2025'te veri artırma için nihai rehber

Yapay zeka patlaması nedeniyle, fabrikalarda çalışan robotlar ve sokaklarda gezinen sürücüsüz araçlar gibi fenomenler eskiye göre daha sık manşetlere taşınıyor. Yapay zeka, tıbbi görüntülemeyi iyileştirmekten üretim hatlarındaki kalite kontrolüne yardımcı olmaya kadar makinelerin dünyayla etkileşim kurma biçimini değiştiriyor.

Bu ilerlemenin büyük bir kısmı, makinelerin görüntüleri anlamasını ve yorumlamasını mümkün kılan bir yapay zeka dalı olan bilgisayarlı görüden kaynaklanıyor. İnsanların zamanla nesneleri ve desenleri tanımayı öğrenmesi gibi, Ultralytics YOLO11 gibi görü yapay zeka modellerinin de görsel anlayışlarını geliştirmek için büyük miktarda görüntü verisi üzerinde eğitilmeleri gerekir.

Ancak, bu kadar büyük miktarda görsel veri toplamak her zaman kolay değildir. Bilgisayarlı görü topluluğu birçok büyük veri seti oluşturmuş olsa da, bunlar hala düşük ışıkta nesneler, kısmen gizlenmiş öğeler veya farklı açılardan bakılan şeyler gibi belirli varyasyonları gözden kaçırabilir. Bu farklılıklar, yalnızca belirli koşullar altında eğitilmiş bilgisayarlı görü modelleri için kafa karıştırıcı olabilir.

Görüntü veri artırma, mevcut verilere yeni varyasyonlar ekleyerek bu sorunu çözen bir tekniktir. Görüntüler üzerinde renkleri ayarlama, döndürme veya perspektifi kaydırma gibi değişiklikler yaparak veri seti daha çeşitli hale gelir ve görü yapay zeka modellerinin gerçek dünya durumlarında nesneleri daha iyi tanımasına yardımcı olur.

Bu makalede, görüntü veri artırmanın nasıl çalıştığını ve bilgisayarlı görü uygulamaları üzerinde yaratabileceği etkiyi inceleyeceğiz.

Link to this sectionGörüntü veri artırma nedir?#

Bir kalabalık içinde bir arkadaşını tanımaya çalıştığını ancak arkadaşının güneş gözlüğü taktığını veya gölgeli bir yerde durduğunu varsayalım. Görünümündeki bu küçük değişikliklere rağmen, kim olduğunu hala bilirsin. Öte yandan, bir görü yapay zeka modeli, nesneleri farklı ortamlarda tanımak üzere eğitilmediği sürece bu tür varyasyonlarla zorlanabilir.

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

Görüntüleri çevirme, döndürme, parlaklığı ayarlama veya küçük bozulmalar ekleme gibi değişiklikler, görü yapay zeka modellerini daha geniş bir koşul yelpazesine maruz bırakır. Devasa veri setlerine güvenmek yerine, modeller artırılmış görüntüler içeren daha küçük eğitim veri setlerinden verimli bir şekilde öğrenebilir.

Şekil 1. Bir arabanın artırılmış görüntü örnekleri.

Link to this sectionBilgisayarlı görüde veri artırmanın önemi#

İşte artırmanın bilgisayarlı görü için neden gerekli olduğuna dair temel nedenlerden bazıları:

• Veri gereksinimlerini azaltır: Büyük görüntü veri setleri toplamak zaman ve kaynak gerektirir. Artırma, devasa veri setlerine ihtiyaç duymadan modelleri etkili bir şekilde eğitmek için kullanılabilir.
• Aşırı öğrenmeyi (overfitting) önler: Çok az örnek üzerinde eğitilen bir model, genel desenleri tanımak yerine detayları ezberleyebilir. Artırma yoluyla çeşitlilik eklemek, görü yapay zeka modellerinin yeni ve daha önce görülmemiş verilere uygulanacak şekilde öğrenmesini sağlar.
• Kusurlu görüntüleri taklit eder: Veri setlerindeki görüntüler genellikle çok mükemmeldir, ancak gerçek dünya fotoğrafları bulanık, gizlenmiş veya bozuk olabilir. Görüntüleri gürültü, tıkanıklık veya diğer varyasyonlarla artırmak onları daha gerçekçi kılar.
• Model sağlamlığını artırır: Çeşitli görüntülerle eğitim, yapay zekanın gerçek dünya değişikliklerini yönetmesine yardımcı olarak onu farklı ortamlarda, aydınlatma koşullarında ve durumlarda daha güvenilir hale getirir.

