Ultralytics Platform ile görüntü anotasyonunu kolaylaştırma

Ultralytics kısa süre önce, bilgisayarlı görü geliştirme yaşam döngüsünün tamamını desteklemek üzere tasarlanmış bir ortam olan Ultralytics Platform platformunu kullanıma sundu. Platform; veri kümesi hazırlama, görüntü ve video açıklama, model eğitimi ve dağıtımı da dahil olmak üzere görü yapay zekâsı iş akışlarının çeşitli aşamalarını yönetmek için kullanılan araçları merkezileştirir.

Otonom sürüş ve sağlık hizmetleri gibi sektörlerde giderek daha fazla benimsenmesine rağmen, bilgisayarlı görü çözümleri geliştirmek hâlâ parçalı bir süreç olarak görülebilir. Bunun başlıca nedenlerinden biri, bilgisayarlı görü modellerinin büyük ölçüde eğitildikleri verilerin kalitesine bağlı olmasıdır. Eğitim başlamadan önce veri kümelerinin oluşturulması, düzenlenmesi, incelenmesi ve modelin neyi tespit edeceğini veya tanıyacağını öğrenebilmesi için etiketlenmesi gerekir.

Görsel verilerle çalışırken bu süreç veri açıklama veya görüntü açıklama olarak bilinir. Görüntü açıklama sırasında bir görüntünün belirli bölümleri işaretlenir ve eğitim sırasında modele yol gösteren etiketler atanır.

Örneğin amaç görüntülerdeki köpekleri tespit etmekse, açıklama yapan kişiler her köpeğin etrafına, göründüğü yeri göstermek için sınırlayıcı kutular çizebilir. Daha ayrıntılı görevlerde, segmentasyon maskeleri kullanarak köpeğin şeklini çevreleyebilir veya duruşunu yakalamak için kilit noktaları işaretleyebilirler. Bu etiketli örnekler, model dağıtıldıktan sonra ne kadar iyi performans göstereceğini doğrudan etkiler.

Görüntü açıklama iş akışlarını geniş ölçekte yönetmek zor olabilir. Büyük veri kümeleri genellikle tutarlı etiketleme standartları, birden fazla açıklama yapan kişi arasında iş birliği ve açıklamaları incelemeyi ve iyileştirmeyi kolaylaştıran araçlar gerektirir.

Ultralytics Platform, yerleşik bir açıklama düzenleyicisi ile bunları bir araya getirir. Birden fazla açıklama görevi türünü destekler ve ekiplerin verileri etiketlemesiyle bilgisayarlı görü veri kümelerini tek bir iş akışı içinde hazırlaması için daha basit bir yol sunar.

Şekil 1. Ultralytics Platform'daki açıklama düzenleyicisine genel bakış (Kaynak)

Bu makalede, Ultralytics Platform'un açıklama düzenleyicisinin ekiplerin veri kümelerine verimli şekilde açıklama eklemesine nasıl yardımcı olduğunu ve veri hazırlama sürecini nasıl kolaylaştırdığını inceleyeceğiz. Haydi başlayalım!

Bilgisayarlı görmede veri açıklama#

Ultralytics Platform üzerinde bulunan görüntü açıklama araçlarını incelemeden önce, veri açıklamanın ne olduğunu ve bilgisayarlı görü sistemleri oluşturmadaki önemini anlamak için bir adım geri atalım.

Bilgisayarlı görü modelleri, veri kümeleri olarak bilinen büyük görüntü veya video koleksiyonlarını analiz ederek öğrenir. Ancak ham görüntüler tek başına modele neyi tespit etmesi veya tanıması gerektiğini anlaması için yeterli bilgiyi sağlamaz. Verileri eğitim için kullanışlı hâle getirmek amacıyla görüntülerin veri etiketleme yoluyla etiketlenmesi gerekir; böylece model hangi nesneleri, şekilleri veya desenleri arayacağını öğrenebilir.

Görüntü açıklama sırasında bir görüntüdeki belirli öğeler işaretlenir ve modelin ne öğrenmesi gerektiğini açıklayan etiketler atanır. Bu etiketli örnekler, eğitim sırasında derin öğrenme modellerine ve algoritmalarına yol gösterir ve yeni görüntüleri işlerken benzer desenleri tanımalarına yardımcı olur.

