Yüksek kaliteli bilgisayarlı görü veri setlerinin önemi

2019 yılı itibarıyla kurumsal artificial intelligence (AI) adoption, önceki dört yıla kıyasla %270 oranında artmıştı. Bu büyüme, bilgisayarla görü (CV) uygulamalarının —makinelerin etraflarındaki dünyadan gelen görsel verileri yorumlamasını ve analiz etmesini sağlayan yapay zeka sistemlerinin— hızla entegre edilmesini tetikledi. Bu uygulamalar; medical imaging alanında hastalıkların tespit edilmesi ve otonom araçların sağlanmasından, ulaşımdaki trafik akışının optimize edilmesine ve güvenlik sistemlerindeki gözetimin geliştirilmesine kadar çok geniş bir teknoloji yelpazesine güç veriyor.

Ultralytics YOLO11 gibi son teknoloji computer vision models modellerinin dikkat çekici doğruluğu ve rakipsiz performansı, bu üstel büyümeyi büyük ölçüde tetikledi. Ancak bu modellerin performansı, modelleri eğitmek, doğrulamak ve test etmek için kullanılan verilerin kalitesine ve miktarına büyük ölçüde bağlıdır.

Yeterli yüksek kaliteli veri olmadan, bilgisayarlı görü modellerini eğitmek ve endüstri standartlarını karşılayacak şekilde etkili bir biçimde ince ayar yapmak zor olabilir. Bu makalede, bilgisayarlı görü modelleri oluşturmada verinin hayati rolünü ve yüksek kaliteli verinin bilgisayarlı görüde neden bu kadar önemli olduğunu inceleyeceğiz. Ayrıca özel bilgisayarlı görü modellerini eğitirken yüksek kaliteli veri setleri oluşturmana yardımcı olacak bazı ipuçlarını da ele alacağız. Hadi başlayalım!

Bilgisayarlı görü modelleri oluşturmada verinin rolü#

Bilgisayarla görü modelleri; örüntüleri tanımak ve doğru tahminler yapmak üzere büyük miktarda resim ve video datasets üzerinde eğitilebilir. Örneğin, bir object detection model, nesneleri doğru bir şekilde tanımlamak için yüzlerce hatta binlerce etiketlenmiş resim ve video üzerinde eğitilebilir.

Bu eğitim verilerinin kalitesi ve miktarı model's performance üzerinde etkilidir.

Bilgisayarlı görü modelleri yalnızca maruz kaldıkları verilerden öğrenebildikleri için, yüksek kaliteli veri ve çeşitli örnekler sağlamak başarıları için kritiktir. Yeterli ve çeşitli veri setleri olmadan bu modeller gerçek dünya senaryolarını doğru analiz edemeyebilir ve önyargılı veya hatalı sonuçlar üretebilir.

Bu nedenle model training sürecinde verinin rolünü net bir şekilde anlamak önemlidir. Yüksek kaliteli verinin özelliklerini incelemeden önce, bilgisayarla görü modellerini eğitirken karşılaşabileceğin veri seti türlerini anlamalıyız.

Bilgisayarlı görü veri seti türleri#

computer vision alanında, eğitim sürecinde kullanılan veriler her biri belirli bir amaca hizmet eden üç türe ayrılır. Her türe hızlıca bir göz atalım:

• Training Data: Modeli sıfırdan eğitmek için kullanılan birincil veri setidir. Önceden tanımlanmış labels içeren resim ve video verilerinden oluşur ve modelin örüntüleri öğrenmesini ve nesneleri tanımasını sağlar.
• Validation Data: Model eğitilirken ne kadar iyi performans gösterdiğini kontrol etmek için kullanılan veri setidir. Modelin yeni ve daha önce görülmemiş veriler üzerinde doğru şekilde çalıştığından emin olmaya yardımcı olur.
• Testing Data: Eğitilmiş bir modelin nihai performansını değerlendirmek için kullanılan ayrı bir veri setidir. Modelin tamamen yeni ve görülmemiş veriler üzerinde ne kadar iyi predictions yapabildiğini kontrol eder.

Fig 1. Bilgisayarla görüde verilerin nasıl kategorize edildiği.

