"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Çerez Ayarları
"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Örnek segmentasyonunun ne olduğuna, nasıl çalıştığına, çeşitli bilgisayarlı görü uygulamalarındaki kullanımına ve yaratabileceği etkiye yakından bakarken bize katılın.
Bilgisayarlı görü uygulamaları, trafik kameralarının yol koşullarını izlemesinden mağazalardaki self-checkout sistemlerine kadar günlük hayatımızda giderek daha yaygın hale geliyor. Makinelerin görsel verileri insanlar gibi anlamasını sağlayarak, Vision AI çeşitli sektörlerde etki yaratıyor.
Bu uygulamaların çoğu, görüntülerdeki temel nesnelerin etrafına sınırlayıcı kutular yerleştiren bir bilgisayarlı görme görevi olan nesne algılamaya dayanır. Bu yaklaşım genellikle iyi işe yarasa da, bazı görüntü analizi çözümlerinin daha da yüksek hassasiyete ihtiyacı vardır.
Örneğin, tıbbi görüntüleme, sadece bir tümörü tespit etmekten daha fazlasını gerektirir - tam şeklini belirtmek çok önemlidir. Benzer şekilde, robotikte makinelerin doğru bir şekilde kavramak için bir nesnenin tam hatlarını tanıması gerekir. Bu zorlukların üstesinden gelmek için, örnek segmentasyonu daha kesin bir çözüm sunar.
Örnek bölütleme, nesneleri algılamanın yeterli olmadığı kullanım durumlarını desteklemek için tasarlanmış bir bilgisayarla görme görevidir ve piksel düzeyinde doğruluk sağlar. Ultralytics YOLO11 gibi bilgisayarla görme modelleri, görüntülere ve videolara kolayca örnek bölütleme uygulamak için kullanılabilir.
Şekil 1. Örnek olay bölütleme için YOLO11 kullanımına bir örnek.
Bu kılavuzda, örnek segmentasyonunun nasıl çalıştığını, uygulamalarını ve Ultralytics YOLO11'in belirli segmentasyon görevleri için nasıl özel olarak eğitilebileceğini ayrıntılı olarak açıklayacağız.
Örnek segmentasyonu nedir?
Diyelim ki yan yana duran insanların bir grup fotoğrafı var. Nesne tespiti, her kişinin etrafına kutular çizmeye yardımcı olabilir, ancak bu size onların tam şeklini söylemez.
Örnek segmentasyonu ise, her bir kişinin etrafını dikkatlice çizmeye benzer, böylece üst üste gelseler bile tüm hatlarını görebilirsiniz. Sadece bir şeyin nerede olduğunu bir kutu ile işaretlemek yerine, her nesnenin tam şeklini piksel düzeyinde tanımlar, bu da karmaşık görüntüleri anlamayı kolaylaştırır.
Sonuç, bir nesnenin şeklini dolduran, 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 segmentasyonunu desteklemesinin gösterimi.
Örnek bölütleme - semantik bölütleme karşılaştırması
Örnek segmentasyonunu (instance segmentation) incelerken, semantik segmentasyon kavramıyla karşılaşabilirsiniz.
Her iki teknik de bilgisayarların görüntüleri piksel düzeyinde anlamasına yardımcı olur, ancak farklı amaçlara hizmet ederler. Semantik segmentasyon, her pikseli kategorisine göre etiketler ve aynı türdeki tüm nesneleri bir araya getirir. Örneğin, birden fazla araba içeren bir görüntüde, semantik segmentasyon bunların hepsini tek tek araçlar arasında ayrım yapmadan "araba" olarak işaretler.
Öte yandan, örnek segmentasyonu her nesneyi ayrı ayrı tanımlayarak bir adım daha ileri gider. Her bir örneğe benzersiz etiketler atar ve şekillerinin etrafında hassas maskeler oluşturur. Yani aynı görüntüde, örnek segmentasyonu her şeyi sadece "araba" olarak etiketlemekle kalmaz, aynı zamanda her bir arabayı ayrı ayrı tanır ve ana hatlarını çizer.
