Verilerini çeşitlendirmek için Albumentations veri artırma yöntemlerinden yararlanma

Bir bilgisayarlı görü çözümü oluştururken görsel yapay zekâ modellerini eğitmek için çeşitli görüntüler toplamak sürecin önemli bir parçası olabilir. Bu süreç çoğu zaman çok fazla zaman ve para gerektirir; ayrıca toplanan görüntüler bazen modellerin etkili bir şekilde öğrenmesine yetecek kadar çeşitli olmaz.

Örneğin Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, farklı uygulamalarla ilgili çeşitli bilgisayarlı görü görevleri için görüntü veri kümeleriyle özel olarak eğitilebilir. Çeşitli veriler önemlidir; çünkü modelin genelleme yeteneğini geliştirerek çok çeşitli gerçek dünya senaryolarındaki nesneleri ve örüntüleri tanımasını sağlar.

Çeşitli verilerin eksikliğiyle mücadele ediyorsan görüntü verisi artırma teknikleri harika bir çözüm olabilir. Döndürme, çevirme ve parlaklığı ayarlama gibi yöntemler, veri kümenin çeşitliliğini artırarak modelin daha geniş koşul yelpazesiyle başa çıkma yeteneğini geliştirebilir.

Bu nedenle Ultralytics, görüntü verisi artırmayla entegrasyon desteği sunuyor. Çok sayıda dönüşüm seçeneği sunan popüler bir araç olan Albumentations sayesinde çeşitli görsel veriler oluşturabilirsin. Bu entegrasyon, eğitim görüntülerini otomatik olarak artırarak YOLO11 eğitim sürecini kolaylaştırır ve model performansını iyileştirir.

Bu makalede Albumentations entegrasyonunu nasıl kullanabileceğini, sağladığı faydaları ve model eğitimi üzerindeki etkisini inceleyeceğiz.

Albumentations nedir?#

Bilgisayarlı görü modelleri, farklı ortamlardaki nesneleri tanımak için geniş bir yüksek kaliteli görüntü kümesinden öğrenebilir. Gerçek dünya kaynaklarından büyük veri kümeleri toplamak yavaş, maliyetli ve verimsiz olabilir. Bu süreci kolaylaştırmak için görüntü verisi artırma kullanarak mevcut görüntülerin yeni sürümlerini oluşturabilir, daha fazla veri toplamadan modellerin farklı senaryolardan öğrenmesine yardımcı olabilirsin.

Özellikle 2018'de görüntü verisini verimli şekilde artırmak amacıyla sunulan açık kaynaklı bir kütüphane olan Albumentations'tan yararlanabilirsin. Döndürme ve çevirme gibi basit geometrik değişikliklerden parlaklık, kontrast ve gürültü ekleme gibi daha karmaşık ayarlamalara kadar çeşitli işlemleri destekler.

Şekil 1. Farklı görüntü verisi artırma türlerine örnekler.

Albumentations'ın temel özellikleri#

Albumentations, yüksek performansıyla bilinir; görüntüleri hızlı ve verimli bir şekilde işleyebilir. OpenCV ve NumPy gibi optimize edilmiş kütüphaneler üzerine kuruludur; büyük veri kümelerini çok kısa sürede işler ve model eğitimi sırasında hızlı veri artırma için idealdir.

Albumentations'ın diğer temel özelliklerinden bazıları şunlardır:

• Geniş dönüşüm yelpazesi: Albumentations 70'in üzerinde artırma türü sunar. Bu çeşitlilik, modellerin ışıklandırma, açılar veya arka planlar değişse bile nesneleri algılamayı öğrenmesine yardımcı olur.
• Hız için optimize edilmiştir: Görüntü artırmayı hızlandırmak ve büyük veri kümelerini verimli şekilde işlemek için aynı anda birden fazla veri noktasını işleyen SIMD (Tek Komut, Çoklu Veri) gibi gelişmiş optimizasyon tekniklerini kullanır.
• Üç artırma düzeyi: Veriyi üç şekilde zenginleştirir. Örneğin piksel düzeyindeki artırmalar, nesneleri değiştirmeden parlaklık ve rengi ayarlar. Uzamsal düzeydeki artırmalar temel ayrıntıları korurken nesnelerin konumunu değiştirir; karıştırma düzeyindeki artırmalar ise yeni örnekler oluşturmak için farklı görüntülerin kısımlarını harmanlar.

Albumentations entegrasyonunu neden kullanmalısın?#

Şunu merak ediyor olabilirsin: Bir veri kümesine artırma uygulamanın pek çok yolu var ve hatta OpenCV gibi araçları kullanarak kendi yöntemlerini de oluşturabilirsin. Peki Albumentations gibi bir kütüphaneyi destekleyen entegrasyonu neden tercih etmelisin?

