiketlemeye ve makine öğrenimi algoritmalarının eğitimine hazır olmasını sağlamayı da kapsar. Birçok iş akışında bu süreç birden fazla araca yayılır ve veriler kullanılmadan önce sistemler arasında yüklenir, temizlenir ve taşınır.

Ultralytics Platform, veri hazırlama, model eğitimi ve dağıtımını tek bir ortamda gerçekleştirerek bunu basitleştirir. Ekipler görüntüleri, videoları veya veri kümesi arşivlerini yükleyebilir ve manuel veya yapay zeka destekli etiketlemelerle verilerini hazırlamak için tamamen özelleştirilebilir bir yaklaşımdan yararlanabilir. Ultralytics Platform, hem ham verileri hem de YOLO ve COCO gibi standart biçimleri destekleyerek yeni projelere başlamayı kolaylaştırır. Ayrıca, ekiplerin yeni projeleri veya deneyleri hızlı bir şekilde başlatmak için kullanabilecekleri etiketli veri kümeleri de dahil olmak üzere, platformdaki mevcut veri kümelerine erişim sağlar.

Şekil 2. Ultralytics Platform'da tek bir ortamda veri kümelerini yükle ve yönet. (Kaynak)

Veriler hazır olduğunda, doğrudan platform üzerinde yönetilebilir. Geliştiriciler görüntüleri inceleyebilir, etiketleme ilerlemesini izleyebilir ve veri kümesi dağılımını anlamak ve olası boşlukları belirlemek için yerleşik görselleştirmeleri kullanabilir.

Platform ayrıca, ekiplerin verileri geliştikçe anlık görüntülerini almalarına yardımcı olan veri kümesi sürüm oluşturmayı da destekler. Bu, değişiklikleri izlemeyi, deneyleri karşılaştırmayı ve eğitim sırasında tutarlılığı korumayı kolaylaştırır.

Veriler hazırlandıktan sonra ekipler, modellerin neyi tespit etmesi gerektiğini öğrenmelerine yardımcı olmak için görüntülerin etiketlendiği görüntü etiketleme aşamasına geçebilirler.

Link to this sectionUltralytics Platform üzerinde veri kümelerini etiketleme#

Veriler yüklendikten sonra bir sonraki adım etiketlemedir. Görüntü verilerinin etiketlendiği ve bilgisayarlı görü modellerini eğitmek için temellerin atıldığı yer burasıdır. Ultralytics Platform, ekiplerin veri kümelerini doğrudan aynı ortam içinde etiketlemelerini ve yönetmelerini sağlayan bir etiketleme düzenleyicisi aracılığıyla yerleşik görüntü etiketleme hizmetleri içerir.

Etiketleme düzenleyicisi, kullanıcıların görüntüleri inceleyebileceği, etiket ekleyebileceği ve etiketleri gerektiği gibi güncelleyebileceği basit bir çalışma alanında açılır. Her şey tek bir yerde düzenlenmiştir, bu da veri kümelerini tutarlı tutmayı ve veri eğitimine hazır hale getirmeyi kolaylaştırır.

Ekipler veri kümelerini yükleyebilir ve doğrudan tarayıcıda görüntüleri etiketlemeye başlayabilir, etiketlerin veri kümesi genelinde tutarlı kalmasını sağlamak için etiket sınıflarını tanımlayabilir ve yönetebilir. Etiketler oluşturuldukça, kullanıcılar bunları düzenleyicide görsel olarak inceleyebilir, bu da model eğitimine geçmeden önce doğruluğu kontrol etmeyi kolaylaştırır.

Link to this sectionUltralytics Platform'daki görüntü etiketleme araçları#

Ultralytics Platform ayrıca, gelişmiş algoritmalar kullanarak etiketleme sürecini basitleştiren ve verimli veri kümesi etiketleme iş akışlarını destekleyen çeşitli özellikler içerir.

