İnsan döngüsünde (human-in-the-loop) etiketlemenin neden önemli olduğunu anlamak

Yirmi yıl önce biri ev işlerine yardımcı olması için bir robot almayı düşündüğünü söyleseydi, bu kulağa çok uzak bir ihtimal gibi gelirdi. Ancak şu anda yapay zeka patlamasının tam ortasındayız ve robotlar benzer senaryolarda test ediliyor.

Bu ilerlemeyi yönlendiren önemli bir yapay zeka alanı, makinelere görüntüleri ve videoları anlama yeteneği kazandıran bilgisayarlı görü alanıdır. Başka bir deyişle, Ultralytics YOLO11 ve yakında çıkacak olan Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, görsel verilerden ve etiketlerden oluşan veri kümeleri üzerinde eğitilebilir.

Bu etiketler, modelin görsel verileri anlamasına yardımcı olur. Örneğin, nesne algılama veri kümeleri, ilgi çekici nesnelerin etrafına dikdörtgenler çizmek için sınırlayıcı kutular kullanır. Bu, sahne karmaşık olsa veya nesne kısmen gizlenmiş olsa bile modelin bu nesneleri yeni görüntülerde tespit etmesini ve konumlandırmasını sağlar.

Diğer bilgisayarlı görü görevleri, farklı etiket türlerine dayanır. Bölütleme veri kümeleri bir nesnenin tam ana hatlarını piksel düzeyinde etiketlerken, anahtar nokta veri kümeleri bir kişinin eklemleri gibi belirli yer işaretlerini işaretler.

Ancak tüm bu formatlarda en önemli faktörlerden biri, etiketlerin kalitesi ve tutarlılığıdır. Modeller doğrudan eğitildikleri verilerden öğrenir; dolayısıyla etiketler tutarsız veya yanlışsa, model genellikle bu hataları tahminlerine de taşır.

Otomasyon olsa bile, insan tarafından etiketlenmiş veri kümeleri, özellikle tıbbi görüntüleme gibi yüksek riskli alanlarda hala hayati öneme sahiptir. Hassas olmayan bir tümör sınırı veya gözden kaçan bir anormallik gibi küçük etiketleme hataları, modele yanlış modeli öğretebilir ve ileride güvensiz tahminlere yol açabilir. İnsan uzmanlar, bu uygulamaların gerektirdiği doğru temel gerçeği ve yargıyı sağlar.

Şekil 1. İnsan tarafından etiketlenmiş veri kümelerine ihtiyaç var. Görsel: Yazar.

Bu makalede, yapay zeka gelişmeye devam etse bile neden insan tarafından etiketlenmiş verilerin temel olduğunu daha yakından inceleyeceğiz.

Link to this sectionGörüntü ve video etiketleme ihtiyacı#

Bilgisayarlı görü modelleri, bizim gibi birçok örneği görerek öğrenir. Aradaki fark, insanların önceden etiketlediği büyük görüntü ve video veri kümeleri üzerinde eğitim yoluyla öğrenmeleridir. Bu etiketler temel gerçek (ground truth) görevi görerek modele "bu bir yaya", "tümörün sınırı burası" veya "şu nesne bir araba" gibi şeyleri öğretir.

Gerçek dünyadaki görseller nadiren temiz veya tutarlıdır. Işık değişebilir ve aynı nesnenin farklı görünmesine neden olabilir. İnsanlar ve araçlar üst üste binebilir veya kısmen gizlenebilir. Arka planlar karmaşık ve dikkat dağıtıcı olabilir. Veri kümeleri bu durumlarda dikkatli ve tutarlı etiketler içerdiğinde, modeller kontrollü ortamların dışında karşılaşacakları şeylere çok daha iyi hazırlanmış olurlar.

Veri etiketleme sadece kutular çizmekten veya ana hatları takip etmekten daha fazlasıdır. Kılavuzları uygulamayı ve nesnenin ne olduğu, sınırının nerede olması gerektiği ve bir şey belirsiz olduğunda ne yapılması gerektiği konusunda pratik kararlar almayı içerir. İşte o insani muhakeme, veriyi doğru ve kullanılabilir tutar.

Sonuç olarak, bir bilgisayarlı görü sistemi yalnızca öğrendiği etiketli veriler kadar başarılıdır. Taramalarda kanseri tespit etmek veya sürücüsüz araçlar için yoldaki tehlikeleri belirlemek gibi yüksek etkili uygulamalarda, yetenekli insanlar tarafından konulan kesin etiketler doğruluk ve güvenlik açısından gerçek bir fark yaratır.

Link to this sectionVeri etiketlemede otomasyonun yükselişi#

Bilgisayarlı görü ölçeklendikçe ve veri kümeleri büyüdükçe, otomasyon etiketlemeyi hızlandırmanın yaygın bir yolu haline geliyor. Ekipler, her şeyi elle etiketlemek yerine, ilk etiketleme aşamasını oluşturmak için yapay zeka modellerini kullanıyor.

Daha sonra insanlar sonuçları gözden geçiriyor, hataları düzeltiyor ve modelin güvenle etiketleyemediği durumları ele alıyor. Bu yaklaşım, kaliteyi yüksek tutarken etiketlemeyi hızlandırıyor.