OpenCV gibi araçlarla artırmaları elle oluşturmak çok zaman alabilir ve belirli bir uzmanlık gerektirir. En iyi sonuçları elde etmek için dönüşümlere ince ayar yapmak da zor olabilir. Albumentations entegrasyonu bu süreci kolaylaştırır. Veri kümeni hazırlarken zamandan ve emekten tasarruf etmeni sağlayabilecek, kullanıma hazır pek çok dönüşüm sunar.

Albumentations entegrasyonunu seçmenin bir başka nedeni de Ultralytics model eğitim hattıyla sorunsuz çalışmasıdır. Artırmalar, Ultralytics'in yerleşik artırmalarıyla birlikte eğitim sırasında otomatik olarak uygulandığı için YOLO11'i özel olarak eğitmeyi çok daha kolay hâle getirir. Süreci basitleştirerek veri hazırlığıyla uğraşmak yerine modelini iyileştirmeye daha fazla odaklanabilmeni sağlar.

Albumentations entegrasyonunu kullanmaya başlama#

İlginçtir ki Ultralytics YOLO11'i eğitmek için Albumentations entegrasyonunu kullanmak göründüğünden daha kolaydır. Gerekli kütüphaneler kurulduktan sonra entegrasyon, eğitim sırasında görüntü veri artırmalarını otomatik olarak uygular. Aynı veri kümesini kullanarak modelin farklı görüntü çeşitlerinden öğrenmesine yardımcı olur.

Şimdi, Ultralytics YOLO11'i özel olarak eğitirken Albumentations entegrasyonunu nasıl kurup kullanabileceğine bakalım.

Ultralytics Python paketini ve Albumentations'ı kurma#

Artırmaları uygulamadan önce hem Ultralytics Python paketi hem de Albumentations yüklenmelidir. Entegrasyon, iki kütüphanenin varsayılan olarak birlikte çalışacağı şekilde oluşturulduğundan karmaşık yapılandırmalar konusunda endişelenmene gerek yok.

Aşağıdaki görüntüde gösterildiği gibi, Python kütüphanelerini yüklemek için kullanılan paket yöneticisi pip ile tek bir komut kullanarak tüm kurulum sürecini yalnızca birkaç dakikada tamamlayabilirsin.

Şekil 2. Ultralytics ve Albumentations'ı kurma.

Albumentations yüklendikten sonra Ultralytics model eğitim modu, eğitim sırasında görüntü artırmalarını otomatik olarak uygular. Albumentations yüklü değilse bu artırmalar uygulanmaz. Bu varsayılan artırmaları, eğitim argümanı augmentations'e aktararak kendi özel Albumentations dönüşümlerinle değiştirebilirsin.

Albumentations entegrasyonuyla Ultralytics YOLO11'i eğitme#

Albumentations entegrasyonunun arka planda nasıl çalıştığını daha iyi anlayalım.

Ultralytics YOLO11 eğitimi sırasında uygulanan artırmalara daha yakından bakalım:

• Bulanıklaştırma: Bu dönüşüm görüntüye hafif bir bulanıklık ekler. Modelin, odak dışındaki nesneleri bile algılamasına yardımcı olur.
• Medyan bulanıklaştırma: Görüntüdeki nesnelerin kenarlarını korurken rastgele gürültüyü azaltır. Böylece modelin karmaşık ortamlardaki nesneleri algılaması kolaylaşır.
• Gri tonlama: Bir görüntüyü siyah beyaza dönüştüren bu artırma, modelin renkler yerine şekillere ve dokulara odaklanmasına yardımcı olabilir.
• CLAHE (Sınırlı kontrastlı uyarlamalı histogram eşitleme): Bu artırma, özellikle düşük ışık veya sisli koşullarda olduğu gibi çok karanlık ya da görülmesi zor alanlardaki görüntü kontrastını artırır. Böylece bu alanlardaki nesneler daha net görünür ve model tarafından daha kolay tanımlanır.

Şekil 3. Bir kedi görüntüsüne uygulanan gri tonlama artırması örneği.

Ultralytics YOLO11 ve Albumentations entegrasyonunun uygulamaları#

Ultralytics YOLO11'i belirli bir uygulama için özel olarak eğitiyorsan Albumentations entegrasyonu, çeşitli koşullara uyum sağlayarak model performansını artırmaya yardımcı olabilir. Bu entegrasyonun çözebileceği gerçek dünya uygulamalarını ve zorluklarını ele alalım.

