Görüntü bilişimi nedir? Kısa bir giriş

Bir alışveriş merkezinde veya kalabalık bir caddede yürürken girişlerin ve geçiş yollarının üzerine yerleştirilmiş kameralar hareketliliği kaydeder. Her saniye görsel veri üretirler ve çoğu zaman bunun farkına bile varmayız.

Bu sürekli veri akışı, akıllı güvenlik sistemlerinden otonom araçlara kadar yapay zekâ destekli modern sistemleri besler. Bu yeniliklerin temelinde, bilgisayar bilimi, matematik ve fiziği bir araya getiren çok yönlü bir alan olan görüntü bilişimi bulunur.

Görüntü bilişimi, makinelerin bir görüntüde ne gördüklerini anlamasına yardımcı olur. Sistemlerin bir sahnede neler olduğunu tanımasını ve nasıl çalışacağına veya tepki vereceğine karar vermesini sağlar; örneğin bir engel ortaya çıktığında otonom bir aracı durdurabilir.

Bu yazıda, görüntü bilişiminin ne olduğunu ve en gelişmiş yapay zekâ (AI) sistemlerinde nasıl kullanıldığını inceleyeceğiz. Hadi başlayalım!

Görüntü bilişimini anlamak#

Görüntü bilişimi, gelişmiş algoritmalar kullanarak görüntüleri yakalama, işleme ve analiz etme sürecidir. Görüntüleri, makinelerin anlayabileceği ve üzerinde çalışabileceği veriler olarak ele alır.

Başka bir deyişle, her görüntü bir sayı ızgarası olarak işlenir. Bunun için bir görüntünün en küçük birimleri olan pikseller, satır ve sütunlardan oluşan bir matrise dönüştürülür. Her piksel, makineye görüntünün belirli bir bölgesinin ne kadar aydınlık veya karanlık olduğunu belirten sayısal bir değere sahiptir.

Bu değerlerin düzenlenme biçimi, görüntünün gri tonlamalı mı yoksa renkli mi olduğuna bağlıdır. Gri tonlamalı görüntülerde piksel değerleri genellikle 0 (siyah) ile 255 (beyaz) arasında değişir. Renkli görüntülerde, Kırmızı, Yeşil ve Mavi (RGB) veya Ton, Doygunluk ve Değer (HSV) gibi farklı renk kanallarını temsil etmek için birden çok matris kullanılır.

Şekil 1. Görüntülerin matris gösterimleri (Kaynak)

Piksel matrislerine ek olarak bir görüntü, meta veri olarak bilinen gizli bağlamsal bilgiler de içerir. Meta veriler; görüntü çözünürlüğü, bit derinliği, kamera veya sensör ayarları ve görüntünün çekildiği kesin zaman gibi önemli ayrıntıları sağlar. Görüntüler, hem görsel verileri hem de meta verileri korumak için belirli dosya biçimlerinde saklanır.

Örneğin biyomedikal görüntü bilişiminde görüntüler genellikle Tıpta Dijital Görüntüleme ve İletişim (DICOM) biçimi kullanılarak saklanır. DICOM, görsel görüntü verilerini kimlik bilgileri ve ekipman ayarları gibi hasta bilgileriyle birleştirerek tıbbi görüntü analizinin doğru, tutarlı ve güvenli olmasını sağlar.

Görüntü bilişimi nasıl çalışır?#

Artık görüntü bilişiminin ne olduğunu daha iyi anladığımıza göre, bir kamera akışını yararlı içgörülere dönüştürmek için kullanılan adımlara göz atalım.

Kesin iş akışı uygulamaya göre değişebilse de çoğu görüntü bilişimi sistemi şu temel aşamaları izler:

• Görüntü edinme: İlk olarak görsel veriler kameralar ve sensörler kullanılarak yakalanır veya açık kaynaklı görüntü veri kümelerinden toplanır.
• Görüntü ön işleme: Ardından edinilen görüntüler yeniden boyutlandırılır, gürültüden arındırılır, iyileştirilir ve girdileri standartlaştırmak için belirli bir renk uzayına dönüştürülür.
• Özellik çıkarma: Görüntüdeki kenarlar, şekiller ve dokular gibi önemli örüntüleri öğrenmek için derin öğrenme algoritmaları kullanılır.
• Yorumlama: Çıkarılan özellikler; nesne algılama, görüntü segmentasyonu ve nesne takibi gibi görevleri gerçekleştirmek üzere analiz edilir.
• Çıktı: Son olarak sistem, sınıf etiketleri veya sınırlayıcı kutular gibi yapılandırılmış çıktılar üretir ve bunları insanların veya diğer sistemlerin görselleştirme amacıyla kolayca anlayıp kullanabileceği bir biçimde sunar.