İşte Ultralytics Platform'da bulunan temel özelliklerden bazıları:

• Manuel etiketleme: Bu yaklaşım, kullanıcıların sınırlayıcı kutular, segmentasyon bölgeleri veya anahtar noktalar gibi görüntü etiketlerini doğrudan görüntüler üzerinde oluştururken tam kontrole ve esnekliğe sahip olmalarını sağlar.
• Yapay zeka destekli etiketleme: Bu özellik, önerilen etiketleri otomatik olarak oluşturarak manuel etiketleme ihtiyacını azaltır. Nesneleri veya bölgeleri tek bir tıklamayla tespit etmek için SAM (Segment Anything Model) kullanır, etiketleme sürecini kolaylaştırır ve kullanıcıların önerileri veri kümesine eklemeden önce gözden geçirip onaylamalarına yardımcı olur.
• Etiket düzenleme: Kullanıcılar, oluşturulduktan sonra herhangi bir noktada görüntü etiketlerini değiştirebilir veya iyileştirebilir. Bu, etiketleme hatalarını düzeltmeye ve etiketleme süreci boyunca tutarlı veri kümesi etiketlerini korumaya yardımcı olur.
• Sınıf yönetimi: Ekipler ve bireysel geliştiriciler, veri kümesi etiketleme sırasında kullanılan etiketleme sınıflarını tanımlayabilir ve organize edebilir. Bu, etiketlerin görüntüler genelinde tutarlı kalmasına yardımcı olur; bu da sınıfları doğru bir şekilde tanıyabilen ve ayırt edebilen modeller eğitmek için önemlidir.

Manuel araçları, yapay zekayı ve otomasyonu birleştiren Ultralytics Platform, kullanıcıların görüntüleri daha verimli bir şekilde etiketlemelerine yardımcı olur. Ayrıca, ölçeklenebilir bilgisayarlı görü modelleri için yüksek kaliteli eğitim verilerinin hazırlanmasını sağlar.

Link to this sectionDesteklenen etiketleme görevi türleri#

Ürün kalite güvencesi gibi farklı kullanım durumları, görüntüler veya videolar içinde nelerin tespit edilmesi gerektiğine bağlı olarak farklı etiketleme türleri gerektirecektir. Yukarıda değindiğimiz gibi, Ultralytics Platform her biri kendi etiketleme türüne sahip beş nesne tespit görevini destekler.

Platformda desteklenen etiketleme görevlerine ve veri kümelerini etiketlemek için nasıl kullanılabileceklerine daha yakından bakalım.

Link to this sectionNesne tespiti (Object detection)#

Nesne tespiti, bir görüntü içindeki nesneleri tanımlar ve yerelleştirir. Etiketleyiciler, öğelerin görüntüde nerede göründüğünü belirten sınırlayıcı kutular kullanarak her bir ilgi çekici nesneyi işaretler.

Etiketleme düzenleyicisinde bu işlem sınırlayıcı kutu aracı kullanılarak yapılır. Kullanıcılar "düzenleme modu"na girebilir, bir nesnenin etrafına dikdörtgen çizmek için tıklayıp sürükleyebilir ve bir açılır menüden sınıf etiketi atayabilir.

Sınırlayıcı kutular oluşturulduktan sonra ayarlanabilir. Etiketleyiciler, köşe veya kenar tutamaçlarını sürükleyerek boyutlarını değiştirebilir, kutunun merkezini sürükleyerek taşıyabilir veya klavye kısayollarını kullanarak silebilir. Bu etiketler, görü modellerinin nesneleri farklı sahneler ve koşullar altında tespit etmeyi öğrenmesine yardımcı olur.

Şekil 3. Ultralytics Platform'da sınırlayıcı kutular kullanarak nesne tespiti etiketlemesi. (Kaynak)

Link to this sectionÖrneklem segmentasyonu (Instance segmentation)#

Örnek segmentasyon (instance segmentation), bir görüntü içindeki nesnelerin tam şeklini tanımlayarak daha ayrıntılı etiketler sağlar. Basit bir kutu çizmek yerine, etiketleyiciler görüntü segmentasyon görevleri için hassas maskeler oluşturmak üzere çokgen etiketleme kullanarak nesnenin sınırlarını çizer.

Etiketleme düzenleyicisi, bu görev için bir çokgen aracı içerir. Etiketleyiciler, nesnenin şeklini belirtmek için kenarları etrafına birden fazla köşe yerleştirir. Köşeler yerleştirildikten sonra, bir segmentasyon maskesi oluşturmak için çokgen kapatılabilir.

Köşeler, çokgen oluşturulduktan sonra ayarlanabilir. Nesne sınırlarını iyileştirmek için bireysel noktalar taşınabilir ve gerekirse köşeler kaldırılabilir. Bu piksel düzeyindeki etiketler, modellerin ayrıntılı görsel yapıları öğrenmesine ve birbirine yakın görünen nesneleri ayırt etmesine yardımcı olur.

