2025'te veri artırma için kapsamlı rehber

Yapay zekâ patlamasıyla fabrikalarda çalışan robotlar ve sokaklarda ilerleyen otonom araçlar gibi gelişmeler daha sık manşetlere çıkıyor. Yapay zekâ, tıbbi görüntülemeyi iyileştirmekten üretim hatlarında kalite kontrolüne yardımcı olmaya kadar makinelerin dünyayla etkileşim biçimini değiştiriyor.

Bu ilerlemenin önemli bir bölümü, makinelerin görüntüleri anlamasını ve yorumlamasını mümkün kılan bir yapay zekâ dalı olan bilgisayarlı görüden kaynaklanıyor. İnsanların zaman içinde nesneleri ve örüntüleri tanımayı öğrenmesi gibi, Ultralytics YOLO11 gibi görsel yapay zekâ modellerinin de görsel anlama becerisi geliştirmek için büyük miktarda görüntü verisiyle eğitilmesi gerekir.

Ancak bu kadar büyük miktarda görsel veri toplamak her zaman kolay değildir. Bilgisayarlı görü topluluğu birçok büyük veri kümesi oluşturmuş olsa da düşük ışıkta çekilmiş nesneler, kısmen gizlenmiş ögeler veya farklı açılardan görüntülenen şeyler gibi bazı çeşitlilikleri hâlâ içermeyebilirler. Yalnızca belirli koşullarda eğitilmiş bilgisayarlı görü modelleri bu farklılıkları anlamakta zorlanabilir.

Görüntü verisi artırma, mevcut verilere yeni çeşitlilikler ekleyerek bu sorunu çözen bir tekniktir. Renkleri ayarlamak, görüntüleri döndürmek veya perspektifi değiştirmek gibi düzenlemelerle veri kümesi daha çeşitli hâle gelir ve görsel yapay zekâ modellerinin gerçek dünyadaki koşullarda nesneleri daha iyi tanımasına yardımcı olur.

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

Görüntü verisi artırma nedir?#

Kalabalıkta bir arkadaşını tanımaya çalıştığını, ancak arkadaşının güneş gözlüğü taktığını veya gölgeli bir yerde durduğunu düşün. Görünümündeki bu küçük değişikliklere rağmen onun kim olduğunu yine de bilirsin. Buna karşılık görsel yapay zekâ modeli, farklı ortamlardaki nesneleri tanımak üzere eğitilmediyse bu tür değişiklikleri anlamakta zorlanabilir.

Görüntü verisi artırma, binlerce yeni görüntü toplamak yerine mevcut görüntülerin değiştirilmiş sürümlerini eğitim verilerine ekleyerek bilgisayarlı görü modelinin performansını artırır.

Görüntüleri çevirme, döndürme, parlaklığı ayarlama veya küçük bozulmalar ekleme gibi değişiklikler, görsel yapay zekâ modellerini daha geniş koşul çeşitliliğiyle karşılaştırır. Modeller, büyük veri kümelerine bel bağlamak yerine artırılmış görüntüler içeren daha küçük eğitim veri kümelerinden verimli biçimde öğrenebilir.

Şekil 1. Bir arabanın artırılmış görüntülerine örnekler.

Bilgisayarlı görüde veri artırmanın önemi#

Bilgisayarlı görü için veri artırmanın neden gerekli olduğuna dair temel nedenlerden bazıları şunlardır:

• Veri gereksinimlerini azaltır: Büyük görüntü veri kümeleri toplamak zaman ve kaynak gerektirir. Büyük veri kümelerine ihtiyaç duymadan modelleri etkili biçimde eğitmek için artırma kullanılabilir.
• Aşırı öğrenmeyi önler: Çok az örnekle eğitilen bir model, genel örüntüleri tanımak yerine ayrıntıları ezberleyebilir. Artırma yoluyla çeşitlilik eklemek, görsel yapay zekâ modellerinin yeni ve görülmemiş verilere uygulanabilecek şekilde öğrenmesini sağlar.
• Kusurlu görüntüleri taklit eder: Veri kümelerindeki görüntüler çoğu zaman fazla kusursuzdur; oysa gerçek dünyadaki fotoğraflar bulanık, engellenmiş veya bozulmuş olabilir. Görüntülere gürültü, örtülme veya başka çeşitlilikler eklemek, onları daha gerçekçi hâle getirir.
• Model dayanıklılığını artırır: Çeşitli görüntülerle eğitim, yapay zekânın gerçek dünyadaki değişikliklerle başa çıkmasına yardımcı olarak onu farklı ortamlarda, ışık koşullarında ve durumlarda daha güvenilir hâle getirir.