Görüntü bilişimi ve bilgisayarlı görü ile görüntü işleme karşılaştırması#

Görüntü bilişimiyle karşılaştığında görüntü işleme ve bilgisayarlı görü gibi terimleri de görebilirsin. Bu terimler sıklıkla birbirinin yerine kullanılsa da yapay zekâ sistemlerinin görsel verilerle etkileşim kurma biçimlerini farklı şekilde tanımlar.

Örneğin görüntü işleme, gürültü giderme, yeniden boyutlandırma ve kontrast ayarlama gibi temel işlemleri kullanarak görüntülerin iyileştirilmesine veya girdi görüntülerinin kalitesinin artırılmasına odaklanır. Buna karşılık yapay zekânın bir dalı olan bilgisayarlı görü, makinelerin nesneleri tanımasını, sahneleri yorumlamasını ve görüntü veya videolarda neler olduğunu anlamasını sağlayarak görüntü işlemenin üzerine inşa edilir.

Görüntü bilişimi, görsel verileri akıllı sistemler için anlamlı ve kullanılabilir çıktılara dönüştürmek üzere görüntü işleme ile bilgisayarlı görüyü birleştirir.

Şekil 2. Görüntü işleme ve bilgisayarlı görü ile görüntü bilişimi karşılaştırması. Görüntü yazara aittir.

Görüntü bilişimi günümüzde nasıl uygulanıyor?#

Şimdi görüntü bilişiminin günümüzde nasıl uygulandığına göz atalım.

Görüntü bilişiminin ilk dönemlerinde kenarlar, köşeler ve dokular gibi özellikler, kural tabanlı ve elle tasarlanmış algoritmalar kullanılarak manuel olarak tanımlanıyordu. Bu yöntemler kontrollü ortamlarda makul ölçüde iyi çalışsa da ölçeklenme ve karmaşık, gerçek dünya koşullarına uyum sağlama konusunda zorlanıyordu.

Modern görüntü bilişimi sistemleri, derin öğrenme tabanlı yaklaşımlar kullanarak bu sınırlamaların üstesinden gelir. Evrişimsel sinir ağları (CNNs) ve vision Transformer modelleri gibi modeller, büyük görüntü veri kümelerinden ilgili özellikleri otomatik olarak öğrenir. Bu sayede nesne algılama, örnek segmentasyonu ve nesne takibi gibi görevleri daha yüksek doğruluk ve sağlamlıkla gerçekleştirebilirler.

Günümüzde görüntü bilişimi iş akışları genellikle en gelişmiş yapay zekâ sistemlerinde kullanılmak üzere tasarlanmış gerçek zamanlı görü modellerine dayanır. Örneğin Ultralytics YOLO26 gibi görü yapay zekâ modelleri, hem uç cihazlarda hem de bulut ortamlarında nesne algılama ve örnek segmentasyonu gibi hızlı ve verimli bilgisayarlı görü özelliklerini mümkün kılar.

Şekil 3. Bir görüntüde nesneleri algılamak ve segmentlere ayırmak için Ultralytics YOLO26 kullanımına bir örnek

Görüntü bilişiminin gerçek dünya uygulamaları#

Görüntü bilişimi, görsel verileri anlamak ve bunlara göre hareket etmek için gerçek dünya uygulamalarında yaygın olarak kullanılır. Görüntü bilişiminin farklı alanlarda nasıl uygulandığını inceleyelim.

Hastalıkların erken tespiti için tıbbi görüntü bilişimi#

Görüntü bilişimi, doktorların ve klinisyenlerin hastalıkları daha erken fark etmesine ve tıbbi taramaları daha verimli analiz etmesine yardımcı olabilir. Bu yenilikçi sağlık sistemleri, X ışınları ve manyetik rezonans görüntüleme (MRI) taramaları gibi tıbbi görüntüleme verilerini hızla işleyebilir ve genellikle manuel incelemeye göre daha tutarlı sonuçlar sunar.