Link to this sectionPoz tahmini (Pose estimation)#

Poz tahmini etiketleri, vücut eklemlerinin konumlarını ve aralarındaki ilişkileri yakalar. Bu, modellerin bir görüntüdeki insanların veya hayvanların yapısını ve hareketini anlamasına yardımcı olur.

Anahtar nokta aracını kullanarak etiketleyiciler; omuzlar, dirsekler, bilekler, kalçalar, dizler ve ayak bilekleri gibi vücut eklemlerini temsil eden anahtar noktalar yerleştirir. Platform, 17 noktalı COCO insan pozu formatının yanı sıra eller, yüzler, köpekler ve kutu köşeleri için şablonlar da dahil olmak üzere birçok yerleşik iskelet şablonunu destekler.

Şablonlar, tek bir tıklamayla tam bir iskelet düzeni yerleştirmeyi mümkün kılar, ardından bireysel anahtar noktalar görüntüdeki poza uyacak şekilde ayarlanabilir. Her anahtar nokta, görünür veya kapalı olup olmadığını belirtmek için bir görünürlük bayrağı da içerebilir.

Şekil 4. Anahtar noktalar ve iskelet şablonları kullanarak poz tahmini etiketlemesi. (Kaynak)

Link to this sectionYönlendirilmiş sınırlayıcı kutular (OBB)#

Yönlendirilmiş sınırlayıcı kutular, döndürmeyi destekleyerek geleneksel sınırlayıcı kutuları bir adım öteye taşır. Bu etiketleme türü, nesneler görüntü çerçevesiyle hizalı olmak yerine açılı olarak göründüğünde kullanışlıdır.

Etiketleme düzenleyicisinde, etiketleyiciler nesnelerin etrafına döndürülmüş dikdörtgenler çizmek için yönlendirilmiş sınırlayıcı kutu aracını kullanabilir. İlk kutuyu çizdikten sonra, açıyı ayarlamak için bir döndürme tutamacı kullanılabilir, köşe tutamaçları ise kutunun yeniden boyutlandırılmasını sağlar.

Döndürülmüş etiketler genellikle hava görüntülerinde, endüstriyel denetim veri kümelerinde ve nesnelerin çapraz veya farklı bakış açılarından göründüğü diğer senaryolarda kullanılır.

Şekil 5. Hava görüntülerindeki döndürülmüş nesneler için yönlendirilmiş sınırlayıcı kutu (OBB) etiketlemesi. (Kaynak)

Link to this sectionGörüntü sınıflandırma (Image classification)#

Görüntü sınıflandırma, içindeki bireysel nesneleri işaretlemek yerine tüm görüntüye bir etiket atar.

Sınıflandırma veri kümeleri için etiketleme düzenleyicisi bir sınıf seçici paneli sağlar. Etiketleyiciler, kenar çubuğundan bir sınıf seçerek veya daha hızlı etiketleme için klavye kısayollarını kullanarak görüntülere etiket atayabilir.

Bu görüntü düzeyindeki etiketler, modellerin farklı kategorileri temsil eden üst düzey görsel desenleri öğrenmesine yardımcı olur.

Link to this sectionSAM ile yapay zeka destekli etiketleme#

Segmentasyon gibi görevler için görüntüleri etiketlemek, özellikle nesnelerin tam olarak ana hatlarının belirlenmesi gerektiğinde dikkatli ve ayrıntılı bir çalışma gerektirir. Ultralytics Platform, süreci hızlandırırken etiketlerin doğru kalmasını ve gözden geçirilmesinin kolay olmasını sağlayan yapay zeka destekli etiketleme araçları içerir.

Örneğin, etiketleyiciler etikete dahil etmek istedikleri bir nesnenin kısımlarına tıklayarak bir görüntüyle etkileşime girebilirler. Ayrıca sonucu iyileştirmek için hariç tutulması gereken alanları da işaretleyebilirler. Bu girdilere dayanarak model, gerçek zamanlı olarak bir segmentasyon maskesi oluşturur ve bu maske kaydedilmeden önce gözden geçirilebilir ve ayarlanabilir.