Tıbbi görüntülemeyi iyileştirme#

Sağlık hizmetlerinde görsel yapay zekâ, doktorların tanılara yardımcı olmak ve hasta bakımını iyileştirmek için tıbbi görüntüleri daha doğru analiz etmesini sağlıyor. Nitekim sağlık kuruluşlarının yaklaşık beşte biri yapay zekâ çözümlerini şimdiden kullanıyor.

Ancak bu bilgisayarlı görü çözümlerini oluşturmanın kendine özgü zorlukları vardır. Tıbbi taramalar; farklı ekipmanlar, ayarlar ve hatta teknisyenlerin deneyimi gibi etkenlerden dolayı hastaneler arasında büyük farklılıklar gösterebilir. Parlaklık, kontrast ve pozlama farklılıkları, görsel yapay zekâ modellerinin tutarlılığını ve doğruluğunu etkileyerek farklı ortamlarda güvenilir performans göstermelerini zorlaştırabilir.

Albumentations gibi araçların entegrasyonu işte bu noktada önem kazanır. Albumentations, aynı taramanın birden çok artırılmış sürümünü oluşturarak modelin çeşitli görüntü kalitelerinden öğrenmesini sağlar. Böylece model daha dayanıklı hâle gelir ve hem yüksek hem de düşük kaliteli görüntülerde hastalıkları doğru biçimde tespit edebilir.

Şekil 4. Artırılmış röntgen görüntüleri.

Güvenlik ve gözetimi iyileştirme#

Görsel yapay zekânın bir diğer ilginç uygulama alanı güvenlik ve gözetimdir. Gerçek zamanlı nesne algılama, güvenlik ekiplerinin olası tehditleri hızla belirlemesine yardımcı olabilir.

Bu uygulamayla ilgili temel kaygılardan biri, güvenlik kameralarının gün boyunca farklı ışık koşullarında görüntü kaydetmesi ve bu koşulların modelin görüntüleri yorumlama biçimini önemli ölçüde etkileyebilmesidir. Düşük ışık, parlama veya yetersiz görüş gibi etkenler, bilgisayarlı görü modellerinin nesneleri algılamasını ya da olası tehditleri tutarlı biçimde tanımasını zorlaştırabilir.

Albumentations entegrasyonu, farklı ışık koşullarını taklit eden dönüşümler uygulayarak yardımcı olur. Modelin hem aydınlık hem de düşük ışıklı ortamlardaki nesneleri algılamayı öğrenmesini sağlar; böylece model daha güvenilir hâle gelir ve zorlu koşullarda tepki süreleri iyileşir.

Perakende iş akışlarını ve müşteri deneyimini yeniden tanımlama#

Bir süpermarket reyonuna bir şey dökülmesi, mağazada koşan bir köpek veya bir ürün standını deviren bir çocuk, perakende ortamlarında görsel yapay zekâ için uç durum oluşturabilecek gündelik olaylardan yalnızca birkaçıdır. Bilgisayarlı görü; müşterilerin davranışlarını izlemek, mağaza içi hareketliliği takip etmek ve raflardaki ürünleri belirlemek yoluyla müşteri deneyimini iyileştirmek için giderek daha fazla kullanılıyor. Ancak bu gerçek dünya durumlarını yapay zekâ sistemlerinin anlaması ve doğru şekilde işlemesi zor olabilir.

Her senaryo bir bilgisayarlı görü veri kümesinde temsil edilemese de Albumentations entegrasyonu, beklenmedik ışıklandırma, sıra dışı açılar veya engeller gibi olası pek çok durumu kapsayacak şekilde verileri artırarak yardımcı olur. Böylece bilgisayarlı görü modelleri çeşitli koşullara uyum sağlayabilir; dinamik perakende ortamlarında uç durumlarla başa çıkma ve doğru tahminlerde bulunma yetenekleri gelişir.

Önemli çıkarımlar#

Model eğitimi için çeşitli gerçek dünya verileri toplamak karmaşık olabilir; ancak Albumentations, modellerin farklı koşullara uyum sağlamasına yardımcı olan görüntü sürümleri oluşturarak bu işi kolaylaştırır.

Ultralytics tarafından desteklenen Albumentations entegrasyonu, YOLO11'i özel olarak eğitirken bu artırmaları uygulama sürecini basitleştirir. Böylece veri kümesi kalitesi iyileşir ve daha doğru, güvenilir görsel yapay zekâ modelleri ortaya çıkarak çok çeşitli sektörlere fayda sağlar.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu incele; görsel yapay zekâ projelerine başlamak için lisans seçeneklerimize göz at. Üretimde yapay zekâ veya otonom araçlarda bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözümler sayfalarımızı ziyaret et.