Örnek bölütleme nedir? Kısa bir rehber

Trafik kameralarının yol koşullarını izlemesinden mağazalardaki kasasız ödeme sistemlerine kadar bilgisayarlı görü uygulamaları günlük yaşamımızda giderek daha yaygın hâle geliyor. Makinelerin görsel verileri insanlar gibi anlamasını sağlayan görme yapay zekâsı, birçok sektörde fark yaratıyor.

Bu uygulamaların çoğu, görüntülerdeki önemli nesnelerin çevresine sınırlayıcı kutular çizen bir bilgisayarlı görü görevi olan nesne algılamaya dayanır. Bu yaklaşım çoğu zaman işe yarasa da bazı görüntü analizi çözümleri daha da yüksek hassasiyet gerektirir.

Örneğin, tıbbi görüntüleme yalnızca bir tümörü algılamaktan fazlasını gerektirir; tümörün tam şeklini belirlemek çok önemlidir. Benzer şekilde, robotikte makinelerin bir nesneyi doğru şekilde kavrayabilmesi için nesnenin hatlarını tam olarak tanıması gerekir. Bu zorlukları aşmak için örnek segmentasyonu daha hassas bir çözüm sunar.

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

Şekil 1. Örnek segmentasyonu için YOLO11 kullanımına örnek.

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

Örnek segmentasyonu nedir?#

Birbirine yakın duran insanların olduğu bir grup fotoğrafı olduğunu düşün. Nesne algılama her kişinin çevresine kutular çizmeye yardımcı olabilir, ancak bu sana kişilerin tam şeklini göstermez.

Öte yandan örnek segmentasyonu, kişiler üst üste gelse bile her birinin tüm dış hatlarını görebilmen için çevrelerini dikkatlice çizmek gibidir. Bir şeyin nerede olduğunu yalnızca bir kutuyla işaretlemek yerine, her nesnenin tam şeklini piksel düzeyinde belirleyerek karmaşık görüntüleri anlamayı kolaylaştırır.

Sonuçta nesnenin şeklini dolduran ve hangi piksellerin nesneye ait olduğunu tam olarak belirleyen ayrıntılı bir maske elde edilir. Bu hassasiyet düzeyi, nesnelerin tam şeklini ve sınırlarını anlamanın önemli olduğu birçok gerçek dünya uygulamasında işe yarar.

Şekil 2. Ultralytics YOLO11'in örnek segmentasyonu desteği gösteriliyor.

Örnek segmentasyonu ve anlamsal segmentasyon#

Örnek segmentasyonunu incelerken anlamsal segmentasyon kavramıyla karşılaşabilirsin.

Her iki teknik de bilgisayarların görüntüleri piksel düzeyinde anlamasına yardımcı olur, ancak farklı amaçlara hizmet eder. Anlamsal segmentasyon her pikseli kategorisine göre etiketler ve aynı türdeki tüm nesneleri bir grupta toplar. Örneğin, birden fazla arabanın bulunduğu görüntüde anlamsal segmentasyon, araçları birbirinden ayırmadan hepsini "araba" olarak işaretler.

Öte yandan örnek segmentasyonu, her nesneyi ayrı ayrı belirleyerek bir adım daha ileri gider. Tek tek örneklere benzersiz etiketler atar ve şekillerinin çevresinde hassas maskeler oluşturur. Dolayısıyla aynı görüntüde örnek segmentasyonu her şeyi yalnızca "araba" olarak etiketlemez; her arabayı ayrı ayrı tanır ve dış hatlarını belirler.

İki yöntem arasındaki temel fark, anlamsal segmentasyonun nesneleri kategorilerine göre gruplandırması, örnek segmentasyonunun ise her nesneyi belirgin sınırlara sahip benzersiz bir varlık olarak ayırt etmesidir. Hangi görevin kullanılacağı, görüntüde ne olduğunu bilmenin yeterli olup olmadığına ya da tek tek nesneleri birbirinden ayırmanın önemli olup olmadığına bağlı olarak uygulamaya göre değişir.

Projenin hangi göreve ihtiyaç duyduğuna karar vermek için anlamsal ve örnek segmentasyonu: nasıl seçim yapılır sayfasına göz at.

