Verilerini çeşitlendirmek için Albumentations artırmalarını kullanma
Çeşitli eğitim verileriyle model performansını geliştirmek için Ultralytics YOLO11'i özel olarak eğitirken veri artırma işlemleri için Albumentations'ı nasıl kullanacağını öğren.
Bir bilgisayarlı görü çözümü geliştirirken, görü yapay zekâ modellerini eğitmek için çeşitli görüntülerden oluşan bir veri seti toplamak sürecin kritik bir parçası olabilir. Bu işlem genellikle çok fazla zaman ve para gerektirir; ayrıca bazen toplanan görüntüler, modellerin etkili bir şekilde öğrenmesi için hâlâ yeterince çeşitli olmayabilir.
Örneğin, Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, farklı uygulamalarla ilgili çeşitli bilgisayarlı görü görevleri için görüntü veri setleriyle özel olarak eğitilebilir. Çeşitli veriler önemlidir; çünkü modelin genelleme yapmasını kolaylaştırır ve geniş bir gerçek dünya senaryosu yelpazesindeki nesneleri ve örüntüleri tanımasını sağlar.
Çeşitli veri eksikliğiyle uğraşıyorsan görüntü verisi artırma teknikleri harika bir çözüm olabilir. Döndürme, çevirme ve parlaklığı ayarlama gibi yöntemler veri setinin çeşitliliğini artırarak modelin daha geniş koşul aralıklarını işleme yeteneğini geliştirebilir.
Ultralytics bu nedenle görüntü verisi artırma entegrasyonunu destekler. Dönüşüm koleksiyonu sunan popüler bir araç olan Albumentations ile çeşitli görsel veriler oluşturabilirsin. Bu entegrasyon, eğitim görüntülerini otomatik olarak artırarak YOLO11 eğitim sürecini basitleştirir ve model performansının iyileşmesini sağlar.
Bu makalede Albumentations entegrasyonunu nasıl kullanabileceğini, avantajlarını ve model eğitimi üzerindeki etkisini inceleyeceğiz.
Albumentations nedir?#
Bilgisayarlı görü modelleri, farklı ortamlardaki nesneleri tanımak için geniş bir yüksek kaliteli görüntü koleksiyonundan öğrenebilir. Gerçek dünya kaynaklarından büyük veri setleri toplamak yavaş, maliyetli ve verimsiz olabilir. Bu görevi kolaylaştırmak için mevcut görüntülerin yeni varyasyonlarını oluşturmak üzere görüntü verisi artırma kullanabilir, böylece daha fazla veri toplamadan modellerin farklı senaryolardan öğrenmesine yardımcı olabilirsin.
Özellikle, 2018'de verimli görüntü verisi artırma amacıyla kullanıma 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, görüntüleri hızlı ve verimli bir şekilde işleyebilmesi sayesinde yüksek performansıyla bilinir. OpenCV ve NumPy gibi optimize edilmiş kütüphaneler üzerine kuruludur; büyük veri setlerini minimum işlem süresiyle işler ve model eğitimi sırasında hızlı veri artırma için ideal hâle gelir.
Albumentations'ın diğer bazı temel özellikleri şunlardır:
- Geniş dönüşüm yelpazesi: Albumentations, 70'in üzerinde artırma türü sunar. Bu varyasyonlar, aydınlatma, açılar veya arka planlar değişse bile modellerin nesneleri algılamayı öğrenmesine yardımcı olur.
- Hız için optimize edilmiştir: Görüntü artırmayı hızlandırmak ve büyük veri setlerini verimli bir şekilde işlemek için aynı anda birden çok veri noktasını işleyen SIMD (Tek Komut, Çoklu Veri) gibi gelişmiş optimizasyon tekniklerini kullanır.
- Üç artırma düzeyi: Verileri üç şekilde geliştirir. Örneğin piksel düzeyindeki artırmalar, nesneleri değiştirmeden parlaklığı ve rengi ayarlar. Uzamsal düzeydeki artırmalar temel ayrıntıları korurken nesnelerin konumunu değiştirir; karıştırma düzeyindeki artırmalar ise yeni örnekler oluşturmak için farklı görüntülerin bölümlerini birleştirir.