İkisi arasındaki temel fark, semantik segmentasyonun nesneleri kategoriye göre gruplandırması, örnek segmentasyonunun ise her nesneyi net sınırları olan benzersiz bir varlık olarak ayırt etmesidir. Hangi görevin kullanılacağını seçmek, belirli uygulamaya bağlıdır; bir görüntüde ne olduğunu bilmek yeterli mi, yoksa tek tek nesneler arasında ayrım yapmak önemli mi?
Şekil 3. Örnek segmentasyonu ve semantik segmentasyon (sırasıyla sağ ve sol).
Popüler örnek segmentasyon modelleri
Günümüzde Vision AI topluluğunun kullanımına sunulmuş çeşitli örnek segmentasyon modelleri bulunmaktadır. Bazıları daha hızlı, bazıları daha doğru ve bazıları ise daha kolay kullanılabilir.
Yararlı olsa da bu seçenekler, belirli bir görev için hangisinin doğru olduğu sorusunu gündeme getirebilir. Seçenekler arasında, Ultralytics YOLO modelleri hız ve doğruluğa odaklandıkları için oldukça popülerdir.
Ayrıca, bu modeller yıllar içinde önemli ölçüde gelişti. Örneğin, Ultralytics YOLOv5, PyTorch gibi çerçeveleri kullanarak dağıtımı basitleştirerek, derin teknik uzmanlık gerektirmeden daha geniş bir kitlenin gelişmiş Görüntü İşleme Yapay Zekasına erişmesini sağladı.
Bu başarıyı temel alarak, Ultralytics YOLOv8, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırması gibi bilgisayarla görme görevleri için gelişmiş destek sundu.
YOLO11, performansı yeni bir seviyeye taşıyor. YOLOv8m'den %22 daha az parametreyle COCO veri setinde daha yüksek bir ortalama hassasiyet (mAP) elde ediyor, yani daha az kaynak kullanarak nesneleri daha hassas bir şekilde tanıyabiliyor.
Basitçe söylemek gerekirse, YOLO11 verimlilikten ödün vermeden en üstün doğruluğu sunarak alanında oyunun kurallarını değiştiriyor.
Örnek segmentasyonunun nasıl çalıştığını anlama
Şimdi, örnek segmentasyonunun tipik olarak nasıl çalıştığını inceleyelim. Daha eski bilgisayarla görme modelleri iki adımlı bir yaklaşım kullanır.
İlk olarak, nesnelerin etrafına sınırlayıcı kutular çizerek nesneleri algılarlar. Ardından, her nesnenin tam şeklini ana hatlarıyla belirtmek için piksel düzeyinde bir maske oluştururlar. İyi bilinen bir örnek, bir maske tahmin adımı ekleyerek nesne algılama modelleri üzerine inşa edilen Mask R-CNN'dir. Bu yöntem etkili olsa da, görüntüyü birden çok aşamada işlediği için yavaş olabilir ve gerçek zamanlı uygulamaları daha zor hale getirir.
Bu arada, YOLO11 gibi modeller görüntüleri tek seferde işleyerek, nesne sınırlayıcı kutularını ve örnek segmentasyon maskelerini aynı anda tahmin eder. Bu aerodinamik 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.
Örnek segmentasyonu için özel eğitim YOLO11
YOLO11, kullanıma hazır, önceden eğitilmiş bir model olarak gelir. Örnek segmentasyonu için günlük nesneleri kapsayan COCO-Seg veri kümesi üzerinde eğitilmiştir. Ancak, Ultralytics Python paketi, benzersiz nesnelerin segmentlere ayrılması gereken özel uygulamalar için gerekli olan özel eğitimi destekler.