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

Popüler örnek segmentasyonu modelleri#

Günümüzde görü yapay zekâ topluluğunun kullanabileceği çeşitli örnek segmentasyonu modelleri var. Bazıları daha hızlı, bazıları daha hassas, bazılarıysa daha kolay kullanılıyor.

Bu seçenekler yararlı olsa da belirli bir görev için hangisinin doğru olduğu sorusunu gündeme getiriyor. Seçenekler arasında Ultralytics YOLO modelleri, hız ve doğruluğa odaklanmaları nedeniyle oldukça popüler.

Ayrıca bu modeller yıllar içinde önemli ölçüde gelişti. Örneğin Ultralytics YOLOv5, PyTorch gibi çerçeveleri kullanarak dağıtımı basitleştirdi ve ileri düzey teknik uzmanlık gerektirmeden gelişmiş görü yapay zekâsını daha geniş kitlelere erişilebilir kıldı.

Bu başarıyı temel alan Ultralytics YOLOv8, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırması gibi bilgisayarlı görü görevleri için geliştirilmiş destek sundu.

Ultralytics YOLO11, sonrasında yerini Ultralytics YOLO26'ya bırakarak performansı bir adım ileri taşıdı. YOLOv8m'den %22 daha az parametre kullanırken COCO veri kümesinde daha yüksek ortalama hassasiyet (mAP) elde ediyor; yani daha az kaynakla nesneleri daha hassas tanıyabiliyor.

Şekil 4. YOLO11'in kıyaslama sonuçları.

Basitçe söylemek gerekirse Ultralytics YOLO11, verimlilikten ödün vermeden en gelişmiş doğruluğu sunuyor.

Örnek segmentasyonunun nasıl çalıştığını anlama#

Şimdi, örnek bölütlemenin genellikle nasıl çalıştığını inceleyelim. Daha eski bilgisayarlı görü modelleri iki aşamalı bir yaklaşım kullanır.

Önce nesneleri çevreleyen sınırlayıcı kutular çizerek algılarlar. Ardından her nesnenin şeklini tam olarak belirten piksel düzeyinde bir maske oluştururlar. Bunun bilinen bir örneği, maske tahmini adımı ekleyerek nesne algılama modellerini temel alan Mask R-CNN'dir. Bu yöntem etkili olsa da görüntüyü birden fazla aşamada işlediğinden yavaş olabilir ve gerçek zamanlı uygulamaları zorlaştırabilir.

Bu sırada Ultralytics YOLO11 gibi modeller görüntüleri tek seferde işler; nesne sınırlayıcı kutularını ve örnek segmentasyonu maskelerini eşzamanlı olarak tahmin eder. Bu yalın yaklaşım, yüksek doğruluğu korurken işlemi çok daha hızlı hâle getirir. Bu nedenle hız ve hassasiyetin önemli olduğu otonom sürüş, video analizi ve robotik gibi gerçek zamanlı uygulamalarda özellikle kullanışlıdır.

Örnek segmentasyonu için Ultralytics YOLO11'i özel olarak eğitme#

YOLO11, kutudan çıktığı hâliyle bir önceden eğitilmiş model olarak sunulur. Örnek bölütleme için gündelik nesneleri kapsayan COCO-Seg veri kümesi üzerinde eğitilmiştir. Bununla birlikte Ultralytics Python paketi, benzersiz nesnelerin bölütlenmesi gereken özel uygulamalar için vazgeçilmez olan özel eğitimi destekler.

Bir modeli özel olarak eğitmek veya ince ayar yapmak neden önemlidir? Özel eğitim, önceden eğitilmiş modellerde zaten bulunan bilgilerden yararlanarak aktarım öğrenmesini kullanır. Sıfırdan başlamak yerine mevcut bir modeli daha küçük veri kümeleri ve daha az hesaplama kaynağı kullanarak yeni görevlere uyarlar ve bunu yaparken yüksek doğruluğu korur.

