Ultralytics Platform ile görüntü anotasyonunu kolaylaştırma

Ultralytics, kısa süre önce bilgisayarlı görü geliştirme yaşam döngüsünün tamamını desteklemek üzere tasarlanmış bir ortam olan Ultralytics Platform’u kullanıma sundu. Platform; veri kümesi hazırlama, görüntü ve video etiketleme, model eğitimi ve dağıtım dahil olmak üzere görsel yapay zekâ iş akışlarının çeşitli aşamalarını yönetmek için kullanılan araçları tek yerde topluyor.

Otonom sürüş ve sağlık gibi sektörlerde benimsenmesi giderek artsa da bilgisayarlı görü çözümleri geliştirmek hâlâ parçalı bir süreç olarak görülebiliyor. Bunun başlıca nedenlerinden biri, bilgisayarlı görü modellerinin büyük ölçüde eğitildikleri verilerin kalitesine bağlı olması. Eğitim başlamadan önce modelin neyi algılayacağını veya tanıyacağını öğrenebilmesi için veri kümelerinin oluşturulması, düzenlenmesi, incelenmesi ve etiketlenmesi gerekiyor.

Görsel verilerle çalışırken bu süreç veri açıklama veya görüntü açıklama olarak bilinir. Görüntü açıklama sırasında, modelin eğitimine yön verecek etiketler atanarak görüntünün belirli bölümleri işaretlenir.

Örneğin, amaç görüntülerdeki köpekleri algılamaksa, açıklama yapanlar köpeklerin göründüğü yerleri belirtmek için her köpeğin çevresine sınırlayıcı kutular çizebilir. Daha ayrıntılı görevlerde köpeğin şeklini bölütleme maskeleriyle çizebilir veya duruşunu belirlemek için önemli noktaları işaretleyebilirler. Bu etiketli örnekler, modelin dağıtımdan sonra ne kadar iyi performans gösterdiğini doğrudan etkiler.

Görüntü açıklama iş akışlarını büyük ölçekte yönetmek zor olabilir. Büyük veri kümelerinde genellikle tutarlı etiketleme standartları, birden fazla açıklama yapan kişinin iş birliği ve açıklamaları inceleyip iyileştirmeyi kolaylaştıran araçlar gerekir.

Ultralytics Platform, bu işlevleri yerleşik bir açıklama düzenleyicisiyle bir araya getiriyor. Birden fazla açıklama görevi türünü destekliyor ve ekiplere tek bir iş akışı içinde verileri etiketlemek ve bilgisayarlı görü veri kümelerini hazırlamak için daha kolay bir yöntem sunuyor.

Şekil 1. Ultralytics Platform’daki açıklama düzenleyicisine bir bakış (Kaynak)

Bu makalede, Ultralytics Platform’un açıklama düzenleyicisinin ekiplerin veri kümelerini verimli biçimde açıklamasına nasıl yardımcı olduğunu ve veri hazırlama sürecini nasıl kolaylaştırdığını inceleyeceğiz. Hadi başlayalım!

Bilgisayarlı görüde veri açıklama#

Ultralytics Platform’ta bulunan görüntü açıklama araçlarını incelemeden önce, veri açıklamanın ne olduğunu ve bilgisayarlı görü sistemleri geliştirmede neden önemli olduğunu anlamak için bir adım geriye gidelim.

Bilgisayarlı görü modelleri, veri kümeleri olarak bilinen büyük görüntü veya video koleksiyonlarını analiz ederek öğrenir. Ancak ham görüntüler tek başına modele neyi algılaması veya tanıması gerektiğini anlatmak için yeterli bilgi sağlamaz. Verilerin eğitimde kullanılabilmesi için görüntülerin veri etiketleme yoluyla etiketlenmesi gerekir; böylece model hangi nesneleri, şekilleri veya örüntüleri arayacağını öğrenebilir.

Görüntü açıklama sırasında, modelin öğrenmesi gerekenleri açıklayan etiketler atanarak görüntüdeki belirli öğeler işaretlenir. Bu etiketli örnekler, eğitim sırasında derin öğrenme modellerine ve algoritmalara yön verir ve yeni görüntüleri işlerken benzer örüntüleri tanımalarına yardımcı olur.

