İnsan denetimli etiketlemenin neden önemli olduğunu anlama

Yirmi yıl önce biri ev işlerine yardım etmesi için bir robot edinmeyi düşündüğünü söyleseydi bu kulağa pek gerçekçi gelmezdi. Ancak şu anda AI patlamasının ortasındayız ve benzer senaryolarda robotlar test ediliyor.

Bu ilerlemeyi sağlayan temel yapay zekâ alanlarından biri, makinelere görüntü ve videoları anlama yeteneği kazandıran bilgisayarlı görü alanıdır. Başka bir deyişle Ultralytics YOLO11 ve daha yeni Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, görsel veriler ve açıklamalardan oluşan veri kümeleriyle eğitilebilir.

Bu açıklamalar modelin görsel verileri anlamasına yardımcı olur. Örneğin nesne algılama veri kümelerinde, ilgi duyulan nesnelerin çevresine dikdörtgenler çizmek için sınırlayıcı kutular kullanılır. Böylece model, sahne karmaşık olduğunda veya nesne kısmen gizlendiğinde bile bu nesneleri yeni görüntülerde algılayıp konumlarını belirleyebilir.

Diğer bilgisayarlı görü görevleri farklı türde açıklamalara dayanır. Segmentasyon veri kümelerinde bir nesnenin tam sınırı piksel düzeyinde etiketlenirken, anahtar nokta veri kümelerinde kişi üzerindeki eklemler gibi belirli işaret noktaları belirtilir.

Ancak tüm bu biçimlerde kritik bir unsur, etiketlerin niteliği ve tutarlılığıdır. Modeller doğrudan eğitildikleri verilerden öğrenir; dolayısıyla etiketler tutarsız veya yanlışsa model bu hataları çoğu zaman tahminlerine de taşır.

Otomasyon kullanılsa bile, özellikle tıbbi görüntüleme gibi yüksek riskli alanlarda insanlar tarafından etiketlenmiş veri kümeleri hâlâ kritik önem taşır. Tümör sınırının hatalı çizilmesi veya bir anormalliğin gözden kaçması gibi küçük etiketleme hataları, modele yanlış örüntüyü öğreterek ileride güvenli olmayan tahminlere yol açabilir. İnsan uzmanlar, bu uygulamaların gerektirdiği doğru temel gerçeği ve muhakemeyi sağlar.

Şekil 1. İnsanlar tarafından etiketlenmiş veri kümelerine ihtiyaç var. Görselin sahibi yazardır.

Bu makalede, AI gelişmeye devam ederken bile insanlar tarafından etiketlenmiş verilerin neden vazgeçilmez olduğuna daha yakından bakacağız.

Görüntü ve video açıklamalarına duyulan ihtiyaç#

Bilgisayarlı görü modelleri de bizim gibi çok sayıda örneği görerek öğrenir. Farkı, insanların önceden etiketlediği büyük görüntü veri kümeleri ve videolar üzerinde eğitim görerek öğrenmeleridir. Bu etiketler temel gerçeği oluşturur ve modele “bu bir yaya”, “tümörün sınırı burada” veya “bu nesne bir araba” gibi bilgileri öğretir.

Gerçek dünyadaki görseller nadiren temiz ve tutarlıdır. Işık koşulları değişebilir ve aynı nesnenin farklı görünmesine yol açabilir. İnsanlar ve araçlar üst üste binebilir veya kısmen gizlenebilir. Arka planlar karmaşık ve dikkat dağıtıcı olabilir. Veri kümeleri bu durumları kapsayan dikkatli ve tutarlı etiketler içerdiğinde, modeller kontrollü ortamların dışında karşılaşacakları koşullara çok daha iyi hazırlanır.

Veri etiketleme, yalnızca kutular çizmekten veya nesnelerin dış hatlarını belirlemekten ibaret değildir. Kılavuzları uygulamayı ve nesne sayılan şeyin ne olduğu, sınırlarının nerede olması gerektiği ve belirsiz durumlarda ne yapılacağı hakkında pratik kararlar vermeyi de içerir. İnsanların bu yargısı, verilerin doğruluğunu ve kullanılabilirliğini korur.

Sonuçta bir bilgisayarlı görü sistemi, yalnızca öğrendiği etiketli veriler kadar başarılıdır. Taramalarda kanser tespiti veya otonom araçlar için yol tehlikelerinin belirlenmesi gibi etkisi yüksek uygulamalarda, uzman kişilerce oluşturulan hassas etiketler doğruluk ve güvenlik açısından gerçek bir fark yaratır.

Veri etiketlemede otomasyonun yükselişi#

Bilgisayarlı görü ölçeklenip veri kümeleri büyüdükçe otomasyon, açıklama ekleme sürecini hızlandırmanın yaygın bir yolu hâline geliyor. Ekipler her şeyi elle etiketlemek yerine ilk etiket taslağını oluşturmak için yapay zekâ modelleri kullanıyor.

