Örnek bölütleme nedir? Hızlı bir rehber

Bilgisayarlı görü uygulamaları; yol durumunu izleyen trafik kameralarından mağazalardaki kendi kendine ödeme sistemlerine kadar günlük hayatımızda giderek daha yaygın hale geliyor. Makinelerin görsel verileri insanlara benzer bir şekilde anlamasını sağlayan vision AI, çeşitli sektörlerde etki yaratıyor.

Bu uygulamaların çoğu, görüntülerdeki anahtar nesnelerin etrafına sınırlayıcı kutular yerleştiren bir bilgisayarlı görü görevi olan nesne algılamaya dayanır. Bu yaklaşım genellikle iyi çalışsa da, bazı görüntü analizi çözümleri daha da yüksek hassasiyete ihtiyaç duyar.

Örneğin, tıbbi görüntüleme sadece bir tümörü algılamaktan fazlasını gerektirir; tam şeklini ana hatlarıyla belirtmek hayati önem taşır. Benzer şekilde, robotikte makinelerin doğru bir şekilde kavramak için bir nesnenin tam hatlarını tanıması gerekir. Bu zorlukları aşmak için, örnek segmentasyonu daha hassas bir çözüm sunar.

Örnek segmentasyonu, nesneleri algılamanın yeterli olmadığı kullanım durumlarını desteklemek için tasarlanmış bir bilgisayarlı görü görevidir; piksel düzeyinde doğruluk sağlar. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, görüntülere ve videolara kolayca örnek segmentasyonu uygulamak için kullanılabilir.

Şekil 1. Örnek segmentasyonu için YOLO11 kullanımına bir örnek.

Bu rehberde, örnek segmentasyonunun nasıl çalıştığını, uygulama alanlarını ve Ultralytics YOLO11'in belirli segmentasyon görevleri için nasıl özel olarak eğitilebileceğini inceleyeceğiz.

Link to this sectionÖrnek segmentasyonu nedir?#

Birbirine yakın duran insanların olduğu bir grup fotoğrafı olduğunu varsayalım. Nesne algılama, her kişinin etrafına kutular çizmenize yardımcı olabilir, ancak bu size onların tam şeklini söylemez.

Örnek segmentasyonu ise, birbiriyle çakışsalar bile tam ana hatlarını görebilmeniz için her bir kişinin etrafını dikkatlice çizmeye benzer. Bir şeyin nerede olduğunu sadece bir kutuyla işaretlemek yerine, karmaşık görüntüleri anlamayı kolaylaştırarak her bir nesnenin tam şeklini piksel düzeyinde tanımlar.

Sonuç, bir nesnenin şeklini dolduran ve hangi piksellerin ona ait olduğunu tam olarak belirleyen ayrıntılı bir maskedir. Bu hassasiyet düzeyi, nesnelerin tam şeklini ve sınırlarını anlamanın önemli olduğu birçok gerçek dünya uygulamasında faydalıdır.

Şekil 2. YOLO11'in örnek segmentasyonu desteğini sergileme.

Link to this sectionÖrnek segmentasyonu ve anlamsal segmentasyon#

Örnek segmentasyonunu keşfederken, anlamsal segmentasyon kavramıyla karşılaşabilirsin.

Her iki teknik de bilgisayarların görüntüleri piksel düzeyinde anlamasına yardımcı olur, ancak farklı amaçlara hizmet ederler. Anlamsal segmentasyon, her pikseli kategorisine göre etiketler ve aynı türdeki tüm nesneleri bir araya getirir. Örneğin, birden fazla arabanın olduğu bir görüntüde, anlamsal segmentasyon bunların hepsini bireysel araçlar arasında ayrım yapmadan "araba" olarak işaretler.

Örnek segmentasyonu ise, her nesneyi ayrı ayrı tanımlayarak bir adım daha ileri gider. Bireysel örneklere benzersiz etiketler atar ve şekillerinin etrafında hassas maskeler oluşturur. Dolayısıyla aynı görüntüde, örnek segmentasyonu her şeyi sadece "araba" olarak etiketlemez, her bir arabayı ayrı ayrı tanır ve ana hatlarını çizer.