Örneğin Ultralytics YOLO26 gibi modeller, enfeksiyonlar ve anormalliklerle bağlantılı örüntüleri öğrenmek için büyük göğüs X ışını görüntüsü kümeleriyle eğitilebilir. Eğitildikten sonra bu modeller, bir taramanın normal görünüp görünmediğini veya zatürre ya da COVID-19 gibi durumların belirtilerini gösterip göstermediğini belirlemeye yardımcı olabilir.

Otonom sürüş için görüntü bilişimi#

Otonom araçlar, çevrelerinde neler olduğunu anlamak ve sürüş kararları vermek için görüntü bilişiminden yararlanır. Bu teknoloji, ham kamera görüntülerini aracın güvenli ve sorunsuz hareket etmesine yardımcı olan gerçek zamanlı bilgilere dönüştürür.

Görüntü bilişimi, gelişmiş sürücü destek sistemlerinde (ADAS) yaygın olarak kullanılır. Bu modüller yalnızca video kaydetmek yerine her kareyi analiz ederek şerit işaretlerini, diğer araçları, yayaları ve engelleri tespit eder. Böylece araç, çok az insan müdahalesiyle değişen yol koşullarına tepki verebilir.

Bir diğer yaygın kullanım alanı, aracın çevresinin 360 derecelik görünümünü oluşturmak için birden çok kameradan alınan görüntülerin birleştirilmesidir. Görüntü bilişimi, mercek bozulmasını düzeltmeye, görüntü netliğini artırmaya ve tüm kamera akışlarında parlaklık ile renk dengesini sağlamaya yardımcı olur. Bunun sonucunda araç, kötü hava veya düşük ışık koşullarında bile güvenle yol alabilir; net ve kesintisiz bir görünüm elde edilir.

Şekil 4. Derin öğrenme kullanılarak görüntü birleştirme (Kaynak)

Görüntü bilişiminin artıları ve eksileri#

Görüntü bilişiminin bazı avantajları şunlardır:

• Ölçeklenebilirlik: Eğitildikten sonra görüntü bilişimi sistemleri, büyük hacimli görsel verileri sürekli olarak ve geniş ölçekte analiz edebilir.
• Karar verme: Otonom sürüş, tıbbi tarama ve endüstriyel izleme gibi zaman açısından kritik uygulamaları destekler.
• Zaman içinde maliyet verimliliği: İlk kurulum maliyetli olabilse de otomatik görsel analiz, uzun vadeli işletme maliyetlerini azaltabilir.

Görüntü bilişimiyle ilişkili pek çok fayda olsa da bazı sınırlamalar da vardır. Dikkate alman gereken bazı faktörler şunlardır:

• Veri kalitesi: Görüntü bilişimi yöntemleri, oluşturulması maliyetli ve zaman alıcı olabilen doğru etiketlemeye ve yüksek kaliteli veri kümelerine büyük ölçüde bağlıdır.
• Koşullara duyarlılık: Aydınlatma, kapanma, hareket bulanıklığı, hava durumu veya kamera açılarındaki değişiklikler model performansını olumsuz etkileyebilir.
• Sınırlı açıklanabilirlik: Derin öğrenme tabanlı görüntü modelleri kara kutu gibi davranabilir ve kararların nasıl alındığını açıklamayı zorlaştırabilir.

Önemli çıkarımlar#

Görüntü bilişimi, temel görüntü işlemeden yapay zekâ sistemlerinin gerçek dünyayı gerçek zamanlı olarak algılamasını ve anlamasını sağlayan bir teknolojiye dönüştü. Derin öğrenme ilerlemeye devam ettikçe görüntü bilişimi, daha akıllı ve pratik araç setleri ile uygulamalar geliştirmede temel bir bileşen hâline geliyor.

Yapay zekâ hakkında bilgi edinmek için topluluğumuza katıl ve GitHub depomuza göz at. Tarımda yapay zekâ ve lojistikte bilgisayarlı görü uygulamaları hakkında bilgi almak için çözümler sayfalarımızı incele. Lisanslama seçeneklerimizi keşfet ve görü yapay zekâ modelleri geliştirmeye başla.