Link to this sectionGörüntü veri artırmayı ne zaman kullanmalısın?#

Görüntü veri artırma, özellikle bir bilgisayarlı görü modelinin nesneleri farklı durumlarda tanıması gerektiğinde ancak yeterli çeşitlilikte görüntüsü olmadığında yardımcı olur.

Örneğin, araştırmacılar nadiren fotoğraflanan nadir su altı türlerini tanımlamak için bir görü yapay zeka modeli eğitiyorsa, veri seti küçük olabilir veya çeşitlilikten yoksun olabilir. Görüntüleri artırarak -farklı su derinliklerini simüle etmek için renkleri ayarlamak, bulanık koşulları taklit etmek için gürültü eklemek veya doğal hareketi hesaba katmak için şekilleri hafifçe değiştirmek- model su altı nesnelerini tespit etmeyi daha doğru bir şekilde öğrenebilir.

İşte artırmanın büyük fark yarattığı diğer bazı durumlar:

• Veri setini dengeleme: Bazı nesneler eğitim verilerinde daha az görünebilir ve bu da görü yapay zeka modellerini yanlı hale getirir. Artırma, nadir nesnelerin daha fazla örneğinin oluşturulmasına yardımcı olur, böylece model tüm kategorileri adil bir şekilde tanıyabilir.
• Farklı kameralara uyum sağlama: Görüntüler kullanılan cihaza bağlı olarak farklı görünebilir. Artırma, görü yapay zeka modellerinin farklı çözünürlük, aydınlatma ve kalitedeki fotoğraflarda iyi performans göstermesine yardımcı olur.
• Küçük etiketleme hatalarını düzeltme: Hafif kaymalar, kırpmalar veya döndürmeler, orijinal etiketler mükemmel şekilde hizalanmamış olsa bile bilgisayarlı görü modellerinin nesneleri doğru şekilde tanımasına yardımcı olur.

Link to this sectionGörüntü veri artırma nasıl çalışır#

Bilgisayarlı görünün ilk günlerinde, görüntü veri artırma temel olarak veri seti çeşitliliğini artırmak için çevirme, döndürme ve kırpma gibi temel görüntü işleme tekniklerini içeriyordu. Yapay zeka geliştikçe, renkleri ayarlama (renk uzayı dönüşümleri), görüntüleri keskinleştirme veya bulanıklaştırma (çekirdek filtreleri) ve öğrenmeyi geliştirmek için birden fazla görüntüyü harmanlama (görüntü karıştırma) gibi daha gelişmiş yöntemler tanıtıldı.

Artırma, model eğitimi öncesinde ve sırasında gerçekleşebilir. Eğitimden önce, daha fazla çeşitlilik sağlamak için değiştirilmiş görüntüler veri setine eklenebilir. Eğitim sırasında, görüntüler gerçek zamanlı olarak rastgele değiştirilebilir ve bu da görü yapay zeka modellerinin farklı koşullara uyum sağlamasına yardımcı olur.

Bu değişiklikler matematiksel dönüşümler kullanılarak yapılır. Örneğin, döndürme görüntüyü eğer, kırpma farklı görünümleri taklit etmek için parçaları kaldırır ve parlaklık değişiklikleri aydınlatma varyasyonlarını simüle eder. Bulanıklaştırma görüntüleri yumuşatır, keskinleştirme ayrıntıları daha net hale getirir ve görüntü karıştırma farklı görüntülerin parçalarını birleştirir. Görü yapay zeka çerçeveleri ve OpenCV, TensorFlow ve PyTorch gibi araçlar bu süreçleri otomatize ederek artırmayı hızlı ve etkili hale getirebilir.

Link to this sectionTemel görüntü veri artırma teknikleri#

Görüntü veri artırmanın ne olduğunu tartıştığımıza göre, eğitim verilerini geliştirmek için kullanılan bazı temel görüntü veri artırma tekniklerine daha yakından bakalım.

Link to this sectionYön ve konumu ayarlama#

YOLO11 gibi bilgisayarlı görü modelleri genellikle nesneleri çeşitli açılardan ve bakış noktalarından tanımak zorundadır. Buna yardımcı olmak için, görüntüler yatay veya dikey olarak çevrilebilir, böylece yapay zeka modeli nesneleri farklı bakış açılarından tanımayı öğrenir.

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

Şekil 2. Farklı yön ve konumla ilgili artırma yöntemleri.