İşte otomasyonun genellikle veri etiketlemeye yardımcı olduğu birkaç yol:

• Otomatik bölütleme: Modeller nesne ana hatlarını veya piksel düzeyindeki maskeleri otomatik olarak önerebilir, bu da etiketleyicilerin yapması gereken manuel izleme miktarını azaltır.
• Optik akış takibi: Videolar söz konusu olduğunda, takip yöntemleri hareketli bir nesneyi kareler boyunca izleyebilir ve etiketini ileriye taşıyarak etiketlerin zaman içinde tutarlı kalmasına yardımcı olabilir.
• Kare enterpolasyonu: Araçlar, hareket ve takip ipuçlarını kullanarak iki etiketli kare arasındaki kareler için etiketleri doldurabilir, böylece etiketleyicilerin her bir kareyi etiketlemesi gerekmez.
• Aktif öğrenme: Eğitim süreçleri, modelin belirsiz veya olağandışı bulduğu örnekleri tanımlayabilir ve bunları önce insanlara gönderebilir, böylece manuel çaba performansı en çok artıran verilere yönlendirilir.

Link to this sectionİnsan veri etiketleme neden hala çok önemli?#

Otomasyon etiketlemeyi hızlandırabilse de, yapay zeka modelleri hala doğru ve güvenilir kalmak için insan muhakemesine ihtiyaç duyar.

İşte insan uzmanlığının veri etiketlemede etkili olduğu bazı kilit alanlar:

• Bağlamı anlama: Gerçek görüntüler ve videolar genellikle karmaşıktır. Gölgeler, yansımalar, hareket bulanıklığı ve üst üste binen nesneler otomatik araçların kafasını karıştırabilir. İnsan etiketleyiciler gerçekte ne olduğunu yorumlayabilir, böylece etiketler daha doğru olur.
• Etiketleri tutarlı tutma: Veri kümeleri büyüdükçe, otomatik etiketler kayabilir veya gruplar arasında farklılık gösterebilir. İnsanlar, veri kümesinin baştan sona tutarlı kalması için etiketleri denetleyebilir, düzeltebilir ve hizalayabilir.
• Önyargı ve zararı azaltma: İnsanlar hassas içerikleri, kültürel nüansları ve önyargıya yol açabilecek kalıpları tespit etmede daha iyidir. Onların gözetimi, veri kümelerinin daha adil olmasına yardımcı olur ve istenmeyen zararları önler.
• Konu uzmanlığını uygulama: Bazı görevler tıbbi anormallikleri veya endüstriyel kusurları belirlemek gibi alan bilgisi gerektirir. Uzmanlar hassas etiketler sağlayabilir ve modelin doğru detayları öğrenmesi için belirsiz vakaları çözebilir.

Link to this sectionİnsan denetimli (human-in-the-loop) etiketlemeye genel bakış#

Roboflow gibi etiketleme araçları ve platformları, genellikle Segment Anything Model 3 veya SAM3 gibi temel modelleri kullanarak etiketlemeyi hızlandırmak için otomasyonu entegre eder. SAM3, Meta AI’ın istem tabanlı bölütleme temel modelidir.

Tıklamalar, sınırlayıcı kutular veya kısa metin ifadeleri gibi basit istemlerden görüntü ve videolardaki nesneleri algılayabilir, bölütleyebilir ve takip edebilir; her yeni kategori için göreve özel eğitim gerekmeden eşleşen nesneler için bölütleme maskeleri üretebilir.

Bu ileri düzey yaklaşımlara rağmen, etiketleri gözden geçirmek ve nihai hale getirmek için hala insan uzmanlara ihtiyaç duyulur. Otomatik araçlar ilk taslağı oluşturduğunda ve insanlar bunu doğrulayıp, düzeltip iyileştirdiğinde, bu iş akışına insan denetimli (human-in-the-loop) etiketleme denir. Bu, güvenilir modelleri eğitmek için nihai etiketlerin yeterince doğru ve tutarlı olmasını sağlarken etiketlemeyi hızlı tutar.

Şekil 2. İnsan denetimli etiketlemeye bir bakış. (Kaynak)

Link to this sectionEtiketleme için otomasyon ne zaman çalışır ve ne zaman çalışmaz#

Otomatik etiketleme, kontrollü yerlerden gelen veriler için en iyi şekilde çalışır. Fabrikalarda, depolarda veya perakende satış reyonlarında toplanan görüntüler genellikle sabit bir aydınlatmaya ve net nesne görünümlerine sahiptir; bu nedenle otomatik araçlar bunları doğru bir şekilde etiketleyebilir ve ekiplerin daha az manuel çalışmayla daha hızlı ölçeklenmesine yardımcı olur.

Daha az kontrollü yerlerden gelen veriler daha karmaşıktır. Dış mekan çekimleri günün saatine ve hava durumuna göre değişir; sokaklardan veya evlerden gelen sahneler genellikle karmaşa, hareket bulanıklığı, birbirini engelleyen nesneler ve çok sayıda üst üste binme içerir. Küçük nesneler, ince sınırlar veya nadir durumlar hata payını daha da artırır. Temiz iç mekan verilerinde iyi performans gösteren bir model, karmaşık gerçek dünya görsellerinde zorlanabilir.