Farklı bilgisayarlı görü görevleri, uygulamaya ve kullanım senaryosuna bağlı olarak farklı görüntü açıklama türleri gerektirir. Örneğin açıklama yapan kişiler, nesne tespiti için nesnelerin etrafına sınırlayıcı kutular çizebilir, anlamsal segmentasyon için görüntüdeki bölgeleri çevreleyebilir, poz tahmini için kilit 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 içerir. Ayrıca her şeyin makine öğrenimi algoritmalarının açıklama eklemesine ve eğitimine hazır olmasını sağlamayı da kapsar. Birçok iş akışında bu süreç birden fazla araca yayılır; veriler kullanılmadan önce yüklenir, temizlenir ve sistemler arasında taşınır.

Ultralytics Platform, veri hazırlama, model eğitimi ve dağıtımını tek bir ortamda gerçekleştirerek bu süreci basitleştirir. Ekipler görüntüleri, videoları veya veri kümesi arşivlerini yükleyebilir ve manuel ya da yapay zekâ destekli otomatik açıklamalarla verilerini tamamen özelleştirilebilir şekilde hazırlayabilir. Ultralytics Platform hem ham verileri hem de YOLO ve COCO gibi standart biçimleri destekleyerek yeni projelere başlamayı kolaylaştırır. Ayrıca platformdaki mevcut veri kümelerine, ekiplerin yeni projeleri veya deneyleri hızlıca başlatmak için kullanabileceği açıklama eklenmiş veri kümeleri de dahil olmak üzere erişim sağlar.

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

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

Platform ayrıca veri kümesi sürümlemeyi destekleyerek ekiplerin verileri geliştikçe anlık görüntülerini kaydetmesine yardımcı olur. Bu, değişiklikleri izlemeyi, deneyleri karşılaştırmayı ve eğitim sırasında tutarlılığı korumayı kolaylaştırır.

Veriler hazırlandıktan sonra ekipler, modellerin neyi tespit edeceğini öğrenmesine yardımcı olmak üzere etiketlenen görüntülere açıklama eklemeye geçebilir.

Ultralytics Platform'da veri kümelerine açıklama ekleme#

Veriler yüklendikten sonraki adım açıklama eklemektir. Görüntü verilerinin etiketlendiği bu adım, bilgisayarlı görü modellerinin eğitilmesi için temel oluşturur. Ultralytics Platform, ekiplerin veri kümelerini doğrudan aynı ortamda etiketlemesini ve yönetmesini sağlayan bir açıklama düzenleyicisi aracılığıyla yerleşik görüntü açıklama hizmetleri sunar.

Açıklama düzenleyicisi, kullanıcıların görüntüleri inceleyebileceği, etiket ekleyebileceği ve açıklamaları gerektiğinde güncelleyebileceği basit bir çalışma alanı sunar. Her şey tek bir yerde düzenlendiği için veri kümelerini tutarlı ve veri eğitimine hazır tutmak kolaylaşır.

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

Ultralytics Platform'da görüntü açıklama araçları#

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

Ultralytics Platform'da bulunan temel özelliklerden bazıları şunlardır:

• Manuel açıklama: Bu yaklaşım, kullanıcıların sınırlayıcı kutular, segmentasyon bölgeleri veya kilit noktalar gibi görüntü açıklamalarını doğrudan görüntüler üzerinde oluştururken tam denetim ve esnekliğe sahip olmasını sağlar.
• Yapay zekâ destekli etiketleme: Bu özellik, önerilen açıklamaları otomatik olarak oluşturarak manuel etiketleme ihtiyacını azaltır. Nesneleri veya bölgeleri tek tıklamayla tespit etmek için SAM (Her Şeyi Segmentle Modeli) kullanır; açıklama sürecini kolaylaştırır ve kullanıcıların önerileri veri kümesine eklemeden önce inceleyip onaylamasına yardımcı olur.
• Açıklama düzenleme: Kullanıcılar, görüntü açıklamaları oluşturulduktan sonra bunları istedikleri zaman değiştirebilir veya iyileştirebilir. Bu, etiketleme hatalarını düzeltmeye ve açıklama süreci boyunca veri kümesi etiketlerinin tutarlılığını korumaya yardımcı olur.
• Sınıf yönetimi: Ekipler ve tek başına çalışan geliştiriciler, veri kümesi etiketleme sırasında kullanılan açıklama sınıflarını tanımlayıp düzenleyebilir. Bu, görüntüler arasındaki etiketlerin tutarlı kalmasına yardımcı olur; bu da sınıfları doğru şekilde tanıyıp ayırt edebilen modelleri eğitmek için önemlidir.