Özel eğitim veya bir modele ince ayar yapmak neden önemlidir? Özel eğitim, önceden eğitilmiş modellerde zaten yerleşik olan bilgiden yararlanarak transfer öğrenimini kullanır. Sıfırdan başlamak yerine, mevcut bir modeli daha küçük veri kümeleri ve daha az bilgi işlem kaynağı kullanarak yeni görevlere uyarlar ve tüm bunları yüksek doğruluğu koruyarak yapar.
YOLO11 nasıl özel olarak eğitilir
İşte YOLO11'i örnek segmentasyonu için ince ayar yapma adımlarına daha yakından bir bakış:
Veri hazırlığı: Görüntüleri belirli uygulamanıza göre toplayın ve etiketleyin. Ultralytics, birden çok görüntü veri kümesi için destek sağlar, ancak görüntüleri ve etiketleri gerekli YOLO formatında hazırlayarak kendi veri kümenizi kullanarak da eğitim yapabilirsiniz.
Önceden eğitilmiş bir model kullanma: Sıfırdan başlamak yerine, önceden eğitilmiş bir Ultralytics YOLO11 modeli kullanın.
Model eğitimi: Batch boyutu (iterasyon başına işlenen resimler), resim boyutu (hedef giriş çözünürlüğü) ve epoch sayısı (toplam eğitim döngüsü) gibi hayati eğitim ayarlarını ayarlayın ve modeli eğitin.
Performans değerlendirmesi: Model eğitimi tamamlandıktan sonra, modelin doğruluğunu mAP gibi performans metriklerini kullanarak test edebilirsiniz. Ultralytics Python paketi ayrıca model değerlendirmesi için yerleşik fonksiyonlar sağlar.
YOLO11 tarafından etkinleştirilen örnek bölütleme uygulamaları
Örnek bölütleme, makinelerin nesneleri daha doğru bir şekilde görmesine ve anlamasına yardımcı olarak gerçek dünya zorluklarını çözmek için kullanılabilir. Otomasyonu geliştirmekten çevreyi korumaya kadar birçok alanda önemli bir rol oynar. Nerelerde etkili olduğuna dair bazı örneklere göz atalım.
YOLO11 kullanarak inşaat sahası güvenliği ve takibi
Örnek bölütleme, şantiyelerde güvenlik ve verimliliğin sağlanmasında kritik bir rol oynayabilir. Örneğin, ağır makineleri izlemek için kullanılabilir.
YOLO11, vinçler, ekskavatörler ve buldozerler gibi farklı ekipman türlerini doğru bir şekilde bölümlere ayırmak ve tanımlamak ve konumlarını gerçek zamanlı olarak izlemek için ince ayar yapılabilir. Bu, saha yöneticilerinin makinelerin kesinlikle belirlenmiş alanlarda çalıştığından ve işçilerin bulunduğu veya tehlikelerin bulunduğu bölgelere girmediğinden emin olmalarını sağlar.
Ayrıca, bu tür çözümlerin gerçek zamanlı uyarı sistemleriyle entegre edilmesi, hızlı düzeltici eylemlerin alınmasını sağlar. Bunun ötesinde, toplanan içgörüler, saha yerleşimini ve iş akışını optimize etmeye yardımcı olarak riskleri daha da azaltır ve üretkenliği artırır.
Şekil 5. YOLO11 kullanarak ağır makineleri izleme.
Segmentasyon ve YOLO11 ile hayvan takibi
Hayvan davranışlarını izleme, araştırmacıların, çiftçilerin ve doğa korumacılarının farklı ortamlardaki hayvanlarla daha iyi ilgilenmelerine yardımcı olur. Örnek segmentasyonu, çiftliklerdeki, hayvanat bahçelerindeki ve doğal yaşam alanlarındaki bireysel hayvanları tanımlayarak ve bölümlere ayırarak bu sistemlerde faydalı bir rol oynar. Sınırlayıcı kutular kullanan geleneksel nesne tespitinden farklı olarak, örnek segmentasyonu, hayvanlar birbirine yakın olduğunda özellikle yararlı olan her hayvanın piksel düzeyinde bir tanımını sağlar.
