2025'te veri artırma için kapsamlı rehber

Yapay zekâ patlaması sayesinde fabrikalarda çalışan robotlar ve sokaklarda yol alan otonom araçlar gibi olgular daha sık manşetlere çıkıyor. Yapay zekâ, tıbbi görüntülemeyi iyileştirmekten üretim hatlarında kalite kontrolüne yardımcı olmaya kadar makinelerin dünyayla etkileşim kurma biçimini değiştiriyor.

Bu ilerlemenin büyük bir bölümü, makinelerin görüntüleri anlamasını ve yorumlamasını mümkün kılan bir yapay zekâ dalı olan bilgisayarlı görü sayesinde gerçekleşiyor. İnsanların zamanla nesneleri ve örüntüleri tanımayı öğrenmesi gibi, Ultralytics YOLO11 gibi Vision AI modellerinin de görsel anlayış geliştirmek için büyük miktarda görüntü verisiyle eğitilmesi gerekiyor.

Ancak bu kadar büyük miktarda görsel veriyi toplamak her zaman kolay değil. Bilgisayarlı görü topluluğu çok sayıda büyük veri kümesi oluşturmuş olsa da bunlar düşük ışıkta çekilmiş nesne görüntüleri, kısmen gizlenmiş öğeler veya farklı açılardan görülen nesneler gibi bazı varyasyonları yine de gözden kaçırabilir. Bu farklılıklar, yalnızca belirli koşullarda eğitilmiş bilgisayarlı görü modellerinin kafasını karıştırabilir.

Görüntü veri artırma, mevcut verilere yeni varyasyonlar ekleyerek bu sorunu çözen bir tekniktir. Renkleri ayarlamak, döndürmek veya perspektifi değiştirmek gibi görüntü değişiklikleri yapıldığında veri kümesi daha çeşitli hâle gelir ve Vision AI modelleri gerçek dünya koşullarında nesneleri daha iyi tanır.

Bu makalede görüntü veri artırmanın nasıl çalıştığını ve bilgisayarlı görü uygulamaları üzerindeki etkisini inceleyeceğiz.

Görüntü veri artırma nedir?#

Kalabalıkta bir arkadaşını tanımaya çalıştığını, ancak arkadaşının güneş gözlüğü taktığını veya gölgeli bir yerde durduğunu düşün. Görünüşündeki bu küçük değişikliklere rağmen onun kim olduğunu yine de bilirsin. Öte yandan bir Vision AI modeli, farklı ortamlarda nesneleri tanıyacak şekilde eğitilmediyse bu tür varyasyonlarda zorlanabilir.

Görüntü veri artırma, binlerce yeni görüntü toplamak yerine mevcut görüntülerin değiştirilmiş sürümlerini eğitim verilerine ekleyerek bilgisayarlı görü modeli performansını iyileştirir.

Görüntüleri çevirmek, döndürmek, parlaklığı ayarlamak veya küçük bozulmalar eklemek gibi değişiklikler, Vision AI modellerini daha geniş bir koşul aralığına maruz bırakır. Modeller devasa veri kümelerine güvenmek yerine artırılmış görüntüler içeren daha küçük eğitim veri kümelerinden verimli şekilde öğrenebilir.

Şekil 1. Bir arabanın artırılmış görüntü örnekleri.

Bilgisayarlı görmede veri artırmanın önemi#

Artırmanın bilgisayarlı görü için neden gerekli olduğuna dair bazı temel nedenler şunlardır:

• Veri gereksinimlerini azaltır: Büyük görüntü veri kümeleri toplamak zaman ve kaynak gerektirir. Artırma, devasa veri kümelerine ihtiyaç duymadan modelleri etkili şekilde eğitmek için kullanılabilir.
• Aşırı öğrenmeyi önler: Çok az örnekle eğitilen bir model, genel örüntüleri tanımak yerine ayrıntıları ezberleyebilir. Artırma yoluyla çeşitlilik eklemek, Vision AI modellerinin yeni ve daha önce görülmemiş verilere uygulanabilecek şekilde öğrenmesini sağlar.
• Kusurlu görüntüleri taklit eder: Veri kümelerindeki görüntüler genellikle fazla kusursuzdur, ancak gerçek dünya fotoğrafları bulanık, örtülü veya bozulmuş olabilir. Görüntülere gürültü, örtülme veya diğer varyasyonları eklemek onları daha gerçekçi hâle getirir.
• Model dayanıklılığını artırır: Çeşitli görüntülerle eğitim, yapay zekânın gerçek dünyadaki değişikliklerle başa çıkmasına yardımcı olur ve farklı ortam, aydınlatma koşulu ve durumlarda daha güvenilir çalışmasını sağlar.

Görüntü veri artırmayı ne zaman kullanmalısın?#

Görüntü veri artırma, bir bilgisayarlı görü modelinin farklı durumlarda nesneleri tanıması gerektiğinde ancak elinde yeterince çeşitli görüntü bulunmadığında özellikle yararlıdır.

Örneğin araştırmacılar nadiren fotoğraflanan, ender su altı türlerini tanımlamak üzere bir Vision AI modeli eğitiyorsa veri kümesi küçük olabilir veya çeşitlilikten yoksun kalabilir. Görüntüleri artırarak (farklı su derinliklerini simüle etmek için renkleri ayarlayarak, bulanık koşulları taklit etmek için gürültü ekleyerek veya doğal hareketi hesaba katmak için şekilleri hafifçe değiştirerek) model su altı nesnelerini algılamayı daha doğru şekilde öğrenebilir.

Artırmanın büyük fark yarattığı diğer bazı durumlar şunlardır:

• Veri kümesini dengeleme: Bazı nesneler eğitim verilerinde daha seyrek görünebilir ve bu da Vision AI modellerinde yanlılığa yol açabilir. Artırma, nadir nesneler için daha fazla örnek oluşturarak modelin tüm kategorileri adil şekilde tanımasına yardımcı olur.
• Farklı kameralara uyum sağlama: Görüntüler cihaza bağlı olarak farklı görünebilir. Artırma, Vision AI modellerinin farklı çözünürlük, aydınlatma ve kaliteye sahip fotoğraflarda iyi performans göstermesine yardımcı olur.
• Küçük etiketleme hatalarını düzeltme: Hafif kaydırmalar, kırpmalar veya döndürmeler, özgün etiketler tam olarak hizalanmamış olsa bile bilgisayarlı görü modellerinin nesneleri doğru tanımasına yardımcı olur.

Görüntü veri artırma nasıl çalışır?#

Bilgisayarlı görmenin ilk dönemlerinde görüntü veri artırma, veri kümesi çeşitliliğini artırmak için temel görüntü işleme teknikleri olan çevirme, döndürme ve kırpmayı içeriyordu. Yapay zekâ geliştikçe öğrenmeyi güçlendirmek için renkleri ayarlama (renk uzayı dönüşümleri), görüntüleri keskinleştirme veya bulanıklaştırma (çekirdek filtreleri) ve birden fazla görüntüyü birleştirme (görüntü karıştırma) gibi daha gelişmiş yöntemler kullanıma sunuldu.

Artırma model eğitimi öncesinde ve sırasında gerçekleşebilir. Eğitimden önce, daha fazla çeşitlilik sağlamak için değiştirilmiş görüntüler veri kümesine eklenebilir. Eğitim sırasında görüntüler gerçek zamanlı olarak rastgele değiştirilebilir ve Vision AI modellerinin farklı koşullara uyum sağlamasına yardımcı olunabilir.