Ultralytics Platform; manuel araçları, yapay zekâyı ve otomasyonu birleştirerek kullanıcıların görüntülere daha verimli şekilde açıklama eklemesine yardımcı olur. Ayrıca ölçeklenebilir bilgisayarlı görü modelleri için yüksek kaliteli eğitim verilerinin hazırlanmasını sağlar.

Desteklenen açıklama görevi türleri#

Ürün kalite güvencesi gibi farklı kullanım senaryoları, görüntülerde veya videolarda neyin tespit edilmesi gerektiğine bağlı olarak farklı açıklama türleri gerektirir. Yukarıda değindiğimiz gibi Ultralytics Platform, her birinin kendine özgü bir açıklama türü olduğu beş nesne tespiti görevini destekler.

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

Nesne algılama#

Nesne tespiti, bir görüntü içindeki nesneleri tanımlar ve konumlandırır. Açıklama yapan kişiler, görüntüdeki nesnelerin nerede bulunduğunu göstermek için ilgilenilen her nesneyi sınırlayıcı kutular kullanarak işaretler.

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

Sınırlayıcı kutular oluşturulduktan sonra ayarlanabilir. Açıklama yapan kişiler köşe veya kenar tutamaçlarını sürükleyerek kutuları yeniden boyutlandırabilir, kutunun merkezini sürükleyerek taşıyabilir veya klavye kısayollarını kullanarak silebilir. Bu açıklamalar, görü modellerinin farklı sahneler ve koşullar arasındaki nesneleri tespit etmeyi öğrenmesine yardımcı olur.

Şekil 3. Ultralytics Platform'da sınırlayıcı kutular kullanılarak nesne tespiti açıklaması. (Kaynak)

Örnek bölütleme#

Örnek segmentasyon, bir görüntüdeki nesnelerin tam şeklini tanımlayarak daha ayrıntılı açıklamalar sağlar. Basit bir kutu çizmek yerine açıklama yapan kişiler, görüntü segmentasyonu görevleri için hassas maskeler oluşturmak üzere nesnenin sınırlarını poligon açıklaması kullanarak takip eder.

Açıklama düzenleyicisi bu görev için bir poligon aracı içerir. Açıklama yapan kişiler, şeklini çevrelemek için bir nesnenin kenarlarına birden fazla köşe yerleştirir. Köşeler yerleştirildikten sonra segmentasyon maskesi oluşturmak üzere poligon kapatılabilir.

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

Poz tahmini#

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

Açıklama yapan kişiler, kilit nokta aracını kullanarak omuz, dirsek, bilek, kalça, diz ve ayak bileği gibi vücut eklemlerini temsil eden kilit noktaları yerleştirir. Platform; 17 noktalı COCO insan pozu biçiminin yanı sıra eller, yüzler, köpekler ve kutu köşeleri için şablonlar da dahil olmak üzere çeşitli yerleşik iskelet şablonlarını destekler.

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

Şekil 4. Kilit noktalar ve iskelet şablonları kullanılarak poz tahmini açıklaması. (Kaynak)

Yönlendirilmiş sınırlayıcı kutular (OBB)#

Yönlendirilmiş sınırlayıcı kutular, döndürme desteği sunarak geleneksel sınırlayıcı kutuları bir adım ileri taşır. Bu açıklama türü, nesnelerin görüntü çerçevesiyle hizalanmak yerine açılı göründüğü durumlarda kullanışlıdır.

Açıklama düzenleyicisinde açıklama yapan kişiler, nesnelerin etrafına döndürülmüş dikdörtgenler çizmek için yönlendirilmiş sınırlayıcı kutu aracını kullanabilir. İlk kutu çizildikten sonra açı bir döndürme tutamacıyla ayarlanabilir; köşe tutamaçları ise kutunun yeniden boyutlandırılmasını sağlar.