Yüksek kaliteli bilgisayarlı görü veri setlerinin en iyi 5 özelliği#

Veri seti türü ne olursa olsun, başarılı bilgisayarlı görü modelleri oluşturmak için yüksek kaliteli veri şarttır. Bir veri setini yüksek kaliteli yapan temel özelliklerden bazıları şunlardır:

• Accuracy: İdeal olarak veriler, gerçek dünya durumlarını yakından yansıtmalı ve doğru etiketleri içermelidir. Örneğin, vision AI in healthcare söz konusu olduğunda, modelin düzgün öğrenmesine yardımcı olmak için röntgen veya tarama görüntüleri doğru bir şekilde etiketlenmelidir.
• Çeşitlilik: İyi bir veri seti, modelin farklı durumlarda iyi performans göstermesine yardımcı olmak için çeşitli örnekler içerir. Örneğin, bir model araba tespit etmeyi öğreniyorsa, veri seti farklı şekillerde, boyutlarda ve renklerdeki araçları çeşitli ortamlarda (gündüz, gece, yağmur vb.) içermelidir.
• Tutarlılık: Yüksek kaliteli veri setleri tek tip bir biçim ve kalite standartlarını takip eder. Örneğin, görseller benzer çözünürlüklere sahip olmalı (bazıları bulanık ve diğerleri keskin olmamalı) ve modelin tutarlı bilgilerden öğrenmesi için yeniden boyutlandırma veya renk ayarlamaları gibi aynı preprocessing steps adımlarından geçmelidir.
• Güncellik: Düzenli olarak güncellenen veri setleri, gerçek dünyadaki değişikliklere ayak uydurabilir. Diyelim ki her tür aracı tespit etmek için training a model üzerinde çalışıyorsun. Elektrikli scooter gibi yeni araçlar piyasaya çıkarsa, modelin doğru ve güncel kalmasını sağlamak için veri setine eklenmelidirler.
• Privacy: Bir veri seti, insan fotoğrafları gibi hassas bilgiler içeriyorsa gizlilik kurallarına uymalıdır. anonymization (tanımlanabilir detayların kaldırılması) ve veri maskeleme (hassas kısımların gizlenmesi) gibi teknikler, data securely kullanımını mümkün kılarken gizliliği koruyabilir.

Düşük kaliteli verilerin yol açtığı zorluklar#

Yüksek kaliteli verinin özelliklerini anlamak önemli olsa da, düşük kaliteli verilerin bilgisayarlı görü modellerini nasıl etkileyebileceğini düşünmek de bir o kadar önemlidir.

Ezberleme (overfitting) ve yetersiz öğrenme (underfitting) gibi sorunlar model performansını ciddi şekilde etkileyebilir. Overfitting, bir model eğitim verilerinde iyi performans gösterdiğinde ancak yeni veya görülmemiş verilerle mücadele ettiğinde gerçekleşir; bunun nedeni genellikle veri setinin çeşitlilikten yoksun olmasıdır. Öte yandan Underfitting, veri setinin modelin anlamlı örüntüleri öğrenmesi için yeterli örnek veya kalite sağlamaması durumunda ortaya çıkar. Bu sorunlardan kaçınmak için hem eğitimde hem de gerçek dünya uygulamalarında güvenilir performans sağlayacak şekilde çeşitli, tarafsız ve yüksek kaliteli veri setlerini korumak esastır.

Fig 2. Yetersiz öğrenme (underfitting) ve aşırı öğrenme (overfitting).

Düşük kaliteli veriler ayrıca modellerin ham verilerden anlamlı örüntüler çıkarıp öğrenmesini zorlaştırabilir; bu süreç feature extraction olarak bilinir. Veri seti eksikse, alakasızsa veya çeşitlilikten yoksunsa model etkili bir şekilde performans göstermekte zorlanabilir.

Bazen düşük kaliteli veriler, verileri basitleştirmenin bir sonucu olabilir. Verileri basitleştirmek depolama alanından tasarruf etmeye ve işleme maliyetlerini düşürmeye yardımcı olabilir, ancak aşırı basitleştirme, modelin düzgün çalışması için ihtiyaç duyduğu önemli detayları ortadan kaldırabilir. Bu nedenle, toplamadan deployment aşamasına kadar tüm computer vision process boyunca yüksek kaliteli verileri korumak son derece önemlidir. Genel bir kural olarak veri setleri, güvenilir model tahminlerini garanti etmek için çeşitli ve doğru kalırken temel özellikleri içermelidir.

Fig 3. Öznitelik Çıkarımını (Feature Extraction) Anlamak.

Bilgisayarlı görü veri setinin kalitesini korumak için ipuçları#

Artık yüksek kaliteli verinin önemini ve düşük kaliteli verinin etkisini anladığımıza göre, veri setinin yüksek standartları karşıladığından nasıl emin olacağımızı keşfedelim.