Link to this sectionYeniden boyutlandırma ve kırpma#

Gerçek dünya bilgisayarlı görü çözümleri söz konusu olduğunda, görüntülerdeki nesneler farklı mesafelerde ve boyutlarda görünebilir. Görü yapay zeka modelleri, bu farklılıklara bakılmaksızın onları tespit edebilecek kadar sağlam olmalıdır.

Uyarlanabilirliği artırmak için aşağıdaki artırma yöntemleri kullanılabilir:

• Ölçeklendirme: Yeniden boyutlandırma, oranlarını korurken görüntü boyutunu değiştirir ve yapay zeka modellerinin nesneleri farklı mesafelerde tespit etmesini sağlar.
• Kırpma: Bu, görüntünün gereksiz kısımlarını kaldırarak modelin önemli alanlara odaklanmasına ve arka plan dikkat dağıtıcılarını azaltmasına yardımcı olur.
• Kaydırma (Shearing): Bir görüntüyü hafifçe çarpıtmak, eğik veya gerilmiş bir görünümü simüle ederek yapay zekanın nesneleri farklı açılardan tanımasına yardımcı olur.

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

Link to this sectionPerspektif ve bozulma ayarlamaları#

Görüntülerdeki nesneler kamera açısına bağlı olarak farklı görünebilir ve bu da bilgisayarlı görü modelleri için tanımayı zorlaştırır. Modellerin bu varyasyonları yönetmesine yardımcı olmak için artırma teknikleri, nesnelerin görüntülerde nasıl sunulduğunu ayarlayabilir.

Örneğin, perspektif dönüşümleri izleme açısını değiştirebilir ve bir nesnenin sanki farklı bir konumdan görülüyormuş gibi görünmesini sağlayabilir. Bu, görü yapay zeka modellerinin nesneleri eğildiklerinde veya olağandışı bir bakış açısından yakalandıklarında bile tanımasını sağlar.

Diğer bir örnek ise, nesnelerin yansımalarda veya basınç altında göründükleri gibi görünmesini sağlamak için doğal bozulmaları taklit etmek amacıyla görüntüleri geren, büken veya çarpıtan elastik bir dönüşümdür.

Link to this sectionRenk ve aydınlatma değişiklikleri#

Aydınlatma koşulları ve renk farklılıkları, görü yapay zeka modellerinin görüntüleri yorumlama biçimini önemli ölçüde etkileyebilir. Nesneler çeşitli aydınlatma ayarları altında farklı görünebileceğinden, aşağıdaki artırma teknikleri bu durumları yönetmeye yardımcı olabilir:

• Parlaklık ve kontrast ayarlamaları: Farklı aydınlatma koşullarını simüle etmek, görü yapay zeka modellerinin hem aydınlık hem de karanlık ortamlarda nesneleri tanımasına yardımcı olur.
• Renk titremesi (Color jittering): Ton, doygunluk ve renk dengesini rastgele değiştirmek, bilgisayarlı görü modellerini farklı kameralara ve aydınlatma koşullarına daha uyumlu hale getirir.
• Gri tonlamaya dönüştürme: Görüntüleri siyah beyaza dönüştürmek, görü yapay zeka modellerini renkten ziyade şekillere ve dokulara odaklanmaya teşvik eder.

Şekil 3. Renk varyasyonlarıyla ilgili artırma örnekleri.

Link to this sectionGelişmiş görüntü veri artırma teknikleri#

Şimdiye kadar sadece tek bir görüntüyü değiştiren artırma tekniklerini inceledik. Ancak, bazı gelişmiş yöntemler yapay zeka öğrenimini iyileştirmek için birden fazla görüntünün birleştirilmesini içerir.

Örneğin, MixUp iki görüntüyü bir araya getirerek bilgisayarlı görü modellerinin nesne ilişkilerini anlamasına yardımcı olur ve farklı senaryolar arasında genelleme yapma yeteneklerini artırır. CutMix, bir görüntünün bir bölümünü diğerinin bir parçasıyla değiştirerek bunu bir adım öteye taşır ve modellerin aynı görüntü içinde birden fazla bağlamdan öğrenmesini sağlar. Bu arada CutOut, bir görüntünün rastgele kısımlarını kaldırarak farklı bir şekilde çalışır ve görü yapay zeka modellerini kısmen gizlenmiş veya engellenmiş olsalar bile nesneleri tanıyacak şekilde eğitir.

Şekil 4. Gelişmiş görüntü veri artırma teknikleri.