İkisi arasındaki temel fark, anlamsal segmentasyonun nesneleri kategoriye göre gruplandırması, örnek segmentasyonunun ise her nesneyi belirgin sınırlara sahip benzersiz bir varlık olarak ayırt etmesidir. Hangi görevin kullanılacağını seçmek, belirli bir uygulamaya bağlıdır; görüntüde ne olduğunu bilmek yeterli mi yoksa bireysel nesneler arasında ayrım yapmak mı önemli?

Şekil 3. Örnek segmentasyonu ve anlamsal segmentasyon (sırasıyla sağ ve sol).

Link to this sectionPopüler örnek segmentasyonu modelleri#

Günümüzde vision AI topluluğu için mevcut olan çeşitli örnek segmentasyonu modelleri bulunmaktadır. Bazıları daha hızlıdır, bazıları daha doğrudur ve bazılarının kullanımı daha kolaydır.

Bu seçenekler faydalı olsa da, belirli bir görev için hangisinin doğru olduğu sorusunu akıllara getirebilir. Seçenekler arasında Ultralytics YOLO modelleri, hız ve doğruluğa odaklandıkları için oldukça popülerdir.

Ayrıca, bu modeller yıllar içinde önemli ölçüde evrimleşti. Örneğin, Ultralytics YOLOv5, PyTorch gibi çerçeveleri kullanarak dağıtımı basitleştirdi ve ileri düzey vision AI'yı derin teknik uzmanlık gerektirmeden daha geniş bir kitle için erişilebilir hale getirdi.

Bu başarının üzerine inşa edilen Ultralytics YOLOv8, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırma gibi bilgisayarlı görü görevleri için geliştirilmiş destek getirdi.

Şimdi ise YOLO11 performansı yeni bir seviyeye taşıyor. COCO veri setinde YOLOv8m'e göre %22 daha az parametre ile daha yüksek bir ortalama hassasiyet (mAP) elde ediyor; bu da daha az kaynak kullanarak nesneleri daha hassas bir şekilde tanıyabileceği anlamına geliyor.

Şekil 4. YOLO11 kıyaslaması.

Basitçe söylemek gerekirse, YOLO11 verimlilikten ödün vermeden son teknoloji bir doğruluk sunarak bu alanda oyunun kurallarını değiştiriyor.

Link to this sectionÖrnek segmentasyonunun nasıl çalıştığını anlamak#

Sırada, örnek segmentasyonunun tipik olarak nasıl çalıştığını inceleyelim. Eski bilgisayarlı görü modelleri iki adımlı bir yaklaşım kullanır.

Öncelikle, nesnelerin etrafına sınırlayıcı kutular çizerek nesneleri algılarlar. Ardından, her nesnenin tam şeklini ana hatlarıyla belirtmek için piksel düzeyinde bir maske oluştururlar. Bunun iyi bilinen bir örneği, bir maske tahmin adımı ekleyerek nesne algılama modellerinin üzerine inşa edilen Mask R-CNN'dir. Bu yöntem etkili olsa da, görüntüyü birden fazla aşamada işlediği için yavaş olabilir ve bu da gerçek zamanlı uygulamaları daha zorlu hale getirir.

Bu arada, YOLO11 gibi modeller görüntüleri tek seferde işleyerek nesne sınırlayıcı kutularını ve örnek segmentasyonu maskelerini eşzamanlı olarak tahmin eder. Bu modernleştirilmiş yaklaşım, yüksek doğruluğu korurken çok daha hızlı olmasını sağlar. Sonuç olarak, hem hızın hem de hassasiyetin çok önemli olduğu otonom sürüş, video analizi ve robotik gibi gerçek zamanlı uygulamalar için özellikle kullanışlıdır.

Link to this sectionÖrnek segmentasyonu için YOLO11'in özel eğitimi#

YOLO11, kullanıma hazır bir önceden eğitilmiş model olarak gelir. Örnek segmentasyonu için gündelik nesneleri kapsayan COCO-Seg veri setinde eğitilmiştir. Ancak, Ultralytics Python paketi, benzersiz nesnelerin bölümlenmesi gereken özel uygulamalar için gerekli olan özel eğitimi destekler.

Bir modelin özel eğitimi veya ince ayarı neden önemlidir? Özel eğitim, önceden eğitilmiş modellerde zaten gömülü olan bilgilerin üzerine inşa edilerek aktarımlı öğrenmeden yararlanır. Sıfırdan başlamak yerine, mevcut bir modeli daha küçük veri setleri ve daha az bilgi işlem kaynağı kullanarak yeni görevlere uyarlar ve tüm bunları yaparken yüksek doğruluğu korur.