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

Otomasyonun veri etiketlemeye genellikle katkı sağladığı birkaç yolu burada bulabilirsin:

• Otomatik segmentasyon: Modeller, nesne ana hatlarını veya piksel düzeyinde maskeleri otomatik olarak önerebilir; böylece açıklama ekleyen kişilerin elle izlemesi gereken alan azalır.
• Optik akış takibi: Videolarda izleme yöntemleri, hareketli bir nesneyi kareler boyunca takip edip etiketini sonraki karelere aktarabilir ve böylece zaman içindeki etiket tutarlılığını korumaya yardımcı olur.
• Kare enterpolasyonu: Araçlar, hareket ve izleme ipuçlarından yararlanarak etiketli iki karenin arasındaki kareler için etiketler oluşturabilir; böylece etiketleyicilerin her kareyi tek tek etiketlemesi gerekmez.
• Aktif öğrenme: Eğitim işlem hatları, modelin belirsiz veya sıra dışı bulduğu örnekleri belirleyip önce insanlara gönderebilir; böylece elle harcanan emek, performansı en çok artıran verilere yönelir.

İnsanların veri etiketlemesi neden hâlâ bu kadar önemli?#

Otomasyon etiketlemeyi hızlandırabilse de yapay zekâ modellerinin doğru ve güvenilir kalması için hâlâ insan yargısı gerekir.

İnsan uzmanlığının veri etiketlemesinde fark yarattığı bazı temel alanlar şunlardır:

• Bağlamı anlama: Gerçek görüntüler ve videolar çoğu zaman karmaşıktır. Gölgeler, yansımalar, hareket bulanıklığı ve üst üste binen nesneler otomatik araçları şaşırtabilir. İnsan etiketleyiciler gerçekte ne olduğunu yorumlayabilir; böylece etiketler daha doğru olur.
• Etiket tutarlılığını koruma: Veri kümeleri büyüdükçe otomatik etiketler zamanla sapabilir veya gruplar arasında farklılık gösterebilir. İnsanlar etiketleri denetleyebilir, düzeltebilir ve uyumlu hâle getirebilir; böylece veri kümesi başından sonuna kadar tutarlı kalır.
• Önyargıyı ve zararı azaltma: İnsanlar hassas içerikleri, kültürel nüansları ve önyargıya yol açabilecek örüntüleri daha iyi fark eder. İnsan gözetimi, veri kümelerinin daha adil olmasına yardımcı olur ve istenmeyen zararları önler.
• Konu uzmanlığından yararlanma: Bazı görevler, tıbbi anormallikleri veya endüstriyel kusurları belirlemek gibi alan bilgisi gerektirir. Uzmanlar hassas etiketler sağlayabilir ve belirsiz durumları çözüme kavuşturarak modelin doğru ayrıntıları öğrenmesini sağlayabilir.

İnsan döngüsünde etiketlemeye genel bakış#

Roboflow gibi açıklama ekleme araçları ve platformları, etiketleme sürecini hızlandırmak için otomasyonu; genellikle Segment Anything Model 3 gibi temel modelleri veya SAM 3'ü kullanarak entegre eder. SAM 3, Meta AI'ın istemlerle yönlendirilebilen temel segmentasyon modelidir.

Model, tıklamalar, sınırlayıcı kutular veya kısa metin ifadeleri gibi basit istemlerle görüntü ve videolardaki nesneleri algılayabilir, segmentlere ayırabilir ve izleyebilir; her yeni kategori için göreve özel eğitim gerektirmeden eşleşen nesneler için segmentasyon maskeleri oluşturabilir.

Bu gelişmiş yaklaşımlara rağmen açıklamaları inceleyip son hâline getirmek için hâlâ insan uzmanlara ihtiyaç vardır. Otomatik araçlar ilk taslağı oluşturduğunda ve insanlar bunu doğrulayıp düzelterek iyileştirdiğinde, bu iş akışı insan denetimli açıklama ekleme olarak bilinir. Bu yaklaşım, son etiketlerin güvenilir modelleri eğitmek için yeterince doğru ve tutarlı olmasını sağlarken açıklama ekleme sürecini de hızlandırır.

Şekil 2. İnsan döngüsünde etiketlemeye bakış. (Kaynak)

Etiketleme otomasyonu ne zaman işe yarar, ne zaman yaramaz?#

Otomatik etiketleme, kontrollü ortamlardan gelen verilerde en iyi sonucu verir. Fabrikalarda, depolarda veya mağaza koridorlarında toplanan görüntüler genellikle sabit ışık koşullarına ve nesnelerin net görünümlerine sahiptir; bu nedenle otomatik araçlar bu görüntüleri doğru etiketleyebilir ve ekiplerin daha az elle çalışmayla daha hızlı ölçeklenmesine yardımcı olabilir.

Daha az kontrollü ortamlardan gelen veriler daha karmaşıktır. Dış mekân görüntüleri günün saatine ve hava durumuna göre değişir; sokaklardan veya evlerden alınan sahnelerde ise çoğu zaman karmaşa, hareket bulanıklığı, birbirini kapatan nesneler ve çok sayıda örtüşme bulunur. Küçük nesneler, ince sınırlar veya nadir durumlar hata olasılığını daha da artırır. Temiz iç mekân verilerinde iyi performans gösteren bir model, gerçek dünyadaki karmaşık görüntülerde yine de zorlanabilir.