Farklı bilgisayarlı görü görevleri, uygulamaya ve kullanım senaryosuna bağlı olarak farklı görüntü açıklama türleri gerektirir. Örneğin, açıklama yapanlar nesne algılama için nesnelerin çevresine sınırlayıcı kutular çizebilir, anlamsal bölütleme için görüntüdeki bölgelerin çevresini çizebilir, poz tahmini için önemli noktaları belirleyebilir veya sınıflandırma için görüntünün tamamına etiket atayabilir.

Verileri yönetme ve hazırlama#

Bilgisayarlı görü projeleri için veri hazırlamak genellikle çeşitli dosya biçimleriyle çalışmayı ve veri kümelerini düzenlemeyi gerektirir. Ayrıca her şeyin açıklama işlemine ve makine öğrenimi algoritmalarının eğitimine hazır olduğundan emin olmayı da kapsar. Birçok iş akışında bu süreç birden fazla araca dağılır; veriler kullanılmadan önce sistemler arasında yüklenir, temizlenir ve taşınır.

Ultralytics Platform, veri hazırlama, model eğitimi ve dağıtımı tek bir ortamda gerçekleştirerek bu süreci kolaylaştırıyor. Ekipler görüntü, video veya veri kümesi arşivleri yükleyebilir ve verilerini manuel ya da yapay zekâ destekli otomatik açıklamalarla hazırlamak için tamamen özelleştirilebilir bir yaklaşımdan yararlanabilir. Ultralytics Platform, ham verilerin yanı sıra YOLO ve COCO gibi standart biçimleri de destekleyerek yeni projelere başlamayı kolaylaştırıyor. Ayrıca platformdaki mevcut veri kümelerine, ekiplerin yeni projelere veya deneylere hızla başlamak için kullanabileceği açıklama eklenmiş veri kümeleri dahil olmak üzere erişim sağlıyor.

Şekil 2. Ultralytics Platform’da veri kümelerini tek bir ortamda yükleyip yönetin. (Kaynak)

Veriler kullanılabilir hâle geldikten sonra doğrudan platformda yönetilebilir. Geliştiriciler görüntüleri inceleyebilir, açıklama ilerlemesini takip edebilir ve veri kümesi dağılımını anlamak, olası eksikleri belirlemek için yerleşik görselleştirmeleri kullanabilir.

Platform ayrıca veri kümesi sürümlemeyi destekleyerek ekiplerin veriler geliştikçe anlık görüntüler oluşturmasına yardımcı olur. Böylece değişiklikleri izlemek, deneyleri karşılaştırmak ve eğitim sırasında tutarlılığı korumak kolaylaşır.

Veriler hazırlandıktan sonra ekipler, modellerin neyi algılayacağını öğrenmesine yardımcı olmak için görüntüleri etiketleyerek açıklama aşamasına geçebilir.

Ultralytics Platform’da veri kümelerini açıklama#

Veriler yüklendikten sonraki adım açıklama eklemektir. Bilgisayarlı görü modellerini eğitmenin temelini oluşturan bu aşamada görüntü verileri etiketlenir. Ultralytics Platform, ekiplerin aynı ortam içinde doğrudan veri kümelerini etiketleyip yönetmesini sağlayan bir açıklama düzenleyicisi aracılığıyla yerleşik görüntü açıklama hizmetleri sunar.

Açıklama düzenleyicisi, kullanıcıların görüntüleri inceleyebileceği, etiket ekleyebileceği ve gerektiğinde açıklamaları güncelleyebileceği basit bir çalışma alanı sunar. Her şey tek bir yerde düzenlenir; böylece veri kümelerinin tutarlı ve veri eğitimi için hazır olmasını sağlamak kolaylaşır.

Ekipler, veri kümelerini yükleyip görüntüleri doğrudan tarayıcıda etiketlemeye başlayabilir; veri kümesi genelinde etiketlerin tutarlı kalmasını sağlamak için açıklama sınıflarını tanımlayıp yönetebilir. Açıklamalar oluşturuldukça kullanıcılar bunları düzenleyicide görsel olarak inceleyebilir ve model eğitimine geçmeden önce doğruluklarını kontrol edebilir.