Link to this sectionYOLO11 özel olarak nasıl eğitilir?#

YOLO11'e örnek segmentasyonu için ince ayar yaparken izlenen adımlara daha yakından bakalım:

• Veri hazırlığı: Belirli uygulamanıza dayalı görüntüleri toplayın ve açıklama ekleyin. Ultralytics, birden fazla görüntü veri seti için destek sağlar, ancak görüntüleri ve açıklamaları gerekli YOLO formatında hazırlayarak kendi veri setinizle de eğitim yapabilirsiniz.
• Önceden eğitilmiş bir model kullanma: Sıfırdan başlamak yerine, önceden eğitilmiş bir Ultralytics YOLO11 modeli kullanın.
• Model eğitimi: Batch size (yineleme başına işlenen görüntü sayısı), görüntü boyutu (hedef giriş çözünürlüğü) ve epoch (toplam eğitim döngüsü) gibi hayati eğitim ayarlarını yapın ve modeli eğitin.
• Performans değerlendirmesi: Model eğitimi tamamlandıktan sonra, mAP gibi performans metriklerini kullanarak modelin doğruluğunu test edebilirsiniz. Ultralytics Python paketi, model değerlendirmesi için yerleşik işlevler de sağlar.

Link to this sectionYOLO11 tarafından desteklenen örnek segmentasyonu uygulamaları#

Örnek segmentasyonu, makinelerin nesneleri daha doğru bir şekilde görmesine ve anlamasına yardımcı olarak gerçek dünyadaki zorlukları çözmek için kullanılabilir. Otomasyonu iyileştirmekten çevreyi korumaya kadar pek çok alanda kilit bir rol oynar. Etki yarattığı bazı örnekleri inceleyelim.

Link to this sectionYOLO11 kullanılarak şantiye güvenliği ve izleme#

Örnek segmentasyonu, şantiyelerde güvenliği ve verimliliği sağlamanın kritik bir parçası olabilir. Örneğin, ağır makineleri izlemek için kullanılabilir.

YOLO11, vinç, ekskavatör ve buldozer gibi farklı ekipman türlerini doğru bir şekilde segmentlere ayırmak ve tanımlamak ve konumlarını gerçek zamanlı olarak takip etmek için ince ayar yapılabilir. Bu, saha yöneticilerinin makinelerin yalnızca belirlenen alanlarda çalıştığından ve çalışanların bulunduğu veya tehlikelerin olduğu bölgelere girmediğinden emin olmalarını sağlar.

Ayrıca, bu tür çözümleri gerçek zamanlı uyarı sistemleriyle entegre etmek, hızlı düzeltici eylemlerin alınmasını sağlar. Bunun ötesinde, toplanan içgörüler saha düzenini ve iş akışını optimize etmeye yardımcı olarak riskleri daha da azaltabilir ve üretkenliği artırabilir.

Şekil 5. YOLO11 kullanılarak ağır makinelerin izlenmesi.

Link to this sectionSegmentasyon ve YOLO11 ile hayvan izleme#

Hayvan davranışı izleme; araştırmacıların, çiftçilerin ve koruma uzmanlarının hayvanlara farklı ortamlarda daha iyi bakmalarına yardımcı olur. Örnek segmentasyonu, çiftliklerde, hayvanat bahçelerinde ve doğal yaşam alanlarında bireysel hayvanları tanımlayıp bölümlere ayırarak bu sistemlerde faydalı bir rol oynar. Sınırlayıcı kutular kullanan geleneksel nesne algılamanın aksine, örnek segmentasyonu her hayvanın piksel düzeyinde ana hatlarını sağlar; bu, hayvanlar birbirine çok yakın olduğunda özellikle yararlıdır.

Ayrıntılı segmentasyon, hareketlerin ve davranışların daha doğru izlenmesini kolaylaştırır. Birbiriyle örtüşen veya yakın kümelenmiş hayvanlar belirgin bir şekilde tanınabilir ve etkileşimlerin, sağlık değerlendirmelerinin ve aktivite modellerinin daha hassas bir analizini sağlar. Genel olarak, hayvan davranışı konusundaki daha derin içgörüler, hayvan bakımı ve yönetim uygulamalarını geliştirir.