Bu değişiklikler matematiksel dönüşümler kullanılarak yapılır. Örneğin döndürme görüntüyü eğer, kırpma farklı görünümleri taklit etmek için görüntünün bazı kısımlarını kaldırır ve parlaklık değişiklikleri aydınlatma farklılıklarını simüle eder. Bulanıklaştırma görüntüleri yumuşatır, keskinleştirme ayrıntıları daha net hâle getirir ve görüntü karıştırma farklı görüntülerin bölümlerini birleştirir. Vision AI çerçeveleri ile OpenCV, TensorFlow ve PyTorch gibi araçlar bu süreçleri otomatikleştirerek artırmayı hızlı ve etkili hâle getirebilir.

Temel görüntü veri artırma teknikleri#

Şimdiye kadar görüntü veri artırmanın ne olduğunu ele aldık; şimdi eğitim verilerini geliştirmek için kullanılan bazı temel görüntü veri artırma tekniklerine daha yakından bakalım.

Yönü ve konumu ayarlama#

YOLO11 gibi bilgisayarlı görü modellerinin nesneleri genellikle çeşitli açılardan ve bakış noktalarından tanıması gerekir. Buna yardımcı olmak için görüntüler yatay veya dikey olarak çevrilebilir; böylece yapay zekâ modeli nesneleri farklı bakış noktalarından tanımayı öğrenir.

Benzer şekilde görüntüleri döndürmek açılarını hafifçe değiştirerek modelin nesneleri birden fazla perspektiften tanımasını sağlar. Ayrıca görüntüleri farklı yönlere kaydırmak (öteleme), modellerin küçük konum değişikliklerine uyum sağlamasına yardımcı olur. Bu dönüşümler, görüntüdeki nesne konumunun öngörülemez olduğu gerçek dünya koşullarına modellerin daha iyi genelleme yapmasını sağlar.

Şekil 2. Yön ve konumla ilgili farklı artırma yöntemleri.

Yeniden boyutlandırma ve kırpma#

Gerçek dünyadaki bilgisayarlı görü çözümleri açısından, görüntülerdeki nesneler farklı mesafelerde ve boyutlarda görünebilir. Vision AI modellerinin bu farklılıklardan bağımsız olarak nesneleri algılayabilecek kadar dayanıklı olması gerekir.

Uyarlanabilirliği artırmak için aşağıdaki artırma yöntemleri kullanılabilir:

• Ölçekleme: Yeniden boyutlandırma, oranlarını korurken görüntü boyutunu değiştirir ve yapay zekâ modellerinin nesneleri farklı mesafelerde algılamasını sağlar.
• Kırpma: Görüntünün gereksiz kısımlarını kaldırarak modelin önemli bölgelere odaklanmasına ve arka plan dikkat dağıtıcılarını azaltmasına yardımcı olur.
• Kesme: Bir görüntüyü hafifçe eğmek, eğik veya uzamış bir görünümü simüle eder ve yapay zekânın nesneleri farklı açılardan tanımasına yardımcı olur.

Bu ayarlamalar, boyutları veya şekilleri hafifçe değişse bile bilgisayarlı görü modellerinin nesneleri tanımasına yardımcı olur.

Perspektif ve bozulma ayarlamaları#

Görüntülerdeki nesneler kamera açısına bağlı olarak farklı görünebilir ve bu durum bilgisayarlı görü modellerinin tanımasını zorlaştırabilir. Modellerin bu varyasyonlarla başa çıkmasına yardımcı olmak için artırma teknikleri, nesnelerin görüntülerde sunulma biçimini ayarlayabilir.

Örneğin perspektif dönüşümleri görüş açısını değiştirerek nesnenin farklı bir konumdan görülüyormuş gibi görünmesini sağlayabilir. Böylece Vision AI modelleri, nesneler eğik olduğunda veya alışılmadık bir bakış açısından görüntülendiğinde bile onları tanıyabilir.

Bir başka örnek olan elastik dönüşüm, görüntüleri gerer, büker veya deforme ederek doğal bozulmaları simüle eder; böylece nesneler yansımalarda veya basınç altında görünecekleri gibi görünür.