Bu nedenle insan katkısı hâlâ önemlidir. Model emin olmadığında insanlar devreye girebilir, zorlayıcı bağlamları yorumlayabilir ve hatalar nihai veri kümesine girmeden önce bunları düzeltebilir. İnsan döngüsünde etiketleme, otomasyonun gerçek dünya koşullarına uygun kalmasına ve modellerin devreye alındıktan sonra güvenilirliğini korumasına yardımcı olur.

İnsan döngüsünde etiketleme nerelerde fark yaratabilir?#

Otomasyonun nerelerde iyi çalıştığını ve nerelerde yetersiz kaldığını gördüğümüze göre, insan döngüsünde etiketlemenin önemli rol oynadığı birkaç uygulamayı inceleyelim.

Üretimde kusur tespiti#

Her dakika yüzlerce parçanın bir kameranın önünden geçtiği bir fabrika konveyör bandını düşün. Kusurların çoğu kolayca fark edilir, ancak ara sıra garip bir açıyla veya ışık parlamasının altında ince bir çatlak ortaya çıkar. Otomatik bir sistem bunu gözden kaçırabilir veya zararsız bir yüzey dokusu olarak etiketleyebilir. İnsan denetçi ise kusuru fark edip etiketi düzeltebilir ve modelin aradaki farkı öğrenmesini sağlayabilir.

Endüstriyel denetimde insan döngüsünde etiketlemenin rolü budur. Otomasyon, yaygın kusur türlerine ön etiket ekleyebilir ve çok sayıda görüntüyü hızla işleyebilir; ancak sonuçları doğrulamak, sınırları hassaslaştırmak ve eğitim verilerinde sık görülmeyen nadir hataları ele almak için insanlara hâlâ ihtiyaç vardır.

Otonom araçlar ve akıllı ulaşım#

Benzer şekilde otonom araçlar yayaları algılamak, tabelaları okumak ve trafikte ilerlemek için bilgisayarlı görüden yararlanır; ancak gerçek yollar öngörülemezdir. Örneğin gece park hâlindeki bir arabanın arkasından çıkan bir yaya kısmen gizlenebilir ve ışık parlaması nedeniyle görülmesi zor olabilir.

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

İnsan etiketleyiciler, modellerin yalnızca olağan koşullarda değil, en önemli anlarda da doğru tepkiyi öğrenmesi için eğitim sırasında bu nadir ve güvenlik açısından kritik uç durumları etiketleyebilir. İnsan döngüsündeki bu adım, sistemlere yalnızca otomasyonla yakalanması zor olan, seyrek görülen olayları ele almayı öğretmek açısından kilit önemdedir.

İnsanlarca etiketlenmiş veri kümelerinin geleceği#

Teknoloji ilerledikçe insan döngüsünde etiketleme daha iş birlikçi hâle geliyor. İlginçtir ki hem görüntülerden hem de metinlerden öğrenen görsel dil modelleri (VLM'ler), artık ilk etiket taslağını oluşturmak ve basit istemlerle düzeltmeler önermek için kullanılıyor.

Her görüntüyü tarayıp neyin etiketleneceğine elle karar vermek yerine, bir etiketleyici VLM'ye “tüm yayaları, arabaları ve trafik ışıklarını etiketle” veya “bu parçadaki tüm kusurları segmente ayır” gibi bir ifade verip gözden geçireceği taslak etiketler alabilir. Ultralytics Platform'da ekipler algılama veri kümelerini görme-dil modelleriyle otomatik etiketleyebilir; VLM Leaderboard ise her modelin gerçek dünyadaki görüntüleri ne kadar doğru etiketlediğini karşılaştırır.

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

Model birçok basit durumu önceden ele alabildiği için etiketleme süresi kısalır; böylece insanlar sonuçları gözden geçirmeye, zorlayıcı örnekleri düzeltmeye ve veri kümesinin tutarlılığını korumaya odaklanabilir. Büyük çok modlu modeller ayrıca etiketleyicileri en belirsiz örneklere yönlendirmeye başlıyor; bu da insan emeğinin daha hedefli kullanılmasını ve genel veri kümesi kalitesinin artmasını sağlıyor.

Önemli çıkarımlar#

Bilgisayarlı görü, makinelerin gördüklerini yorumlamasına ve bunlara tepki vermesine yardımcı olur; ancak insan uzmanlığı sürece dâhil olduğunda en iyi sonucu verir. İnsanlarca etiketlenmiş veriler, modellerin gerçek dünya koşullarına uygun kalmasını sağlar ve performanslarının güvenilirliğini artırır. Otomasyon ve insan yargısı yan yana çalıştığında ekipler etkili görü sistemleri geliştirebilir.

Aktif topluluğumuza katıl ve lojistikte yapay zekâ ile robotikte görüntü yapay zekâsı gibi yenilikleri keşfet. Daha fazlasını öğrenmek için GitHub depomuzu ziyaret et. Bilgisayarlı görüye bugün başlamak için lisanslama seçeneklerimize göz at.