Şekil 6. Örnek segmentasyonu ile sığır izleme.

Link to this sectionSpor analitiği ve oyuncu takibinde YOLO11#

Hassas oyuncu ve etkinlik takibi, spor analizinin büyük bir parçasıdır. Geleneksel takip yöntemleri, ayrıntılı etkileşimleri yakalayamayabilen manuel etiketlemeye dayanır. Bilgisayarlı görü, ayrıntılı içgörüler elde etmek için her oyuncu, top ve önemli olay gibi ayrıntıları piksel düzeyinde bölümlere ayırmak için kullanılabilir.

Örneğin, örnek segmentasyonu; her oyuncuyu ve nesneyi net bir şekilde ayırarak fauller veya top dışı olaylar gibi durumları algılamaya yardımcı olabilir. YOLO11 gibi modellerin sağladığı bu ayrıntılı izleme, analistlere hareket modellerini, konumsal konumlandırmayı ve etkileşimleri yüksek doğrulukla incelemeleri için daha net bilgiler sunar. Bu içgörülerin temel bir yararı, takımların stratejilerini geliştirmelerine ve genel performansı artırmalarına yardımcı olmalarıdır.

Link to this sectionÖrnek segmentasyonunun artıları ve eksileri#

Örnek segmentasyonunun çeşitli sektörlere getirebileceği temel faydalardan bazıları şunlardır:

• Geliştirilmiş otomasyon: Kalite kontrol ve güvenlik izleme gibi görevleri otomatikleştirerek, örnek segmentasyonu manuel müdahale ihtiyacını azaltır ve insan hatasını en aza indirir.
• Daha iyi sahne anlayışı: Her nesneyi doğru bir şekilde ana hatlarıyla belirleyerek, örnek segmentasyonu karmaşık sahnelerin daha derinlemesine anlaşılmasına katkıda bulunur ve daha bilinçli karar almayı destekler.
• Verimli işlem sonrası: Piksel düzeyindeki çıktı; arka plan kaldırma, nesne sayma ve mekansal analiz gibi görevleri basitleştirerek ek işlem adımlarına olan ihtiyacı azaltır.

Bu faydalar örnek segmentasyonunun farklı kullanım durumlarını nasıl etkilediğini vurgulasa da, uygulanmasındaki zorlukları da göz önünde bulundurmak önemlidir.

Örnek segmentasyonunun temel sınırlamalarından bazıları şunlardır:

• Şeffaflıkla ilgili zorluklar: Cam ve su gibi şeffaf veya yansıtıcı nesneleri bölümlere ayırmak zordur ve hatalı sınırlara yol açar.
• Bakım yükü: Modelleri doğru ve alakalı tutmak için, çevresel koşullar ve veri setleri değiştikçe sürekli güncellemeler ve ince ayarlar gereklidir.
• Yüksek etiketleme çabası: Örnek segmentasyonu modellerini eğitmek, veri hazırlama sürecindeki zamanı ve maliyeti önemli ölçüde artıran ayrıntılı piksel düzeyinde açıklamalar gerektirir.

Link to this sectionÖne çıkanlar#

Örnek segmentasyonu, birbiriyle çakıştıklarında bile bireysel nesneleri hassasiyetle ayırt etmeyi mümkün kılar. Nesne sınırlarını piksel düzeyinde yakalayarak, nesne algılama gibi geleneksel bilgisayarlı görü görevlerine kıyasla görsel verilerin daha derinlemesine anlaşılmasını sağlar.

Bilgisayarlı görüdeki son gelişmeler, örnek segmentasyonunu daha hızlı ve kullanımı daha kolay hale getirdi. Özellikle Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, süreci basitleştirerek minimal kurulumla gerçek zamanlı segmentasyonu mümkün kılıyor ve çeşitli sektörler ve uygulamalar için daha erişilebilir hale getiriyor.

Yapay zeka hakkında meraklı mısın? GitHub depomuzu ziyaret et ve keşfetmeye devam etmek için topluluğumuzla bağlantı kur. Kendi kendine giden arabalarda yapay zeka ve tarımda vision AI gibi yenilikler hakkında bilgi edinmek için çözüm sayfalarımıza göz at. Lisanslama seçeneklerimize bak ve bir bilgisayarlı görü projesine başla!