Görüntü verisi artırmayı ne zaman kullanmalısın?#

Görüntü verisi artırma, bilgisayarlı görü modelinin farklı durumlardaki nesneleri tanıması gerektiğinde ancak yeterince çeşitli görüntü bulunmadığında özellikle yararlıdır.

Örneğin araştırmacılar, nadiren fotoğraflanan ender su altı türlerini belirlemek için bir görsel yapay zekâ modelini eğitiyorsa veri kümesi küçük olabilir veya çeşitlilikten yoksun olabilir. Görüntülerin renklerini farklı su derinliklerini taklit edecek şekilde ayarlayarak, bulanık koşulları taklit etmek için gürültü ekleyerek ya da doğal hareketleri hesaba katmak için şekilleri hafifçe değiştirerek model su altındaki nesneleri daha doğru algılamayı öğrenebilir.

Artırmanın büyük fark yarattığı diğer durumlar şunlardır:

• Veri kümesini dengeleme: Bazı nesneler eğitim verilerinde daha seyrek görünebilir ve bu da görsel yapay zekâ modellerinde yanlılığa yol açabilir. Artırma, nadir nesnelerden daha fazla örnek oluşturmaya yardımcı olarak modelin tüm kategorileri adil biçimde tanımasını sağlar.
• Farklı kameralara uyum sağlama: Görüntüler, kullanılan cihaza bağlı olarak farklı görünebilir. Artırma, görsel yapay zekâ modellerinin farklı çözünürlük, ışık 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 verisi artırma nasıl çalışır#

Bilgisayarlı görünün ilk dönemlerinde görüntü verisi artırma, veri kümesi çeşitliliğini artırmak için çoğunlukla çevirme, döndürme ve kırpma gibi temel görüntü işleme tekniklerinden oluşuyordu. Yapay zekâ geliştikçe öğrenmeyi iyileştirmek için renkleri ayarlama (renk uzayı dönüşümleri), görüntüleri keskinleştirme veya bulanıklaştırma (çekirdek filtreleri) ve birden fazla görüntüyü bir araya getirme (görüntü karıştırma) gibi daha gelişmiş yöntemler kullanıma sunuldu.

Artırma, model eğitimi öncesinde ve eğitim sırasında uygulanabilir. Eğitimden önce çeşitliliği artırmak için değiştirilmiş görüntüler veri kümesine eklenebilir. Eğitim sırasında ise görüntüler gerçek zamanlı olarak rastgele değiştirilerek görsel yapay zekâ modellerinin farklı koşullara uyum sağlamasına yardımcı olunabilir.

Bu değişiklikler matematiksel dönüşümlerle yapılır. Örneğin döndürme görüntüyü eğerek açısını değiştirir, kırpma farklı görünümleri taklit etmek için parçaları kaldırır ve parlaklık değişiklikleri farklı ışık koşullarını simüle eder. Bulanıklaştırma görüntüleri yumuşatır, keskinleştirme ayrıntıları netleştirir ve görüntü karıştırma farklı görüntülerin parçalarını birleştirir. Görsel yapay zekâ çerçeveleri ve OpenCV, TensorFlow ve PyTorch gibi araçlar bu süreçleri otomatikleştirerek artırmayı hızlı ve etkili hâle getirebilir.

Temel görüntü verisi artırma teknikleri#

Görüntü verisi artırmanın ne olduğunu ele aldığımıza göre, eğitim verilerini iyileştirmek için kullanılan temel görüntü verisi artırma tekniklerinden bazılarına daha yakından bakalım.

Yönü ve konumu ayarlama#

YOLO11 gibi bilgisayarlı görü modellerinin çoğu zaman nesneleri farklı 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 hafifçe döndürmek açılarını değiştirerek modelin nesneleri birden fazla perspektiften tanımasını sağlar. Ayrıca görüntüleri farklı yönlerde kaydırmak (öteleme), modellerin küçük konum değişikliklerine uyum sağlamasına yardımcı olur. Bu dönüşümler, bir görüntüdeki nesnelerin konumunun tahmin edilemediği gerçek dünya koşullarında modellerin daha iyi genelleme yapmasını sağlar.

Şekil 2. Yön ve konumla ilgili farklı artırma yöntemleri.

Yeniden boyutlandırma ve kırpma#

Gerçek dünyadaki bilgisayarlı görü çözümleri söz konusu olduğunda, görüntülerdeki nesneler farklı uzaklıklarda ve boyutlarda görünebilir. Görsel yapay zekâ modellerinin bu farklılıklara bakılmaksızın nesneleri algılayabilmesi için yeterince dayanıklı olması gerekir.