Renk ve aydınlatma değişiklikleri#

Aydınlatma koşulları ve renk farklılıkları, Vision AI modellerinin görüntüleri yorumlama biçimini önemli ölçüde etkileyebilir. Nesneler farklı aydınlatma ayarlarında farklı görünebildiğinden, aşağıdaki artırma teknikleri bu durumlarla başa çıkmaya yardımcı olabilir:

• Parlaklık ve kontrast ayarlamaları: Farklı aydınlatma koşullarını simüle etmek, Vision AI modellerinin hem aydınlık hem de karanlık ortamlarda nesneleri tanımasına yardımcı olur.
• Renk titreştirme: Tonu, doygunluğu ve renk dengesini rastgele değiştirmek, bilgisayarlı görü modellerini farklı kamera ve aydınlatma koşullarına daha uyarlanabilir hâle getirir.
• Gri tonlamaya dönüştürme: Görüntüleri siyah beyaza dönüştürmek, Vision AI modellerini renk yerine şekillere ve dokulara odaklanmaya teşvik eder.

Şekil 3. Renk varyasyonlarıyla ilgili artırma örnekleri.

Gelişmiş görüntü veri artırma teknikleri#

Şimdiye kadar yalnızca tek bir görüntüyü değiştiren artırma tekniklerini inceledik. Ancak bazı gelişmiş yöntemler, yapay zekâ öğrenmesini iyileştirmek için birden fazla görüntüyü birleştirir.

Örneğin MixUp, iki görüntüyü birleştirerek bilgisayarlı görü modellerinin nesneler arasındaki ilişkileri anlamasına ve farklı senaryolara genelleme yeteneklerini geliştirmesine yardımcı olur. CutMix bunu bir adım ileri taşıyarak bir görüntünün bir bölümünü başka bir görüntünün parçasıyla değiştirir ve modellerin aynı görüntü içinde birden fazla bağlamdan öğrenmesini sağlar. CutOut ise farklı çalışır; bir görüntünün rastgele bölümlerini kaldırarak Vision AI modellerini nesneler kısmen gizlenmiş veya örtülmüş olsa bile onları tanıyacak şekilde eğitir.

Şekil 4. Gelişmiş görüntü veri artırma teknikleri.

Görüntü veri artırmada üretken yapay zekânın rolü#

Üretken yapay zekâ birçok sektörde ve günlük uygulamada giderek yaygınlaşıyor. Muhtemelen yapay zekâ tarafından oluşturulan görüntüler, deepfake videolar veya gerçekçi avatarlar oluşturan uygulamalarla bağlantılı olarak karşılaşmışsındır. Ancak üretken yapay zekâ, yaratıcılık ve eğlencenin ötesinde, mevcut görüntülerden yeni görüntüler oluşturarak Vision AI modellerinin eğitiminde kritik bir rol oynar.

Yalnızca görüntüleri çevirmek veya döndürmek yerine yüz ifadelerini ve giyim tarzlarını değiştiren, hatta farklı hava koşullarını simüle eden gerçekçi varyasyonlar oluşturabilir. Bu varyasyonlar, bilgisayarlı görü modellerinin çeşitli gerçek dünya senaryolarına daha uyarlanabilir ve doğru hâle gelmesine yardımcı olur. GANs (Üretici çekişmeli ağlar) ve difüzyon modelleri gibi gelişmiş üretken yapay zekâ modelleri eksik ayrıntıları da tamamlayabilir veya yüksek kaliteli sentetik görüntüler oluşturabilir.