Bu yaklaşım, her ayrıntıyı manuel olarak izlemeye gerek kalmadan karmaşık görüntüler üzerinde çalışmayı kolaylaştırır. Aynı zamanda etiketleyiciler, etiketlerin veri kümesi genelinde tutarlı kalmasını sağlayarak nihai çıktı üzerinde kontrol sahibi olmaya devam eder.

Şekil 6. Ultralytics Platform'da Akıllı etiketleme aracı kullanılarak yapay zeka destekli segmentasyon. (Kaynak)

Bu özellikler, Segment Anything Models (SAM) tarafından desteklenmektedir. Bu modeller, minimum girdiden yüksek kaliteli segmentasyonlar oluşturmak için tasarlanmış daha geniş bir açık kaynaklı bilgisayarlı görü araçları ekosisteminin bir parçasıdır. Platform, SAM 2.1 ve SAM 3 dahil olmak üzere birden fazla SAM varyantını destekler. Bu, ekiplere ihtiyaçlarına göre daha hızlı performans ve daha ayrıntılı sonuçlar arasında seçim yapma esnekliği sağlar.

Bu yapay zeka destekli araçlar; nesne tespiti, örnek segmentasyon ve yönlendirilmiş sınırlayıcı kutu tespiti gibi görevlere uygulanabilir. Bu, ekiplerin güvenilir model eğitimi için gereken kaliteyi korurken büyük veri kümelerini daha verimli bir şekilde işleyebileceği anlamına gelir.

Link to this sectionYerleşik araçlarla etiketleme iş akışlarını iyileştirme#

Etiketleme çalışması ilerledikçe, geri dönüp etiketleri ayarlamak, hataları düzeltmek veya görüntüleri daha yakından incelemek yaygındır. Ultralytics etiketleme düzenleyicisi, bu günlük görevleri yönetmeyi kolaylaştıran ve daha az zaman alıcı hale getiren yerleşik araçlar içerir.

Düzenleyicide bulunan bazı iş akışı özellikleri şunlardır:

• Klavye kısayolları: Düzenleyici, etiketleri kaydetme, değişiklikleri geri alma veya yineleme, etiketleri silme ve etiketleme sırasında sınıfları seçme gibi yaygın eylemleri hızlandıran kısayollar içerir.
• Geri alma ve yineleme geçmişi: Etiketleyiciler, bir düzenleme oturumu sırasında yapılan değişiklikleri kolayca geri alabilir veya geri yükleyebilir. Bu, ekiplerin etiketlerle denemeler yapmasına ve ilerlemeyi kaybetmeden hataları hızlı bir şekilde düzeltmesine yardımcı olarak veri kümesi hazırlığı sırasında daha iyi kalite kontrolünü destekler.
• Esnek etiket düzenleme: Etiketler oluşturulduktan sonra bile ayarlanabilir. Kullanıcılar şekilleri yeniden boyutlandırabilir, etiketleri taşıyabilir, yönlendirilmiş sınırlayıcı kutuları döndürebilir veya özellikle düzensiz şekilli nesneleri iyileştirirken sınıf etiketlerini gerektiği gibi güncelleyebilir.
• Görünürlük kontrolleri: Düzenleyici, kullanıcıların etiketleri ve sınıf etiketlerini göstermesine veya gizlemesine olanak tanıyan görünürlük geçişleri içerir, bu da etiketleme sırasında görüntüleri incelemeyi kolaylaştırır.
• Hassas araçlar: Yakınlaştırma ve piksel koordinatlarına sahip bir artı imleç gibi özellikler, ayrıntılı görüntülerle çalışırken etiketleyicilerin etiketleri daha doğru yerleştirmelerine yardımcı olur.

Link to this sectionUltralytics Platform'da etiketleme sınıflarını yönetme#

Net ve tutarlı etiketleme sınıfları, güvenilir bilgisayarlı görü veri kümeleri oluşturmada önemli bir rol oynar. Projeler büyüdükçe, özellikle birden fazla etiketleyici dahil olduğunda büyük veri kümeleri genelinde veri etiketlemeyi yönetmek zorlaşabilir. Sınıfları iyi organize etmek, etiketlerin tutarlı kalmasına ve modellerin yapılandırılmış verilerden öğrenmesine yardımcı olur.

Ultralytics Platform, sınıf yönetimini doğrudan etiketleme düzenleyicisine getirerek bu süreci basitleştirir. Ekipler, etiketleri ayrı ayrı işlemek yerine görüntüler üzerinde çalışırken sınıflar oluşturabilir, güncelleyebilir ve gözden geçirebilir; bu da etiketleme iş akışı boyunca tutarlı kalmayı kolaylaştırır.