İşte bu yüzden insan girdisi hala önemlidir. Model belirsiz olduğunda insanlar devreye girebilir, karmaşık bağlamı yorumlayabilir ve hataları son veri kümesine girmeden önce düzeltebilir. İnsan denetimli etiketleme, otomasyonun gerçek dünya koşullarına bağlı kalmasına yardımcı olur ve modellerin dağıtımdan sonra güvenilir kalmasını sağlar.

Link to this sectionİnsan denetimli etiketleme nerede fark yaratabilir?#

Artık otomasyonun nerede iyi çalıştığını ve nerede yetersiz kaldığını gördüğümüze göre, insan denetimli etiketlemenin önemli bir rol oynadığı birkaç uygulamayı keşfedelim.

Link to this sectionÜretimde kusur tespiti#

Dakikada yüzlerce parçanın bir kameranın altından geçtiği bir fabrika taşıma bandını düşünün. Çoğu kusur bellidir, ancak bazen tuhaf bir açıda veya ışıktan gelen parlamanın altında ince bir çatlak belirir. Otomatik bir sistem bunu gözden kaçırabilir veya zararsız bir yüzey dokusu olarak etiketleyebilir; ancak bir insan incelemeci kusuru fark edebilir, etiketi düzeltebilir ve modelin farkı öğrendiğinden emin olabilir.

Endüstriyel denetimde insan denetimli etiketlemenin rolü budur. Otomasyon yaygın kusur türlerini önceden etiketleyebilir ve büyük hacimli görüntüleri hızla işleyebilir; ancak insanların yine de sonuçları doğrulaması, sınırları sıkılaştırması ve eğitimde sık görülmeyen nadir hataları ele alması gerekir.

Link to this sectionOtonom araçlar ve akıllı ulaşım#

Benzer şekilde, otonom araçlar yayaları tespit etmek, işaretleri okumak ve trafikte gezinmek için bilgisayarlı görüyü kullanır, ancak gerçek yollar tahmin edilemezdir. Örneğin, gece park halindeki bir arabanın arkasından çıkan bir yaya kısmen gizlenmiş olabilir ve parıltı altında görülmesi zor olabilir.

Şekil 3. Trafiği analiz etmek için bilgisayarlı görü kullanımına bir örnek. (Kaynak)

İnsan etiketleyiciler, eğitim sırasında bu nadir ve güvenlik açısından kritik uç durumları etiketleyebilir, böylece modeller sadece normal koşullarda değil, en önemli anlarda da doğru tepki vermeyi öğrenir. Bu insan denetimli adım, sistemlere tek başına otomasyonla yakalanması zor olan düşük frekanslı olayları ele almayı öğretmek için anahtardır.

Link to this sectionİnsan tarafından etiketlenmiş veri kümeleri için yol haritası#

Teknoloji ilerledikçe insan denetimli etiketleme daha işbirlikçi hale geliyor. İlginç bir şekilde, hem görüntülerden hem de metinlerden öğrenen görüntü dil modelleri (VLM'ler) artık ilk etiketleme aşamasını oluşturmak ve basit istemlerden düzeltmeler önermek için kullanılıyor.

Yani her görüntüyü neyi etiketleyeceğine karar vermek için manuel olarak taramak yerine, bir etiketleyici bir VLM'ye “tüm yayaları, arabaları ve trafik ışıklarını etiketle” veya “bu parçadaki tüm kusurları bölütle” gibi bir ifadeyle komut verebilir ve gözden geçirmek için taslak bir etiket kümesi alabilir.

Şekil 4. Büyük çok modlu modeller insan etiketleyicilerle çalışabilir (Kaynak)

Bu, etiketleme süresini azaltır çünkü model birçok basit durumu önceden halledebilir, böylece insanlar sonuçları gözden geçirmeye, zorlu örnekleri düzeltmeye ve veri kümesini tutarlı tutmaya odaklanabilir. Büyük çok modlu modeller ayrıca etiketleyicileri en belirsiz örneklere yönlendirmeye başlayarak insan çabasını daha hedefli hale getiriyor ve genel veri kümesi kalitesini artırıyor.

Link to this sectionÖne çıkanlar#

Bilgisayarlı görü, makinelerin gördüklerini yorumlamalarına ve tepki vermelerine yardımcı olur, ancak bu, döngüde insan uzmanlığı ile en iyi sonucu verir. İnsan tarafından etiketlenmiş veriler, modelleri gerçek dünya koşullarına bağlı tutar ve ne kadar güvenilir performans gösterdiklerini iyileştirir. Otomasyon ve insan muhakemesinin yan yana çalışmasıyla, ekipler etkili görü sistemleri oluşturabilir.

Aktif topluluğumuza katıl ve lojistikte yapay zeka ve robotikte Görüntü Yapay Zekası gibi yenilikleri keşfet. Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et. Bilgisayarlı görüye bugün başlamak için lisanslama seçeneklerimize göz at.