Ayrıntılı segmentasyon, hareketlerin ve davranışların daha doğru bir şekilde izlenmesini kolaylaştırır. Örtüşen veya birbirine yakın kümelenmiş hayvanlar belirgin bir şekilde tanınabilir ve etkileşimlerin, sağlık değerlendirmelerinin ve aktivite modellerinin daha kesin bir analizini sağlar. Genel olarak, hayvan davranışına ilişkin daha derin içgörüler, hayvan bakımı ve yönetim uygulamalarını geliştirir.
Şekil 6. Örnek segmentasyonu kullanılarak sığırların izlenmesi.
Spor analitiği ve oyuncu takibi için YOLO11
Hassas oyuncu ve olay takibi, spor analizinin büyük bir parçasıdır. Geleneksel izleme yöntemleri, ayrıntılı etkileşimleri yakalayamayan manuel etiketlemeye dayanır. Bilgisayarlı görü, ayrıntılı analizler elde etmek için her oyuncu, top ve önemli olay gibi detayları piksel düzeyinde bölümlere ayırmak için kullanılabilir.
Örneğin, örnek segmentasyonu, her oyuncuyu ve nesneyi net bir şekilde ayırarak faul veya top dışı olaylar gibi olayları tespit etmeye yardımcı olabilir. YOLO11 gibi modeller tarafından sağlanan bu ayrıntılı izleme, analistlere hareket kalıplarını, mekansal konumlandırmayı ve etkileşimleri yüksek doğrulukla incelemek için daha net bilgiler sunar. Bu bilgilerin temel bir faydası, takımların stratejilerini geliştirmelerine ve genel performansı artırmalarına yardımcı olmalarıdır.
Örnek segmentasyonunun (instance segmentation) artıları ve eksileri
İşte örnek segmentasyonun çeşitli sektörlere sağlayabileceği temel faydalardan bazıları:
Geliştirilmiş otomasyon: Kalite kontrolü ve güvenlik izlemesi gibi görevleri otomatikleştirerek, örnek segmentasyonu manuel müdahale ihtiyacını azaltır ve insan hatasını en aza indirir.
Daha iyi sahne anlama: Her nesneyi doğru bir şekilde ana hatlarıyla belirterek, örnek segmentasyonu karmaşık sahnelerin daha derinlemesine anlaşılmasına katkıda bulunur ve daha bilinçli karar vermeyi 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 vurgularken, uygulanmasında yer alan zorlukları da dikkate almak önemlidir.
İşte örnek segmentasyonun temel sınırlamalarından bazıları:
Şeffaflıkla ilgili zorluklar: Cam ve su gibi şeffaf veya yansıtıcı nesneleri bölümlere ayırmak zordur ve bu da yanlış sınırlara yol açar.
Bakım maliyeti: Modellerin doğru ve alakalı kalması için, çevresel koşullar ve veri kümeleri değiştikçe sürekli güncellemeler ve ince ayarlar yapmak gerekir.
Yüksek etiketleme çabası: Örnek segmentasyon modellerini eğitmek, ayrıntılı piksel düzeyinde etiketleme gerektirir, bu da veri hazırlığında harcanan zamanı ve maliyeti önemli ölçüde artırır.
Önemli çıkarımlar
Örnek bölütleme, üst üste gelseler bile, tek tek nesneleri hassas bir şekilde ayırt etmeyi mümkün kılar. Nesne sınırlarını piksel düzeyinde yakalayarak, nesne algılama gibi geleneksel bilgisayarla görme görevlerine kıyasla görsel verilerin daha derinlemesine anlaşılmasını sağlar.
Bilgisayar görüşündeki son gelişmeler, örnek segmentasyonunu daha hızlı ve kullanımı daha kolay hale getirdi. Özellikle, Ultralytics YOLO11 gibi bilgisayar görüşü modelleri, süreci basitleştirerek çeşitli endüstriler ve uygulamalar için daha erişilebilir hale getirerek minimum kurulumla gerçek zamanlı segmentasyon sağlıyor.