Ultralytics Platform’daki görüntü açıklama araçları#

Ultralytics Platform ayrıca gelişmiş algoritmalardan yararlanarak açıklama sürecini basitleştiren ve verimli veri kümesi etiketleme iş akışlarını destekleyen çeşitli özellikler içerir.

Ultralytics Platform’da bulunan temel özelliklerden bazıları şunlar:

• Manuel açıklama: Bu yaklaşım, kullanıcıların görüntüler üzerinde doğrudan sınırlayıcı kutular, bölütleme bölgeleri veya önemli noktalar gibi görüntü açıklamaları oluştururken tam denetime ve esnekliğe sahip olmasını sağlar.
• Yapay zekâ destekli etiketleme: Bu özellik, manuel etiketleme ihtiyacını azaltarak önerilen açıklamaları otomatik olarak oluşturur. Nesneleri veya bölgeleri tek tıklamayla algılamak için Her Şeyi Bölütleme Modeli (SAM) kullanır; açıklama sürecini kolaylaştırır ve kullanıcıların önerileri veri kümesine eklemeden önce inceleyip onaylamasına yardımcı olur.
• Açıklama düzenleme: Kullanıcılar, görüntü açıklamaları oluşturulduktan sonra istedikleri zaman bunları değiştirebilir veya iyileştirebilir. Bu, etiketleme hatalarını düzeltmeye ve açıklama süreci boyunca veri kümesi etiketlerinin tutarlı kalmasını sağlamaya yardımcı olur.
• Sınıf yönetimi: Ekipler ve bağımsız geliştiriciler, veri kümesi etiketleme sırasında kullanılan açıklama sınıflarını tanımlayıp düzenleyebilir. Bu, görüntülerdeki etiketlerin tutarlı kalmasına yardımcı olur; bu da sınıfları doğru biçimde tanıyıp ayırt edebilen modelleri eğitmek için önemlidir.

Manuel araçları, yapay zekâyı ve otomasyonu bir araya getiren Ultralytics Platform, kullanıcıların görüntüleri daha verimli biçimde açıklamasına yardımcı olur. Ayrıca ölçeklenebilir bilgisayarlı görü modelleri için yüksek kaliteli eğitim verileri hazırlanmasını sağlar.

Desteklenen açıklama görevi türleri#

Ürün kalite güvencesi gibi farklı kullanım senaryolarında, görüntü veya videolarda neyin algılanması gerektiğine bağlı olarak farklı açıklama türleri gerekir. Yukarıda değindiğimiz gibi Ultralytics Platform, her biri kendi açıklama türüne sahip beş nesne algılama görevini destekler.

Platformda desteklenen açıklama görevlerine ve bu görevlerin veri kümelerini etiketlemek için nasıl kullanılabileceğine daha yakından bakalım.

Nesne algılama#

Nesne algılama, bir görüntüdeki nesneleri belirler ve konumlarını saptar. Açıklama yapanlar, görüntüdeki öğelerin nerede göründüğünü belirtmek için ilgilendikleri her nesneyi sınırlayıcı kutularla işaretler.

Açıklama düzenleyicisinde bu işlem sınırlayıcı kutu aracıyla yapılır. Kullanıcılar “düzenleme moduna” girebilir, bir nesnenin çevresine dikdörtgen çizmek için tıklayıp sürükleyebilir ve açılır menüden bir sınıf etiketi atayabilir.

Sınırlayıcı kutular oluşturulduktan sonra ayarlanabilir. Açıklama yapanlar köşe veya kenar tutamaçlarını sürükleyerek kutuları yeniden boyutlandırabilir, kutunun ortasını sürükleyerek taşıyabilir veya klavye kısayollarıyla silebilir. Bu açıklamalar, görü modellerinin farklı sahne ve koşullardaki nesneleri algılamayı öğrenmesine yardımcı olur.