Ultralytics YOLO11 nasıl özel olarak eğitilir?#

Örnek bölütleme için Ultralytics YOLO11'e ince ayar yapma adımlarını daha yakından inceleyelim:

• Veri hazırlama: Görüntüleri belirli uygulamana göre topla ve etiketle. Ultralytics, birden fazla görüntü veri kümesi için destek sunar; ancak gerekli YOLO biçiminde görüntüler ve açıklamalar hazırlayarak kendi veri kümenle de eğitim yapabilirsin.
• Önceden eğitilmiş model kullanımı: Sıfırdan başlamak yerine önceden eğitilmiş bir Ultralytics YOLO11 modeli kullan.
• Model eğitimi: Yığın boyutu (her yinelemede işlenen görüntü sayısı), görüntü boyutu (hedef giriş çözünürlüğü) ve epoch sayısı (toplam eğitim döngüsü) gibi önemli eğitim ayarlarını düzenle ve modeli eğit.
• Performans değerlendirmesi: Model eğitimi tamamlandıktan sonra mAP gibi performans ölçütlerini kullanarak modelin doğruluğunu test edebilirsin. Ultralytics Python paketi, model değerlendirmesi için yerleşik işlevler de sunar.

Ultralytics YOLO11'in desteklediği örnek segmentasyonu uygulamaları#

Örnek segmentasyonu, makinelerin nesneleri daha doğru görüp anlamasına yardımcı olarak gerçek dünya sorunlarının çözümünde kullanılabilir. Otomasyonu iyileştirmekten çevreyi korumaya kadar birçok alanda önemli bir rol oynar. Şimdi etkili olduğu bazı örneklere göz atalım.

Ultralytics YOLO11 ile şantiyelerde güvenlik ve izleme#

Örnek segmentasyonu, şantiyelerde güvenliği ve verimliliği sağlamanın önemli bir parçası olabilir. Örneğin, ağır iş makinelerini izlemek için kullanılabilir.

Ultralytics YOLO11; vinç, ekskavatör ve buldozer gibi farklı ekipman türlerini doğru şekilde segmentlere ayırmak ve tanımlamak, ayrıca konumlarını gerçek zamanlı olarak izlemek için ince ayarlanabilir. Bu sayede şantiye yöneticileri, makinelerin yalnızca belirlenmiş alanlarda çalışmasını ve çalışanların bulunduğu ya da tehlikelerin yer aldığı bölgelere girmemesini sağlayabilir.

Ayrıca bu tür çözümleri gerçek zamanlı uyarı sistemleriyle bütünleştirmek, düzeltici önlemlerin hızla alınmasını sağlar. Bunun yanı sıra toplanan veriler, şantiye yerleşimini ve iş akışını iyileştirmeye yardımcı olarak riskleri daha da azaltabilir ve verimliliği artırabilir.

Şekil 5. Ultralytics YOLO11 ile ağır iş makinelerinin izlenmesi.

Segmentasyon ve Ultralytics YOLO11 ile hayvan izleme#

Hayvan davranışlarının izlenmesi, araştırmacıların, çiftçilerin ve doğa koruma uzmanlarının farklı ortamlardaki hayvanlara daha iyi bakmasına yardımcı olur. Örnek segmentasyonu; çiftliklerdeki, hayvanat bahçelerindeki ve doğal yaşam alanlarındaki hayvanları tek tek tanımlayıp segmentlere ayırarak bu sistemlerde yararlı bir rol oynar. Sınırlayıcı kutular kullanan geleneksel nesne algılamadan farklı olarak örnek segmentasyonu, her hayvanın piksel düzeyinde sınırlarını belirler; bu da özellikle hayvanlar birbirine yakın olduğunda işe yarar.

Ayrıntılı bölütleme, hareketlerin ve davranışların daha doğru izlenmesini sağlar. Üst üste binen veya birbirine yakın kümelenmiş hayvanlar birbirinden ayırt edilebilir; bu da etkileşimlerin, sağlık değerlendirmelerinin ve etkinlik örüntülerinin daha hassas analizini mümkün kılar. Genel olarak hayvan davranışlarına ilişkin daha derin içgörüler, hayvan bakımı ve yönetimi uygulamalarını geliştirir.

Şekil 6. Örnek segmentasyonu kullanarak sığırların izlenmesi.