Döndürülmüş açıklamalar 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) açıklaması. (Kaynak)

Görüntü sınıflandırma#

Görüntü sınıflandırma, görüntü içindeki tek tek nesneleri işaretlemek yerine görüntünün tamamına bir etiket atar.

Sınıflandırma veri kümeleri için açıklama düzenleyicisi bir sınıf seçici paneli sunar. Açıklama yapan kişiler, 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.

SAM ile yapay zekâ destekli açıklama#

Segmentasyon gibi görevler için görüntüleri etiketlemek, özellikle nesnelerin hassas biçimde çevrelenmesi gerektiğinde dikkatli ve ayrıntılı bir çalışma gerektirir. Ultralytics Platform, açıklamaları doğru ve kolayca incelenebilir tutarken süreci hızlandıran yapay zekâ destekli açıklama araçları içerir.

Örneğin açıklama yapan kişiler, açıklamaya dahil etmek istedikleri nesnenin bölümlerine tıklayarak bir görüntüyle etkileşim kurabilir. Sonucu iyileştirmek için hariç tutulması gereken alanları da işaretleyebilirler. Model, bu girdilere dayanarak gerçek zamanlı bir segmentasyon maskesi oluşturur; bu maske kaydedilmeden önce incelenebilir ve ayarlanabilir.

Bu yaklaşım, her ayrıntıyı manuel olarak takip etmeye gerek kalmadan karmaşık görüntüler üzerinde çalışmayı kolaylaştırır. Aynı zamanda açıklama yapan kişiler nihai çıktı üzerindeki denetimi korur ve açıklamaların veri kümesi genelinde tutarlı kalmasını sağlar.

Şekil 6. Ultralytics Platform'da Smart açıklama aracı kullanılarak yapay zekâ destekli segmentasyon. (Kaynak)

Bu özellikler Segment Anything Modelleri (SAM) tarafından desteklenir. Bu modeller, asgari girdiden yüksek kaliteli segmentasyonlar oluşturmak üzere 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. Bu sayede ekipler, ihtiyaçlarına göre daha hızlı performans ile daha ayrıntılı sonuçlar arasında seçim yapabilir.

Bu yapay zekâ destekli araçlar; nesne tespiti, örnek segmentasyon ve yönlendirilmiş sınırlayıcı kutu tespiti gibi görevlerde uygulanabilir. Bu, ekiplerin güvenilir model eğitimi için gereken kaliteyi korurken büyük veri kümelerini daha verimli şekilde işlemesini sağlar.

Yerleşik araçlarla açıklama iş akışlarını iyileştirme#

Açıklama çalışmaları ilerledikçe etiketlere geri dönüp ayarlamalar yapmak, hataları düzeltmek veya görüntüleri daha yakından incelemek yaygındır. Ultralytics açıklama düzenleyicisi, bu günlük görevlerin daha kolay ve daha az zaman alacak şekilde gerçekleştirilmesini sağlayan yerleşik araçlar içerir.

Düzenleyicide bulunan iş akışı özelliklerinden bazıları şunlardır:

• Klavye kısayolları: Düzenleyici; açıklamaları kaydetme, değişiklikleri geri alma veya yineleme, etiketleri silme ve açıklama eklerken sınıfları seçme gibi yaygın işlemleri hızlandıran kısayollar içerir.
• Geri alma ve yineleme geçmişi: Açıklama yapan kişiler, bir düzenleme oturumu sırasında yapılan değişiklikleri kolayca geri alabilir veya yeniden uygulayabilir. Bu, ekiplerin açıklamalarla denemeler yapmasına ve ilerlemeyi kaybetmeden hataları hızlıca düzeltmesine yardımcı olarak veri kümesi hazırlığı sırasında daha iyi kalite kontrolü sağlar.
• Esnek açıklama düzenleme: Açıklamalar oluşturulduktan sonra bile ayarlanabilir. Kullanıcılar şekilleri yeniden boyutlandırabilir, açıklamaları taşıyabilir, yönlendirilmiş sınırlayıcı kutuları döndürebilir veya özellikle düzensiz şekilli nesneleri iyileştirirken sınıf etiketlerini gerektiği gibi güncelleyebilir.
• Görünürlük denetimleri: Düzenleyici, kullanıcıların açıklamaları ve sınıf etiketlerini gösterip gizlemesini sağlayan görünürlük açma/kapatma denetimleri içerir; bu da etiketleme sırasında görüntüleri incelemeyi kolaylaştırır.
• Hassasiyet araçları: Yakınlaştırma ve piksel koordinatlarını gösteren artı işareti imleci gibi özellikler, ayrıntılı görüntülerle çalışırken açıklama yapan kişilerin etiketleri daha hassas yerleştirmesine yardımcı olur.