Uyarlanabilirliği artırmak için aşağıdaki artırma yöntemleri kullanılabilir:

• Ölçeklendirme: Yeniden boyutlandırma, oranları korurken görüntü boyutunu değiştirir ve yapay zekâ modellerinin farklı uzaklıklardaki nesneleri algılamasına olanak tanır.
• Kırpma: Görüntünün gereksiz kısımlarını kaldırarak modelin önemli alanlara odaklanmasına yardımcı olur ve arka plandaki dikkat dağıtıcı unsurları azaltır.
• Makaslama: Görüntüyü hafifçe eğmek, eğik veya uzamış bir görünümü taklit ederek yapay zekânın nesneleri farklı açılardan tanımasına yardımcı olur.

Bu ayarlamalar, bilgisayarlı görü modellerinin nesnelerin boyutu veya şekli biraz değişse bile onları tanımasına yardımcı olur.

Perspektif ve bozulma ayarlamaları#

Görüntülerdeki nesneler kamera açısına bağlı olarak farklı görünebilir; bu da bilgisayarlı görü modellerinin nesneleri tanımasını zorlaştırır. Modellerin bu farklılıklarla başa çıkmasına yardımcı olmak için artırma teknikleri, görüntülerde nesnelerin sunuluş biçimini değiştirebilir.

Örneğin perspektif dönüşümleri, bakış açısını değiştirerek nesnenin farklı bir konumdan görülüyormuş gibi görünmesini sağlayabilir. Böylece görsel yapay zekâ modelleri, nesneler eğik olsa veya alışılmadık bir açıdan çekilmiş olsa bile onları tanıyabilir.

Bir başka örnek de görüntüleri esneten, büken veya deforme ederek yansımalarda ya da basınç altında nesnelerin nasıl görüneceğini taklit eden elastik dönüşümdür.

Renk ve ışık değişiklikleri#

Işık koşulları ve renk farklılıkları, görsel yapay zekâ modellerinin görüntüleri yorumlama biçimini önemli ölçüde etkileyebilir. Nesneler farklı ışık koşullarında farklı görünebildiğinden, aşağıdaki artırma teknikleri bu durumlarla başa çıkmaya yardımcı olabilir:

• Parlaklık ve kontrast ayarlamaları: Farklı ışık koşullarını taklit etmek, görsel yapay zekâ modellerinin nesneleri hem aydınlık hem de karanlık ortamlarda tanımasına yardımcı olur.
• Renk titreşimi: Tonu, doygunluğu ve renk dengesini rastgele değiştirmek, bilgisayarlı görü modellerinin farklı kameralara ve ışık koşullarına daha iyi uyum sağlamasını sağlar.
• Gri tonlamaya dönüştürme: Görüntüleri siyah beyaza dönüştürmek, görsel yapay zekâ modellerinin renk yerine şekillere ve dokulara odaklanmasını sağlar.

Şekil 3. Renk çeşitliliğiyle ilgili artırma örnekleri.

Gelişmiş görüntü verisi 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 harmanlayarak bilgisayarlı görü modellerinin nesneler arasındaki ilişkileri anlamasına yardımcı olur ve farklı senaryolara genelleme yeteneğini geliştirir. CutMix bu yaklaşımı bir adım ileri taşıyarak bir görüntünün bir bölümünü başka bir görüntünün bir kısmıyla değiştirir ve modellerin aynı görüntü içinde birden fazla bağlamdan öğrenmesini sağlar. CutOut ise görüntünün rastgele kısımlarını kaldırarak farklı şekilde çalışır ve görsel yapay zekâ modellerini, nesneler kısmen gizlendiğinde veya örtüldüğünde bile onları tanıyacak şekilde eğitir.

Şekil 4. Gelişmiş görüntü verisi artırma teknikleri.

Görüntü verisi artırmada üretken yapay zekânın rolü#

Üretken yapay zekâ, birçok sektörde ve gündelik uygulamada giderek yaygınlaşıyor. Muhtemelen yapay zekâyla oluşturulmuş görüntüler, deepfake videolar veya gerçekçi avatarlar oluşturan uygulamalarla karşılaşmışsındır. Ancak yaratıcılık ve eğlencenin ötesinde üretken yapay zekâ, mevcut görüntülerden yeni görüntüler üreterek görsel yapay zekâ modellerinin eğitilmesinde önemli bir rol oynar.