Ultralytics YOLO11 ile spor analitiği ve oyuncu takibi#

Oyuncuları ve olayları hassas biçimde izlemek, spor analizinin büyük bir parçasıdır. Geleneksel takip yöntemleri, ayrıntılı etkileşimleri yakalayamayabilecek elle etiketlemeye dayanır. Her oyuncu, top ve önemli olay gibi ayrıntıları piksel düzeyinde segmentlere ayırıp kapsamlı bilgiler elde etmek için bilgisayarlı görü kullanılabilir.

Örneğin, örnek segmentasyonu her oyuncuyu ve nesneyi net şekilde ayırarak fauller veya topsuz alandaki olaylar gibi durumları algılamaya yardımcı olabilir. Ultralytics YOLO11 gibi modellerin sağladığı bu ayrıntılı izleme, analistlere hareket örüntülerini, mekânsal konumları ve etkileşimleri yüksek doğrulukla inceleyebilmeleri için daha net bilgiler sunar. Bu bilgilerin önemli bir yararı, takımların stratejilerini geliştirmelerine ve genel performanslarını artırmalarına yardımcı olmasıdır.

Örnek segmentasyonunun artıları ve eksileri#

Örnek segmentasyonunun çeşitli sektörlere sağlayabileceği başlıca avantajlardan bazıları şunlardır:

• Gelişmiş otomasyon: Örnek segmentasyonu, kalite kontrolü ve güvenlik izleme gibi görevleri otomatikleştirerek elle müdahale ihtiyacını azaltır ve insan hatasını en aza indirir.
• Daha iyi sahne anlama: Örnek segmentasyonu, her nesnenin dış hatlarını doğru şekilde belirleyerek karmaşık sahnelerin daha iyi anlaşılmasına katkıda bulunur ve daha bilinçli kararlar alınmasını destekler.
• Verimli son işleme: Piksel düzeyindeki çıktı; arka planı kaldırma, nesneleri sayma ve mekânsal analiz gibi görevleri basitleştirerek ek işleme adımlarına duyulan ihtiyacı azaltır.

Bu avantajlar örnek segmentasyonunun farklı kullanım senaryolarını nasıl etkilediğini gösterse de uygulamaya koymanın getirdiği zorlukları da göz önünde bulundurmak gerekir.

Örnek segmentasyonunun başlıca sınırlamalarından bazıları şunlardır:

• Şeffaflıkla ilgili zorluklar: Cam ve su gibi şeffaf veya yansıtıcı nesneleri segmentlere ayırmak zordur ve hatalı sınırlara yol açabilir.
• Bakım yükü: Modellerin doğruluğunu ve güncelliğini korumak için çevresel koşullar ve veri kümeleri değiştikçe sürekli güncelleme ve ince ayar yapmak gerekir.
• Yüksek etiketleme çabası: Örnek segmentasyonu modellerini eğitmek için ayrıntılı, piksel düzeyinde etiketler gerekir. Bu da veri hazırlığı için gereken süreyi ve maliyeti önemli ölçüde artırır.

Önemli çıkarımlar#

Örnek segmentasyonu, nesneler üst üste gelse bile tek tek nesnelerin hassas biçimde ayırt edilmesini sağlar. Nesne sınırlarını piksel düzeyinde yakalayarak nesne algılama gibi geleneksel bilgisayarlı görü görevlerine kıyasla görsel verilerin daha derinlemesine anlaşılmasını sağlar.

Bilgisayarlı görü alanındaki son gelişmeler, örnek segmentasyonunu daha hızlı ve kullanımı daha kolay hâle getirdi. Özellikle Ultralytics YOLO11 gibi bilgisayarlı görü modelleri süreci basitleştirerek çok az kurulumla gerçek zamanlı segmentasyon yapılmasını sağlar ve bu teknolojiyi çeşitli sektörler ile uygulamalar için daha erişilebilir kılar.

Yapay zekâyı merak ediyor musun? Keşfetmeye devam etmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözüm sayfalarımızda otonom araçlarda yapay zekâ ve tarımda görü yapay zekâ gibi yenilikler hakkında bilgi edin. Lisans seçeneklerimize göz at ve bir bilgisayarlı görü projesine başla!