Yüksek kaliteli bilgisayarlı görü veri kümelerinin önemi

2019 itibarıyla kurumsal yapay zekâ (AI) kullanımı, önceki dört yılda %270 artmıştı. Bu büyüme, makinelerin çevrelerindeki dünyadan gelen görsel verileri yorumlayıp analiz etmesini sağlayan yapay zekâ sistemleri, yani bilgisayarlı görü (CV) uygulamalarının hızla yaygınlaşmasını destekledi. Bu uygulamalar; tıbbi görüntülerde hastalıkları tespit etmekten otonom araçları mümkün kılmaya, ulaşımda trafik akışını optimize etmekten güvenlik sistemlerinde gözetimi iyileştirmeye kadar geniş bir teknoloji yelpazesine güç veriyor.

Ultralytics YOLO11 gibi son teknoloji bilgisayarlı görü modellerinin doğruluk ve performansı bu büyümenin hızlanmasına yardımcı oldu. Ancak bu modellerin performansı, eğitim, doğrulama ve test aşamalarında kullanılan verilerin kalitesine ve miktarına büyük ölçüde bağlı.

Yeterli miktarda yüksek kaliteli veri olmadan bilgisayarlı görü modellerini sektör standartlarını karşılayacak şekilde etkili biçimde eğitmek ve ince ayar yapmak zor olabilir. Bu yazıda, bilgisayarlı görü modellerinin oluşturulmasında verinin kritik rolünü ve bilgisayarlı görüde yüksek kaliteli verinin neden bu kadar önemli olduğunu inceleyeceğiz. Ayrıca özel bilgisayarlı görü modellerini eğitirken yüksek kaliteli veri kümeleri oluşturman için bazı ipuçları paylaşacağız.

Bilgisayarlı görü modelleri oluşturmada verinin rolü#

Bilgisayarlı görü modelleri, örüntüleri tanıyıp doğru tahminlerde bulunmak için büyük görüntü ve video veri kümeleriyle eğitilebilir. Örneğin bir nesne tespit modeli, nesneleri doğru biçimde belirlemek için etiketlenmiş yüzlerce, hatta binlerce görüntü ve video üzerinde eğitilebilir.

Bu eğitim verilerinin kalitesi ve miktarı modelin performansını etkiler.

Bilgisayarlı görü modelleri yalnızca maruz kaldıkları verilerden öğrenebildiğinden, başarıları için yüksek kaliteli veri ve çeşitli örnekler sağlamak çok önemlidir. Yeterli ve çeşitli veri kümeleri olmadan bu modeller gerçek dünyadaki senaryoları doğru şekilde analiz edemeyebilir ve taraflı ya da hatalı sonuçlar üretebilir.

Bu nedenle, model eğitiminde verinin rolünü açıkça anlamak önemlidir. Yüksek kaliteli verilerin özelliklerini ele almadan önce, bilgisayarlı görü modellerini eğitirken karşılaşabileceğin veri kümesi türlerini öğrenelim.

Bilgisayarlı görü veri kümesi türleri#

Bilgisayarlı görüde eğitim sürecinde kullanılan veriler, her biri belirli bir amaca hizmet eden üç türe ayrılır. Her türe kısaca göz atalım:

• Eğitim Verisi: Modeli sıfırdan eğitmek için kullanılan temel veri kümesidir. Modelin örüntüleri öğrenmesini ve nesneleri tanımasını sağlayan, önceden tanımlanmış etiketlere sahip görüntü ve videolardan oluşur.
• Doğrulama Verisi: Model eğitilirken ne kadar iyi performans gösterdiğini kontrol etmek için kullanılan bir veri kümesidir. Modelin yeni, daha önce görmediği veriler üzerinde doğru çalışmasını sağlamaya yardımcı olur.
• Test Verileri: Eğitilmiş bir modelin nihai performansını değerlendirmek için kullanılan ayrı bir veri kümesi. Modelin daha önce hiç görmediği yepyeni veriler üzerinde ne kadar iyi tahmin yapabildiğini kontrol eder.

Şekil 1. Bilgisayarlı görüde verilerin sınıflandırılması.