Düzenleyici içinde tüm sınıflar, etiketleme tuvalinin yanında bir kenar çubuğunda mevcuttur. Bu, etiketleme yaparken doğru etiketi seçmeyi ve sınıfların veri kümesi genelinde nasıl kullanıldığını takip etmeyi kolaylaştırır. Kullanıcılar, iş akışlarını kesintiye uğratmadan mevcut sınıfları arayabilir veya gerektiğinde yenilerini oluşturabilir.

Sınıf ayrıntıları da herhangi bir zamanda güncellenebilir. Adlar doğrudan düzenlenebilir ve farklı sınıfların etiketler genelinde tanımlanmasını kolaylaştırmak için renkler atanabilir. Düzenleyici ayrıca her bir sınıfa kaç etiketin bağlı olduğunu gösterir ve kullanıcıların bunları incelemesine olanak tanıyarak ekiplerin tutarlılık ve doğruluk kontrolü yapmasına yardımcı olur.

Tüm sınıflar, sıralanabildikleri, aranabildikleri ve güncellenebildikleri merkezi bir tablo aracılığıyla yönetilir. Burada yapılan tüm değişiklikler veri kümesi genelinde otomatik olarak uygulanır ve etiketleme projeleri ölçeklendikçe ekiplerin tutarlılığı korumasına yardımcı olur.

Şekil 7. Etiketleme düzenleyicisindeki sınıf yönetimi, etiket organizasyonunu ve renk özelleştirmesini gösterir. (Kaynak)

Link to this sectionEtiketleme kalitesi gerçek dünya performansını nasıl etkiler#

Bilgisayarlı görü sistemleri geliştirmeden gerçek dünya kullanımına geçtikçe, etiketli verilerin kalitesi modellerin performansında kilit bir rol oynar. İyi etiketlenmiş veri kümeleri, modellerin özellikle dinamik veya öngörülemeyen ortamlarda daha doğru ve tutarlı tahminler üretmesine yardımcı olur.

Uygulamada, etiketlemedeki küçük tutarsızlıklar bile model davranışını etkileyebilir. Nesnelerin nasıl etiketlendiği veya uç durumların (edge cases) nasıl ele alındığı konusundaki farklılıklar eğitim sırasında belirgin olmayabilir ancak sistemler dağıtıldıktan sonra daha az güvenilir tahminlere yol açabilir.

Bunun da ötesinde, bu tutarsızlıklar gerçek dünya uygulamalarında daha fark edilebilir hale gelebilir. Örneğin, robotik ve sağlık sistemlerinde modeller, nesneleri tespit etmek ve gerçek zamanlı eylemlere rehberlik etmek için görsel girdilere güvenir. Etiketlemedeki farklılıklar, bu sistemlerin çevrelerini ne kadar doğru yorumladığını etkileyebilir.

Tutarlı etiketleme uygulamalarını sürdürerek ve veri kümelerini zaman içinde yönetmek ve iyileştirmek için Ultralytics gibi platformlar kullanarak ekipler, kontrollü test ortamlarının ötesinde daha güvenilir şekilde performans gösteren modeller oluşturabilir.

Link to this sectionÖne çıkanlar#

Yüksek kaliteli veri etiketleme, doğru bilgisayarlı görü modellerini eğitmek ve başarılı görüntü etiketleme projelerini desteklemek için şarttır. Ultralytics Platform, birden fazla görü görevini destekleyen güçlü bir etiketleme düzenleyicisi ile bu süreci basitleştirir. Manuel etiketleme araçlarını SAM ile yapay zeka destekli etiketleme ve yerleşik iş akışı özellikleri ile birleştiren ekipler, veri kümelerini daha verimli bir şekilde hazırlayabilir ve veri hazırlığından model geliştirmeye daha hızlı geçebilir.

Topluluğumuza katıl ve bilgisayarlı görü modelleri hakkında daha fazla bilgi edinmek için GitHub deposunu keşfet. Otomotivde yapay zeka ve robotikte bilgisayarlı görü gibi uygulamalar hakkında çözümler sayfalarımızdan bilgi edinebilirsin. Lisanslama seçeneklerimize göz at ve kendi görü yapay zeka modelini oluşturmaya başla.