Her şey güvenilir veri toplama ile başlar. Kitle kaynak kullanımı, farklı coğrafi bölgelerden gelen veriler ve sentetik veri üretimi gibi çeşitli kaynakların kullanılması reduces bias sağlar ve modellerin gerçek dünya senaryolarının üstesinden gelmesine yardımcı olur. Veriler toplandıktan sonra ön işleme kritik önem taşır. Piksel değerlerini tutarlı bir aralığa ölçeklendiren normalizasyon ve döndürme, çevirme ile yakınlaştırma gibi dönüşümleri uygulayan augmentation gibi teknikler veri setini zenginleştirir. Bu adımlar modelinin daha iyi genelleşmesine ve daha dayanıklı hale gelmesine yardımcı olarak aşırı öğrenme (overfitting) riskini azaltır.

Veri setlerini düzgün bir şekilde bölmek de bir diğer kilit adımdır. Yaygın bir yaklaşım, verilerin %70'ini eğitim, %15'ini doğrulama ve %15'ini test için ayırmaktır. Bu kümeler arasında hiçbir çakışma olmadığından emin olmak, veri sızıntısını önler ve doğru model değerlendirmesi sağlar.

Fig 4. Eğitim, doğrulama ve test arasında yaygın bir veri dağılımı.

Zamandan ve hesaplama kaynaklarından tasarruf etmek için pre-trained models like YOLO11 modellerini de kullanabilirsin. Büyük veri setleri üzerinde eğitilmiş ve çeşitli computer vision tasks için tasarlanmış olan YOLO11, ihtiyaçlarını karşılamak üzere kendi özel veri setin üzerinde ince ayardan (fine-tuning) geçirilebilir. Modelini verilerine göre ayarlayarak aşırı öğrenmeden (overfitting) kaçınabilir ve güçlü performansı koruyabilirsin.

Bilgisayarlı görü veri setleri için gelecek#

Yapay zeka topluluğu geleneksel olarak daha fazla katmana sahip daha derin modeller oluşturarak performansını artırmaya odaklanmıştır. Ancak yapay zeka gelişmeye devam ettikçe odak noktası optimizing models optimize etmekten veri setlerinin kalitesini artırmaya kayıyor. Sıklıkla “yapay zekanın babası” olarak anılan Andrew Ng, "yapay zeka dünyasının bu on yılda geçmesi gereken en önemli dönüşümün data-centric AI odaklı yapay zekaya geçiş olacağına" inanıyor.

Bu yaklaşım, etiket doğruluğunu iyileştirerek, gürültülü örnekleri kaldırarak ve çeşitliliği sağlayarak veri setlerini iyileştirmeye odaklanır. Bilgisayarlı görü için bu ilkeler, önyargı ve düşük kaliteli veri gibi sorunları ele almak ve modellerin gerçek dünya senaryolarında güvenilir bir şekilde performans göstermesini sağlamak adına kritiktir.

Geleceğe baktığımızda, bilgisayarla görünün ilerlemesi devasa miktarda veri toplamak yerine daha küçük, yüksek kaliteli veri setleri oluşturmaya dayanacaktır. Andrew Ng'ye göre, "Verileri iyileştirmek tek seferlik bir ön işleme adımı değildir; machine learning modeli geliştirmenin yinelemeli sürecinin temel bir parçasıdır." Veri merkezli ilkelere odaklanarak bilgisayarla görü, çeşitli endüstrilerde daha erişilebilir, verimli ve etkili olmaya devam edecektir.

Öne çıkanlar#

Veri, bir görü modelinin yaşam döngüsü boyunca kritik bir rol oynar. Veri toplamadan ön işlemeye, eğitime, doğrulamaya ve teste kadar verinin kalitesi, modelin performansını ve güvenilirliğini doğrudan etkiler. Yüksek kaliteli veriye ve doğru etiketlemeye öncelik vererek, güvenilir ve hassas sonuçlar sunan sağlam bilgisayarlı görü modelleri inşa edebiliriz.

Veri odaklı bir geleceğe doğru ilerlerken, önyargı ve gizlilik düzenlemeleriyle ilgili riskleri azaltmak için etik hususları ele almak şarttır. Sonuçta, verilerin bütünlüğünü ve adilliğini sağlamak, bilgisayarlı görü teknolojilerinin tüm potansiyelini açığa çıkarmanın anahtarıdır.

Yapay zeka hakkında daha fazla bilgi edinmek için community topluluğumuza katıl ve GitHub repository deponuzu incele. agriculture ve manufacturing gibi sektörlerdeki daha fazla yapay zeka uygulamasını keşfetmek için çözümler sayfalarımıza göz at.