Yüksek kaliteli bilgisayarlı görü veri kümelerinin en önemli 5 özelliği#

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

• Doğruluk: İdeal olarak veriler, gerçek dünyadaki durumları yakından yansıtmalı ve doğru etiketler içermelidir. Örneğin sağlık hizmetlerinde görsel yapay zekâ söz konusu olduğunda, modelin doğru öğrenmesine yardımcı olmak için röntgen veya tarama görüntüleri doğru biçimde etiketlenmelidir.
• Çeşitlilik: İyi bir veri kümesi, modelin farklı durumlarda iyi performans göstermesine yardımcı olacak çeşitli örnekler içerir. Örneğin, bir model arabalara dair algılama yapmayı öğreniyorsa veri kümesi; farklı ortamlarda (gündüz, gece, yağmur vb.) farklı şekil, boyut ve renkte arabalar içermelidir.
• Tutarlılık: Yüksek kaliteli veri kümeleri, tek tip biçim ve kalite standartlarına uyar. Örneğin, görüntüler benzer çözünürlüklerde olmalı (bazıları bulanık, diğerleri keskin olmamalı) ve modelin tutarlı bilgilerden öğrenmesi için yeniden boyutlandırma veya renk ayarı gibi aynı ön işleme adımlarından geçmelidir.
• Güncellik: Düzenli olarak güncellenen veri kümeleri, gerçek dünyadaki değişimlere ayak uydurabilir. Her tür aracı tespit edecek bir model eğittiğini düşün. Elektrikli scooter gibi yeni araçlar piyasaya çıktığında, modelin doğruluğunu ve güncelliğini korumasını sağlamak için bu araçlar veri kümesine eklenmelidir.
• Gizlilik: Bir veri kümesi, insanların fotoğrafları gibi hassas bilgiler içeriyorsa gizlilik kurallarına uymalıdır. Anonimleştirme (kimliği belirleyebilecek ayrıntıları kaldırma) ve veri maskeleme (hassas bölümleri gizleme) gibi teknikler, verilerin güvenli biçimde kullanılmasını sağlarken gizliliği koruyabilir.

Düşük kaliteli verilerin yol açtığı zorluklar#

Yüksek kaliteli verilerin özelliklerini anlamak önemli olsa da düşük kaliteli verilerin bilgisayarlı görü modellerini nasıl etkileyebileceğini göz önünde bulundurmak da aynı derecede önemlidir.

Aşırı öğrenme ve yetersiz öğrenme gibi sorunlar model performansını ciddi ölçüde etkileyebilir. Aşırı öğrenme, model eğitim verilerinde iyi performans gösterirken yeni veya daha önce görmediği verilerde zorlandığında ortaya çıkar; bunun nedeni genellikle veri kümesinin çeşitlilikten yoksun olmasıdır. Öte yandan yetersiz öğrenme, veri kümesi modelin anlamlı örüntüler öğrenmesi için yeterli örnek veya kalite sunmadığında meydana gelir. Bu sorunlardan kaçınmak için çeşitli, tarafsız ve yüksek kaliteli veri kümeleri kullanmak; hem eğitimde hem de gerçek dünya uygulamalarında güvenilir performans sağlamak açısından çok önemlidir.

Şekil 2. Yetersiz öğrenme ve aşırı öğrenme karşılaştırması.

Düşük kaliteli veriler, modellerin ham verilerden anlamlı örüntüler çıkarmasını ve öğrenmesini de zorlaştırabilir; bu süreç özellik çıkarımı olarak bilinir. Veri kümesi eksik, ilgisiz veya çeşitlilikten yoksunsa model etkili performans göstermekte zorlanabilir.

Bazen düşük kaliteli veriler, verilerin basitleştirilmesinden kaynaklanabilir. Verileri basitleştirmek depolama alanından tasarruf etmeye ve işlem maliyetlerini azaltmaya yardımcı olabilir; ancak aşırı basitleştirme, modelin iyi çalışması için ihtiyaç duyduğu önemli ayrıntıları ortadan kaldırabilir. Bu nedenle veri toplamadan dağıtıma kadar tüm bilgisayarlı görü süreci boyunca yüksek kaliteli verileri korumak çok önemlidir. Genel bir kural olarak veri kümeleri, güvenilir model tahminlerini desteklemek için çeşitliliğini ve doğruluğunu korurken temel özellikleri de içermelidir.

Şekil 3. Özellik çıkarımını anlama.

Bilgisayarlı görü veri kümenin kalitesini korumaya yönelik ipuçları#

Yüksek kaliteli verilerin önemini ve düşük kaliteli verilerin etkisini anladığımıza göre, şimdi veri kümenin yüksek standartları karşıladığından nasıl emin olabileceğini inceleyelim.