Ultralytics Platform'da açıklama sınıflarını yönetme#

Açık ve tutarlı açıklama sınıfları, güvenilir bilgisayarlı görü veri kümeleri oluşturmakta önemli bir rol oynar. Projeler büyüdükçe, özellikle birden fazla açıklama yapan kişi olduğunda, büyük veri kümelerinde veri etiketlemeyi yönetmek zorlaşabilir. Sınıfları iyi düzenlemek, açıklamaların tutarlı kalmasına ve modellerin yapılandırılmış verilerden öğrenmesine yardımcı olur.

Ultralytics Platform, sınıf yönetimini doğrudan açıklama düzenleyicisine getirerek bu süreci basitleştirir. Ekipler etiketleri ayrı ayrı yönetmek yerine görüntüler üzerinde çalışırken sınıfları oluşturabilir, güncelleyebilir ve inceleyebilir; bu da açıklama iş akışı boyunca tutarlılığı korumayı kolaylaştırır.

Düzenleyicide tüm sınıflar, açıklama tuvalinin yanında bulunan bir kenar çubuğunda kullanılabilir. Bu, açıklama eklerken doğru etiketi seçmeyi ve sınıfların veri kümesi genelinde nasıl kullanıldığını takip etmeyi kolaylaştırır. Kullanıcılar mevcut sınıfları arayabilir veya iş akışlarını kesintiye uğratmadan gerektiğinde yeni sınıflar oluşturabilir.

Sınıf ayrıntıları da istenildiği zaman güncellenebilir. Adlar doğrudan düzenlenebilir ve açıklamalar arasında farklı sınıfların tanınmasını kolaylaştırmak için renkler atanabilir. Düzenleyici ayrıca her sınıfa kaç açıklamanın bağlı olduğunu gösterir ve kullanıcıların bunları incelemesine olanak tanır; böylece ekipler tutarlılığı ve doğruluğu kontrol edebilir.

Tüm sınıflar, sıralanabilen, aranabilen ve güncellenebilen merkezi bir tablo üzerinden yönetilir. Burada yapılan tüm değişiklikler veri kümesi genelinde otomatik olarak uygulanır ve açıklama projeleri ölçeklendikçe ekiplerin tutarlılığı korumasına yardımcı olur.

Şekil 7. Açıklama düzenleyicisindeki sınıf yönetimi, etiket düzenlemesini ve renk özelleştirmesini gösterir. (Kaynak)

Açıklama kalitesi gerçek dünya performansını nasıl etkiler?#

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

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

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

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

Önemli çıkarımlar#

Yüksek kaliteli veri açıklama, doğru bilgisayarlı görü modellerini eğitmek ve başarılı görüntü açıklama projelerini desteklemek için gereklidir. Ultralytics Platform, birden fazla görü görevini destekleyen güçlü bir açıklama düzenleyicisiyle bu süreci basitleştirir. Ekipler, manuel açıklama araçlarını SAM kullanan yapay zekâ destekli etiketleme ve yerleşik iş akışı özellikleriyle birleştirerek veri kümelerini daha verimli şekilde hazırlayabilir ve veri hazırlamadan model geliştirmeye daha hızlı geçebilir.

Topluluğumuza katıl ve bilgisayarlı görü modelleri hakkında daha fazla bilgi edinmek için GitHub deposunu incele. Çözümler sayfalarımızda otomotivde yapay zekâ ve robotikte bilgisayarlı görü gibi uygulamalar hakkında bilgi edin. Lisanslama seçeneklerimize göz at ve kendi görü yapay zekâ modelini oluşturmaya başla.