Şekil 3. Ultralytics Platform üzerinde sınırlayıcı kutular kullanılarak yapılan nesne algılama etiketlemesi. (Kaynak)

Örnek segmentasyonu#

Örnek segmentasyonu, bir görüntüdeki nesnelerin tam şeklini tanımlayarak daha ayrıntılı etiketler sağlar. Basit bir kutu çizmek yerine etiketleyiciler, görüntü segmentasyonu görevleri için hassas maskeler oluşturmak üzere nesnenin sınırlarını çokgenlerle izler.

Etiketleme düzenleyicisi, bu görev için bir çokgen aracı içerir. Etiketleyiciler, şeklini belirlemek için bir nesnenin kenarlarına birden fazla köşe noktası yerleştirir. Köşe noktaları yerleştirildikten sonra segmentasyon maskesi oluşturmak için çokgen kapatılabilir.

Çokgen oluşturulduktan sonra köşe noktaları ayarlanabilir. Nesne sınırlarını iyileştirmek için tek tek noktalar taşınabilir ve gerekirse köşe noktaları kaldırılabilir. Bu piksel düzeyindeki etiketler, modellerin ayrıntılı görsel yapıları öğrenmesine ve birbirine yakın görünen nesneleri ayırt etmesine yardımcı olur.

Poz tahmini#

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

Etiketleyiciler, anahtar nokta aracını kullanarak omuz, dirsek, bilek, kalça, diz ve ayak bileği gibi vücut eklemlerini temsil eden anahtar noktalar yerleştirir. Platformda, 17 noktalı COCO insan pozu biçiminin yanı sıra eller, yüzler, köpekler ve kutu köşeleri için şablonlar da dahil olmak üzere çeşitli yerleşik iskelet şablonları bulunur.

Şablonlar, tek tıklamayla tam bir iskelet düzeni yerleştirmeyi mümkün kılar; ardından görüntüdeki poza uyacak şekilde tek tek anahtar noktalar ayarlanabilir. Her anahtar noktaya, görünür veya örtülü olduğunu belirtmek için bir görünürlük bayrağı da eklenebilir.

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

Yönlendirilmiş sınırlayıcı kutular (OBB)#

Yönlendirilmiş sınırlayıcı kutular, döndürme desteği sunarak geleneksel sınırlayıcı kutuları bir adım ileri taşır. Bu etiketleme türü, nesneler görüntü çerçevesiyle hizalı olmak yerine açılı durduğunda kullanışlıdır.

Etiketleme düzenleyicisinde etiketleyiciler, nesnelerin çevresine döndürülmüş dikdörtgenler çizmek için yönlendirilmiş sınırlayıcı kutu aracını kullanabilir. İlk kutuyu çizdikten sonra açı, döndürme tutamacıyla ayarlanabilir; köşe tutamaçları ise kutunun yeniden boyutlandırılmasını sağlar.

Döndürülmüş etiketler, nesnelerin çapraz veya farklı açılardan göründüğü hava görüntülerinde, endüstriyel denetim veri kümelerinde ve diğer senaryolarda sıkça kullanılır.

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

Görüntü sınıflandırma#

Görüntü sınıflandırma, 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 atayabilir.

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

SAM ile yapay zekâ destekli etiketleme#

Segmentasyon gibi görevler için görüntüleri etiketlemek, özellikle nesnelerin ana hatlarının hassas biçimde çizilmesi gerektiğinde, çoğu zaman dikkatli ve ayrıntılı çalışma gerektirir. Ultralytics Platform, etiketleri doğru ve kolayca gözden geçirilebilir tutarken süreci hızlandıran yapay zekâ destekli etiketleme araçları sunar.

Örneğin etiketleyiciler, etikete dahil etmek istedikleri nesne bölümlerine tıklayarak görüntüyle etkileşim kurabilir. Sonucu iyileştirmek için hariç tutulması gereken alanları da işaretleyebilirler. Model, bu girdilere dayanarak gerçek zamanlı olarak bir segmentasyon maskesi oluşturur; maske kaydedilmeden önce gözden geçirilip ayarlanabilir.