Her şey güvenilir veri toplamayla başlar. Kitle kaynak kullanımı, farklı coğrafi bölgelerden gelen veriler ve sentetik veri üretimi gibi çeşitli kaynaklardan yararlanmak önyargıyı azaltır ve modellerin gerçek dünyadaki senaryoları ele almasına yardımcı olur. Veriler toplandıktan sonra ön işleme kritik önem taşır. Piksel değerlerini tutarlı bir aralığa ölçeklendiren normalleştirme ve döndürme, çevirme ve yakınlaştırma gibi dönüşümler uygulayan veri artırma gibi teknikler veri kümesini iyileştirir. Bu adımlar, modelinin daha iyi genelleme yapmasına ve daha dayanıklı olmasına yardımcı olarak aşırı öğrenme riskini azaltır.

Veri kümelerini doğru biçimde bölmek de önemli bir adımdır. Yaygın bir yaklaşım, verilerin %70'ini eğitim, %15'ini doğrulama ve %15'ini test için ayırmaktır. Bu kümelerin örtüşmediğini iki kez kontrol etmek, veri sızıntısını önler ve model değerlendirmesinin doğru olmasını sağlar.

Şekil 4. Eğitim, doğrulama ve test kümeleri arasında yaygın bir veri bölme oranı.

Zamandan ve hesaplama kaynaklarından tasarruf etmek için YOLO11 gibi önceden eğitilmiş modelleri de kullanabilirsin. Büyük veri kümeleri üzerinde eğitilmiş ve çeşitli bilgisayarlı görü görevleri için tasarlanmış YOLO11, ihtiyaçlarını karşılamak üzere kendi veri kümen üzerinde ince ayardan geçirilebilir. Modeli verilerine uyarlayarak aşırı öğrenmeyi önleyebilir ve güçlü performansı koruyabilirsin.

Bilgisayarlı görü veri kümelerinin geleceği#

Yapay zekâ topluluğu geleneksel olarak daha fazla katmana sahip, daha derin modeller geliştirerek performansı artırmaya odaklandı. Ancak yapay zekâ gelişmeye devam ettikçe odak noktası modelleri optimize etmekten veri kümelerinin kalitesini artırmaya kayıyor. Andrew Ng, "bu on yılda yapay zekâ dünyasının geçirmesi gereken en önemli değişimin veri merkezli yapay zekâya geçiş olacağına" inanıyor.

Bu yaklaşım; etiket doğruluğunu artırarak, gürültülü örnekleri kaldırarak ve çeşitliliği sağlayarak veri kümelerini iyileştirmeyi vurgular. Bilgisayarlı görüde bu ilkeler, taraflılık ve düşük kaliteli veri gibi sorunları ele almak ve modellerin gerçek dünya senaryolarında güvenilir performans göstermesini sağlamak açısından kritik öneme sahiptir.

Gelecekte bilgisayarlı görüdeki ilerleme, çok büyük miktarlarda veri toplamaktan ziyade daha küçük ve yüksek kaliteli veri kümeleri oluşturmaya bağlı olacak. Andrew Ng'in dediği gibi, "Verileri iyileştirmek tek seferlik bir ön işleme adımı değildir; makine öğrenimi modeli geliştirme sürecinin yinelemeli ve temel bir parçasıdır." Veri odaklı ilkelere odaklanıldıkça bilgisayarlı görü, çeşitli sektörlerde daha erişilebilir, verimli ve etkili olmaya devam edecek.

Önemli çıkarımlar#

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 verilere ve doğru etiketlemeye öncelik vererek güvenilir ve hassas sonuçlar sunan dayanıklı bilgisayarlı görü modelleri oluşturabiliriz.

Veri odaklı bir geleceğe ilerlerken, taraflılık ve gizlilik düzenlemeleriyle ilgili riskleri azaltmak için etik hususları ele almak çok önemlidir. Sonuç olarak, bilgisayarlı görü teknolojilerinin tüm potansiyelini ortaya çıkarmanın anahtarı verilerin bütünlüğünü ve adilliğini sağlamaktır.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuza göz at. Daha fazla yapay zekâ uygulamasını keşfetmek için çözüm sayfalarımızı incele; tarım ve üretim gibi sektörlere göz at.