Albumentations entegrasyonunu neden kullanmalısın?#
Bir veri setine artırma uygulamanın birçok yolu olduğunu ve hatta OpenCV gibi araçları kullanarak kendi yöntemini oluşturabileceğini düşünüyor olabilirsin. Öyleyse neden Albumentations gibi bir kütüphaneyi destekleyen bir entegrasyonu seçmelisin?
OpenCV gibi araçlarla artırmaları manuel olarak 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 setini hazırlarken zamandan ve emekten tasarruf etmeni sağlayabilecek, kullanıma hazır birçok dönüşüm sunar.
Albumentations entegrasyonunu seçmenin bir diğer nedeni, Ultralytics model eğitimi işlem hattıyla sorunsuz çalışmasıdır. Artırmalar eğitim sırasında otomatik olarak uygulandığından YOLO11'i özel olarak eğitmek çok daha kolay hâle gelir. Süreci basitleştirerek veri hazırlamayla uğraşmak yerine modelini geliştirmeye daha fazla odaklanmanı sağlar.
Albumentations entegrasyonuna başlarken#
İlginçtir ki Ultralytics YOLO11'i eğitmek için Albumentations entegrasyonlarını kullanmak göründüğünden daha kolaydır. Gerekli kütüphaneler kurulduktan sonra entegrasyon, eğitim sırasında görüntü verisi artırmalarını otomatik olarak uygular. Aynı veri setini kullanarak modelin farklı görüntü varyasyonlarından öğrenmesine yardımcı olur.
Şimdi, Ultralytics YOLO11'i özel olarak eğitirken Albumentations entegrasyonunun nasıl kurulup kullanılacağını adım adım inceleyelim.
Ultralytics Python paketi ve Albumentations'ı yükleme#
Artırmaları uygulamadan önce hem Ultralytics Python paketinin hem de Albumentations'ın yüklenmesi gerekir. Entegrasyon, her iki kütüphanenin varsayılan olarak sorunsuz birlikte çalışacağı şekilde tasarlanmıştır; bu nedenle karmaşık yapılandırmalarla uğraşmana gerek yoktur.
Aşağıdaki görselde gösterildiği gibi, Python kütüphanelerini yüklemek için kullanılan bir paket yönetim aracı olan tek bir pip komutuyla tüm yükleme işlemi yalnızca birkaç dakika içinde tamamlanabilir.
Şekil 2. Ultralytics ve Albumentations'ın yüklenmesi.
Albumentations yüklendikten sonra Ultralytics model eğitimi modu, eğitim sırasında görüntü artırmalarını otomatik olarak uygular. Albumentations yüklü değilse bu artırmalar uygulanmaz. Daha fazla ayrıntı için resmî Ultralytics belgelerine başvurabilirsin.
Albumentations entegrasyonuyla Ultralytics YOLO11 eğitimi#
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. Nesneler odak dışında olduğunda bile modelin onları algılamasına yardımcı olur.
- Medyan bulanıklaştırma: Görüntüdeki nesne kenarlarını korurken rastgele gürültüyü azaltır. Bu, modelin karmaşık ortamlardaki nesneleri algılamasını kolaylaştırır.
- Gri tonlama: Bir görüntüyü siyah beyaza dönüştüren bu artırma, modelin renkler yerine şekillere ve dokulara odaklanmasına yardımcı olabilir.
- CLAHE (Kontrastı sınırlı uyarlamalı histogram eşitleme): Bu artırma, özellikle düşük ışık veya sisli koşullar gibi çok karanlık ya da görülmesi zor alanlarda görüntü kontrastını artırır. Böylece bu alanlardaki nesneler daha net ve modelin tanımlaması daha kolay hâle gelir.
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 geliştirmeye yardımcı olabilir. Şimdi bu entegrasyonun çözebileceği bazı gerçek dünya uygulamalarını ve zorluklarını ele alalım.
Tıbbi görüntülemeyi geliştirme#
Sağlık hizmetlerinde görü yapay zekâsı, doktorların tıbbi görüntüleri daha doğru analiz ederek tanıya yardımcı olmasını ve hasta bakımını iyileştirmesini sağlıyor. Hatta sağlık kuruluşlarının yaklaşık beşte biri hâlihazırda yapay zekâ çözümleri kullanıyor.