Görüntü veri artırmanın sınırlamaları#

Veri artırma eğitim veri kümelerini iyileştirse de dikkate alınması gereken bazı sınırlamalar vardır. Görüntü veri artırmayla ilgili temel zorluklardan bazıları şunlardır:

• Sınırlı veri çeşitliliği: Artırılmış görüntüler mevcut verilerden gelir ve tamamen yeni örüntüler veya nadir perspektifler ortaya çıkaramaz.
• Olası veri bozulması: Aşırı dönüşümler görüntüleri gerçek dışı hâle getirebilir ve gerçek dünya senaryolarında model doğruluğunu potansiyel olarak azaltabilir.
• Artan hesaplama gereksinimi: Model eğitimi sırasında gerçekleşen gerçek zamanlı artırma, oldukça fazla işlem gücü gerektirebilir; bu da eğitimi yavaşlatır ve bellek kullanımını artırır.
• Sınıf dengesizliği devam eder: Artırma tamamen yeni örnekler oluşturmadığından, yeterince temsil edilmeyen kategoriler yine yanlı öğrenmeye yol açabilir.

Görüntü veri artırmanın gerçek dünyadaki bir uygulaması#

Görüntü veri artırmanın ilginç bir uygulaması, Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin anlık kararlarının kritik olduğu otonom araçlardır. Modelin yolları, insanları ve diğer nesneleri doğru şekilde algılayabilmesi gerekir.

Ancak otonom bir aracın gerçek dünyada karşılaştığı koşullar öngörülemez olabilir. Kötü hava, hareket bulanıklığı ve gizlenmiş işaretler bu sektördeki Vision AI çözümlerini karmaşık hâle getirebilir. Bilgisayarlı görü modellerini yalnızca gerçek dünya görüntüleriyle eğitmek çoğu zaman yeterli değildir. Otonom araçlardaki modeller için görüntü veri kümelerinin çeşitli olması gerekir; böylece model beklenmedik durumlarla başa çıkmayı öğrenebilir.

Görüntü veri artırma, sisi simüle ederek, parlaklığı ayarlayarak ve şekilleri bozarak bu sorunu çözer. Bu değişiklikler modellerin farklı koşullarda nesneleri tanımasına yardımcı olur. Sonuç olarak modeller daha akıllı ve güvenilir hâle gelir.

Artırılmış eğitim sayesinde otonom araçlardaki Vision AI çözümleri daha iyi uyum sağlar ve daha güvenli kararlar alır. Daha doğru sonuçlar daha az kaza ve gelişmiş navigasyon anlamına gelir.

Şekil 5. Otonom araçlar bağlamında bir görüntü veri artırma örneği.

Otonom araçlar yalnızca bir örnektir. Aslında görüntü veri artırma, tıbbi görüntülemeden perakende analitiğine kadar çok çeşitli sektörlerde kritik öneme sahiptir. Bilgisayarlı görüye dayanan her uygulama, görüntü veri artırmadan potansiyel olarak yararlanabilir.

Önemli çıkarımlar#

Vision AI sistemlerinin farklı koşullarda nesneleri tanıyabilmesi gerekir, ancak eğitim için sonsuz sayıda gerçek dünya görüntüsü toplamak zor olabilir. Görüntü veri artırma, mevcut görüntülerin varyasyonlarını oluşturarak bu sorunu çözer; modellerin daha hızlı öğrenmesine ve gerçek dünya durumlarında daha iyi performans göstermesine yardımcı olur. Doğruluğu artırarak Ultralytics YOLO11 gibi Vision AI modellerinin farklı aydınlatma, açı ve ortamlarda çalışabilmesini sağlar.

İşletmeler ve geliştiriciler için görüntü veri artırma, bilgisayarlı görü modellerini daha güvenilir hâle getirirken zaman ve emek tasarrufu sağlar. Sağlık hizmetlerinden otonom araçlara kadar birçok sektör buna dayanır. Vision AI gelişmeye devam ettikçe artırma, geleceğin daha akıllı ve uyarlanabilir modellerini oluşturmanın temel bir parçası olmayı sürdürecektir.

Yapay zekâyı iş başında görmek için topluluğumuza katıl ve GitHub depomuzu ziyaret et. Lisanslama seçeneklerimizi incele; çözüm sayfalarımızda tarımda yapay zekâ ve üretimde bilgisayarlı görü hakkında daha fazla bilgi edin.