Bu yaklaşım, her ayrıntıyı elle izlemeye gerek kalmadan karmaşık görüntüler üzerinde çalışmayı kolaylaştırır. Aynı zamanda etiketleyiciler nihai çıktı üzerindeki kontrollerini korur ve etiketlerin veri kümesi genelinde tutarlı kalmasını sağlar.

Şekil 6. Ultralytics Platform'daki Akıllı etiketleme aracıyla yapay zekâ destekli segmentasyon. (Kaynak)

Bu özellikler Segment Anything Modelleri (SAM) tarafından desteklenir. Bu modeller, az miktarda girdiden yüksek kaliteli segmentasyonlar oluşturmak için tasarlanmış daha geniş bir açık kaynaklı bilgisayarlı görü araçları ekosisteminin parçasıdır. Platform, SAM 2.1 ve SAM 3 dahil olmak üzere birden fazla SAM varyantını destekler. Böylece ekipler, ihtiyaçlarına göre daha hızlı performans ile daha ayrıntılı sonuçlar arasında seçim yapabilir.

Bu yapay zekâ destekli araçlar; nesne algılama, örnek segmentasyonu ve yönlendirilmiş sınırlayıcı kutu algılama gibi görevlerde kullanılabilir. Böylece ekipler, güvenilir model eğitimi için gereken kaliteyi korurken büyük veri kümelerini daha verimli işleyebilir. Nesne algılama veri kümeleri, eğitimden önce gözden geçirilmek üzere görme-dil modelleriyle otomatik olarak da etiketlenebilir.

Yerleşik araçlarla etiketleme iş akışlarını iyileştirme#

Etiketleme ilerledikçe etiketleri yeniden düzenlemek, hataları düzeltmek veya görüntüleri daha yakından incelemek yaygındır. Ultralytics etiketleme düzenleyicisi, bu günlük işleri kolaylaştıran ve daha az zaman almasını sağlayan yerleşik araçlar içerir.

Düzenleyicide bulunan iş akışı özelliklerinden bazıları şunlardır:

• Klavye kısayolları: Düzenleyicide, etiketleri kaydetme, değişiklikleri geri alma veya yineleme, etiketleri silme ve etiketleme sırasında sınıf seçme gibi sık kullanılan işlemleri hızlandıran kısayollar bulunur.
• Geri alma ve yineleme geçmişi: Etiketleyiciler, bir düzenleme oturumu sırasında yapılan değişiklikleri kolayca geri alabilir veya yeniden uygulayabilir. Bu özellik, ekiplerin etiketler üzerinde denemeler yapmasına ve ilerlemeyi kaybetmeden hataları hızla düzeltmesine yardımcı olarak veri kümesi hazırlığı sırasında daha iyi kalite kontrol sağlar.
• Esnek etiket düzenleme: Etiketler oluşturulduktan sonra da ayarlanabilir. Kullanıcılar, özellikle düzensiz şekilli nesneleri iyileştirirken şekilleri yeniden boyutlandırabilir, etiketleri taşıyabilir, yönlendirilmiş sınırlayıcı kutuları döndürebilir veya sınıf etiketlerini gerektiği gibi güncelleyebilir.
• Görünürlük denetimleri: Düzenleyicide, kullanıcıların etiketleri ve sınıf adlarını gösterip gizlemesine olanak tanıyan görünürlük anahtarları bulunur; bu da etiketleme sırasında görüntüleri incelemeyi kolaylaştırır.
• Hassasiyet araçları: Yakınlaştırma ve piksel koordinatlarını gösteren artı imleci gibi özellikler, ayrıntılı görüntüler üzerinde çalışırken etiketleyicilerin etiketleri daha hassas yerleştirmesine yardımcı olur.

Ultralytics Platform'da etiketleme sınıflarını yönetme#

Açık ve tutarlı etiketleme sınıfları, güvenilir bilgisayarlı görü veri kümeleri oluşturmada önemli bir rol oynar. Projeler büyüdükçe, özellikle birden fazla etiketleyici görev aldığında, büyük veri kümelerinde veri etiketlemeyi yönetmek zorlaşabilir. Sınıfların iyi düzenlenmesi, etiketlerin tutarlı kalmasına ve modellerin yapılandırılmış verilerden öğrenmesine yardımcı olur.