Görüntüleri yalnızca çevirmek veya döndürmek yerine gerçekçi farklılıklar oluşturabilir; yüz ifadelerini ve giyim tarzlarını değiştirebilir, hatta farklı hava koşullarını taklit edebilir. Bu farklılıklar, bilgisayarlı görü modellerinin çeşitli gerçek dünya senaryolarına daha iyi uyum sağlamasına ve daha doğru sonuçlar vermesine yardımcı olur. Üretici çekişmeli ağlar (GANs) ve difüzyon modelleri gibi gelişmiş üretken yapay zekâ modelleri, eksik ayrıntıları tamamlayabilir veya yüksek kaliteli sentetik görüntüler oluşturabilir.

Görüntü verisi artırmanın sınırlamaları#

Veri artırma, eğitim veri kümelerini iyileştirse de dikkate alınması gereken bazı sınırlamaları vardır. Görüntü verisi artırmayla ilgili başlıca zorluklardan bazıları şunlardır:

• Veri çeşitliliğinin sınırlı olması: Artırılmış görüntüler mevcut verilerden elde edilir ve tamamen yeni örüntüler ya da nadir bakış açıları sunamaz.
• Verinin bozulma olasılığı: Aşırı dönüşümler, görüntülerin gerçekçilikten uzaklaşmasına ve gerçek dünya senaryolarında model doğruluğunun düşmesine neden olabilir.
• Artan hesaplama yükü: Model eğitimi sırasında gerçekleştirilen gerçek zamanlı artırma, önemli ölçüde işlem gücü gerektirebilir; bu da eğitimi yavaşlatır ve bellek kullanımını artırır.
• Sınıf dengesizliği devam eder: Artırma tamamen yeni örnekler oluşturmadığından, az temsil edilen kategoriler öğrenmenin yanlı olmasına yol açabilir.

Görüntü verisi artırmanın gerçek dünyadaki bir uygulaması#

Görüntü verisi artırmanın ilginç bir uygulaması, bilgisayarlı görü modellerinin (örneğin Ultralytics YOLO11) saniyeler içinde verdiği kararların kritik olduğu otonom araçlardır. Modelin yolları, insanları ve diğer nesneleri doğru şekilde algılayabilmesi gerekir.

Ancak otonom bir aracın karşılaştığı gerçek dünya koşulları öngörülemez olabilir. Kötü hava, hareket bulanıklığı ve gizlenmiş işaretler, bu alandaki görsel yapay zekâ çözümlerini karmaşık hâle getirebilir. Bilgisayarlı görü modellerini yalnızca gerçek dünya görüntüleriyle eğitmek çoğu zaman yeterli değildir. Otonom araç modellerinin görüntü veri kümelerinin çeşitli olması gerekir; böylece model beklenmedik durumlarla başa çıkmayı öğrenebilir.

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

Artırılmış eğitim sayesinde otonom araçlardaki görsel yapay zekâ çözümleri daha iyi uyum sağlar ve daha güvenli kararlar verir. Daha doğru sonuçlar, daha az kaza ve daha iyi yön bulma anlamına gelir.

Şekil 5. Otonom araçlarla ilgili görüntü verisi artırma örneği.

Otonom araçlar yalnızca bir örnektir. Görüntü verisi artırma, tıbbi görüntülemeden perakende analitiğine kadar pek çok sektörde kritik öneme sahiptir. Bilgisayarlı görüye dayanan her uygulama, görüntü verisi artırmadan yararlanabilir.

Önemli çıkarımlar#

Görsel yapay zekâ sistemlerinin farklı koşullardaki nesneleri tanıyabilmesi gerekir; ancak eğitim için sınırsız sayıda gerçek dünya görüntüsü toplamak zor olabilir. Görüntü verisi artırma, mevcut görüntülerin farklı sürümlerini oluşturarak bu sorunu çözer ve modellerin daha hızlı öğrenip gerçek dünya koşullarında daha iyi performans göstermesine yardımcı olur. Doğruluğu artırır ve Ultralytics YOLO11 gibi görsel yapay zekâ modellerinin farklı ışıklandırma, açılar ve ortamlarda çalışabilmesini sağlar.

İşletmeler ve geliştiriciler için görüntü verisi artırma, bilgisayarlı görü modellerini daha güvenilir hâle getirirken zamandan ve emekten tasarruf sağlar. Sağlık hizmetlerinden otonom araçlara kadar birçok sektör bu yönteme dayanır. Görsel yapay zekâ gelişmeye devam ettikçe artırma, geleceğe yönelik daha akıllı ve uyarlanabilir modeller oluşturmanın temel bir parçası olmayı sürdürecektir.

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