Ancak bu bilgisayarlı görü çözümlerini oluşturmak kendine özgü bir dizi zorluk getirir. Tıbbi taramalar; farklı ekipmanlar, ayarlar ve hatta teknisyenlerin deneyimi gibi etkenlerin etkisiyle hastaneler arasında büyük farklılık gösterebilir. Parlaklık, kontrast ve pozlamadaki değişiklikler görü yapay zekâ modellerinin tutarlılığını ve doğruluğunu etkileyebilir; bu da farklı ortamlarda güvenilir şekilde çalışmalarını zorlaştırır.
Albumentations gibi araçların entegrasyonu işte bu noktada önem kazanır. Aynı taramanın birden çok artırılmış sürümünü oluşturan Albumentations, modelin çeşitli görüntü kalitelerinden öğrenmesini sağlar. Bu, modelin daha dayanıklı hâle gelmesine yardımcı olur ve hem yüksek hem de düşük kaliteli görüntülerde hastalıkları doğru şekilde algılamasını mümkün kılar.
Şekil 4. Artırılmış röntgen görüntüleri.
Güvenlik ve gözetimi geliştirme#
Görü yapay zekâsının bir diğer ilgi çekici uygulaması güvenlik ve gözetimdir. Gerçek zamanlı nesne algılama, güvenlik ekiplerinin olası tehditleri hızlıca belirlemesine yardımcı olabilir.
Bu uygulamayla ilgili temel endişelerden biri, güvenlik kameralarının gün boyunca çeşitli aydınlatma koşullarında görüntü çekmesi ve bu koşulların modelin bu görüntüleri nasıl yorumladığını büyük ölçüde etkileyebilmesidir. Düşük ışıklı ortamlar, parlamalar veya yetersiz görünürlük gibi etkenler, bilgisayarlı görü modellerinin nesneleri algılamasını veya olası tehditleri tutarlı şekilde tanımasını zorlaştırabilir.
Albumentations entegrasyonu, farklı aydınlatma koşullarını taklit eden dönüşümler uygulayarak yardımcı olur. Bu sayede model hem aydınlık hem de düşük ışıklı ortamlarda nesneleri algılamayı öğrenir; zorlu koşullarda daha güvenilir hâle gelir ve tepki sürelerini iyileştirir.
Perakende iş akışlarını ve müşteri deneyimini yeniden tanımlama#
Bir süpermarket koridoruna dökülen sıvı, mağazanın içinde koşan bir köpek veya ürün sergisini deviren bir çocuk, perakende sektöründe görü yapay zekâ ortamları için uç durum oluşturabilecek günlük olaylardan yalnızca birkaçıdır. Bilgisayarlı görü; alışveriş yapanların davranışlarını izlemek, yaya trafiğini 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 setinde temsil edilemese de Albumentations entegrasyonu; beklenmedik aydınlatma, alışılmadık açılar veya engeller gibi birçok olası durumu kapsayacak şekilde verileri artırarak yardımcı olur. Bu, bilgisayarlı görü modellerinin çeşitli koşullara uyum sağlamasına, uç durumları ele alma yeteneklerini geliştirmesine ve dinamik perakende ortamlarında doğru tahminler yapmasına yardımcı olur.
Önemli çıkarımlar#
Model eğitimi için çeşitli gerçek dünya verileri toplamak karmaşık olabilir; ancak Albumentations, modellerin farklı koşullara uyum sağlamasına yardımcı olan görüntü varyasyonları oluşturarak bu süreci kolaylaştırır.
Ultralytics tarafından desteklenen Albumentations entegrasyonu, YOLO11'i özel olarak eğitirken bu artırmaların uygulanma sürecini basitleştirir. Bunun sonucunda veri seti kalitesi artar ve daha doğru, güvenilir görü yapay zekâ modelleri üreterek çok çeşitli sektörlere fayda sağlar.
Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu incele; görü yapay zekâ projelerine başlamak için lisans seçeneklerimize göz at. Üretimde yapay zekâ veya kendi kendine sürüşte bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret et.