Ultralytics Platform, sınıf yönetimini doğrudan etiketleme düzenleyicisine taşıyarak bu süreci kolaylaştırır. Ekipler, etiketleri ayrı olarak yönetmek yerine görüntüler üzerinde çalışırken sınıflar oluşturabilir, güncelleyebilir ve gözden geçirebilir; böylece etiketleme iş akışı boyunca tutarlılığı korumak kolaylaşır.

Düzenleyicide tüm sınıflar, etiketleme tuvalinin yanındaki kenar çubuğunda bulunur. Böylece etiketleme sırasında doğru etiketi seçmek ve sınıfların veri kümesinde nasıl kullanıldığını takip etmek kolaylaşır. Kullanıcılar, iş akışını kesintiye uğratmadan mevcut sınıfları arayabilir veya gerektiğinde yeni sınıflar oluşturabilir.

Sınıf ayrıntıları da her zaman güncellenebilir. Adlar doğrudan düzenlenebilir ve etiketlerde farklı sınıfların daha kolay tanınması için renkler atanabilir. Düzenleyici ayrıca her sınıfa bağlı etiket sayısını gösterir ve kullanıcıların bu etiketleri incelemesine olanak tanıyarak ekiplerin tutarlılığı ve doğruluğu denetlemesine yardımcı olur.

Tüm sınıflar, sıralanabilen, aranabilen ve güncellenebilen merkezi bir tablo üzerinden yönetilir. Burada yapılan tüm değişiklikler veri kümesinin tamamına otomatik olarak uygulanır ve etiketleme projeleri büyürken ekiplerin tutarlılığı korumasına yardımcı olur.

Şekil 7. Etiketleme düzenleyicisindeki sınıf yönetimi, etiketlerin düzenlenmesini ve renklerin özelleştirilmesini gösterir. (Kaynak)

Etiketleme kalitesi gerçek dünya performansını nasıl etkiler?#

Bilgisayarlı görü sistemleri geliştirme aşamasından gerçek dünya kullanımına geçerken, etiketlenmiş verilerin kalitesi modellerin performansında önemli rol oynar. İyi etiketlenmiş veri kümeleri, özellikle dinamik veya öngörülemeyen ortamlarda modellerin daha doğru ve tutarlı tahminler üretmesine yardımcı olur.

Uygulamada, etiketlemedeki küçük tutarsızlıklar bile model davranışını etkileyebilir. Nesnelerin etiketlenme biçimindeki veya uç durumların ele alınışındaki farklılıklar eğitim sırasında fark edilmeyebilir; ancak sistemler devreye alındığında daha az güvenilir tahminlere yol açabilir.

Üstelik bu tutarsızlıklar gerçek dünya uygulamalarında daha belirgin hale gelebilir. Örneğin robotik ve sağlık sistemlerinde modeller, nesneleri algılamak ve eylemleri gerçek zamanlı olarak yönlendirmek için görsel girdilere dayanır. Etiketlemedeki farklılıklar, bu sistemlerin çevrelerini ne kadar doğru yorumladığını etkileyebilir.

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

Önemli çıkarımlar#

Yüksek kaliteli veri etiketleme, doğru bilgisayarlı görü modellerini eğitmek ve başarılı görüntü etiketleme projelerini desteklemek için vazgeçilmezdir. Ultralytics Platform, birden fazla görü görevini destekleyen güçlü bir etiketleme düzenleyicisiyle bu süreci kolaylaştırır. Ekipler, manuel etiketleme araçlarını SAM ile yapay zekâ destekli etiketlemeyle ve yerleşik iş akışı özellikleriyle bir araya getirerek veri kümelerini daha verimli hazırlayabilir ve veri hazırlığından model geliştirmeye daha hızlı geçebilir.

Daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub deposunu keşfet. Çözümler sayfalarımızda otomotivde yapay zekâ ve robotikte bilgisayarlı görü gibi uygulamalar hakkında bilgi edin. Lisanslama seçeneklerimize göz at ve kendi görsel yapay zekâ modelini oluşturmaya başla.