Link to this sectionGörüntü veri artırmada üretken yapay zekanın rolü#

Üretken yapay zeka, birçok sektörde ve günlük uygulamada ilgi görüyor. Muhtemelen yapay zeka tarafından oluşturulan görüntüler, deepfake videoları veya gerçekçi avatarlar oluşturan uygulamalarla karşılaşmışsındır. Ancak yaratıcılık ve eğlencenin ötesinde, üretken yapay zeka, mevcut görüntülerden yenilerini oluşturarak görü yapay zeka modellerini eğitmede çok önemli bir rol oynar.

Resimleri sadece çevirmek veya döndürmek yerine, yüz ifadelerini, giyim tarzlarını değiştirerek ve hatta farklı hava koşullarını simüle ederek gerçekçi varyasyonlar oluşturabilir. Bu varyasyonlar, bilgisayarlı görü modellerinin çeşitli gerçek dünya senaryolarında daha uyumlu ve doğru olmasına yardımcı olur. GAN'lar (Üretken Çekişmeli Ağlar) ve difüzyon modelleri gibi gelişmiş üretken yapay zeka modelleri ayrıca eksik ayrıntıları doldurabilir veya yüksek kaliteli sentetik görüntüler oluşturabilir.

Link to this sectionGörüntü veri artırmanın sınırlamaları#

Veri artırma eğitim veri setlerini iyileştirse de, dikkate alınması gereken bazı sınırlamalar da vardır. İşte görüntü veri artırmayla ilgili birkaç temel zorluk:

• Sınırlı veri çeşitliliği: Artırılmış görüntüler mevcut verilerden gelir ve tamamen yeni desenler veya nadir perspektifler sunamaz.
• Potansiyel veri bozulması: Aşırı dönüşümler görüntüleri gerçekçi olmayan hale getirebilir ve gerçek dünya senaryolarında model doğruluğunu azaltabilir.
• Artan hesaplama: 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 oluşturmaz, bu nedenle az temsil edilen kategoriler hala yanlı öğrenmeye yol açabilir.

Link to this sectionGörüntü veri artırmanın gerçek dünyadan bir uygulaması#

Görüntü veri artırmanın ilginç bir uygulaması, YOLO11 gibi bilgisayarlı görü modelleri tarafından verilen anlık kararların kritik olduğu sürücüsüz araçlardadır. Modelin yolları, insanları ve diğer nesneleri doğru bir şekilde tespit edebilmesi gerekir.

Ancak, sürücüsüz bir aracın karşılaştığı gerçek dünya koşulları öngörülemez olabilir. Kötü hava koşulları, hareket bulanıklığı ve gizli işaretler, bu sektördeki görü yapay zeka çözümlerini karmaşık hale getirebilir. Bilgisayarlı görü modellerini sadece gerçek dünya görüntüleriyle eğitmek genellikle yeterli değildir. Sürücüsüz araçlardaki modeller için görüntü veri setleri çeşitli olmalıdır, böylece model beklenmedik durumlarla başa çıkmayı öğrenebilir.

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

Artırılmış eğitim ile sürücüsüz araçlardaki görü yapay zeka çözümleri daha iyi uyum sağlar ve daha güvenli kararlar alır. Daha doğru sonuçlar, daha az kaza ve iyileştirilmiş navigasyon anlamına gelir.

Şekil 5. Sürücüsüz araçlarla ilgili görüntü veri artırma örneği.

Sürücüsüz araçlar sadece bir örnektir. Aslında, görüntü veri artırma, tıbbi görüntülemeden perakende analitiğine kadar çok çeşitli sektörlerde kritiktir. Bilgisayarlı görüye dayanan her uygulama, potansiyel olarak görüntü veri artırmadan yararlanabilir.

Link to this sectionÖne çıkanlar#

Görü yapay zeka sistemlerinin nesneleri farklı koşullarda tanıyabilmesi gerekir, ancak eğitim için sonsuz 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 artırır ve YOLO11 gibi görü yapay zeka modellerinin farklı aydınlatma, açılar ve ortamlarla başa çıkabilmesini sağlar.

İşletmeler ve geliştiriciler için görüntü veri artırma, zamandan ve emekten tasarruf sağlarken bilgisayarlı görü modellerini daha güvenilir hale getirir. Sağlık hizmetlerinden sürücüsüz araçlara kadar birçok sektör buna bağımlıdır. Görü Yapay Zekası gelişmeye devam ettikçe, artırma gelecekte daha akıllı ve daha uyumlu modeller oluşturmanın temel bir parçası olmaya devam edecektir.

Yapay zekayı çalışırken görmek için topluluğumuza katıl ve GitHub depomuza göz at. Lisanslama seçeneklerimizi keşfet ve çözümler sayfalarımızda tarımda yapay zeka ve üretimde bilgisayarlı görü hakkında daha fazla bilgi edin.