Örnek bölütleme nedir? Hızlı bir rehber

Bilgisayarlı görü uygulamaları, yol koşullarını izleyen trafik kameralarından mağazalardaki self-servis ödeme sistemlerine kadar günlük yaşamımızda giderek yaygınlaşıyor. Makinelerin görsel verileri insanlara benzer şekilde anlamasını sağlayan görsel yapay zekâ, çeşitli sektörlerde etkisini gösteriyor.

Bu uygulamaların çoğu, görüntülerdeki önemli nesnelerin etrafına sınırlayıcı kutular yerleştiren bir bilgisayarlı görü görevi olan nesne algılamaya dayanır. Bu yaklaşım çoğu zaman iyi çalışsa da bazı görüntü analizi çözümleri daha yüksek hassasiyet gerektirir.

Örneğin tıbbi görüntüleme, yalnızca bir tümörü algılamaktan fazlasını gerektirir; tümörün tam şeklini ana hatlarıyla belirtmek kritik önem taşır. Benzer şekilde robotikte, makinelerin bir nesneyi doğru şekilde kavrayabilmesi için nesnenin kesin hatlarını tanıması gerekir. Örnek segmentasyonu, bu zorlukların üstesinden gelmek için daha hassas bir çözüm sunar.

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

Şek. 1 YOLO11 ile örnek segmentasyonu kullanımına örnek.

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

Örnek segmentasyonu nedir?#

Birbirine yakın duran insanların bulunduğu bir grup fotoğrafı olduğunu varsayalım. Nesne algılama, her kişinin etrafına kutular çizilmesine yardımcı olabilir; ancak bu, kişilerin tam şeklini göstermez.

Örnek segmentasyonu ise her kişinin etrafını dikkatlice izleyerek, kişiler üst üste gelse bile tam hatlarını görmeye benzer. Bir şeyin nerede olduğunu yalnızca bir kutuyla işaretlemek yerine, her nesnenin kesin şeklini piksel düzeyinde belirler ve karmaşık görüntülerin anlaşılmasını kolaylaştırır.

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

Şek. 2. Ultralytics YOLO11'in örnek segmentasyonu desteğinin gösterimi.

Örnek segmentasyonu ve anlamsal segmentasyon karşılaştırması#

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 birlikte gruplandırır. Örneğin birden fazla arabanın bulunduğu bir görüntüde anlamsal segmentasyon, araçları birbirinden ayırmadan hepsini "araba" olarak işaretler.

Örnek segmentasyonu ise her nesneyi ayrı ayrı belirleyerek bir adım daha ileri gider. Tek tek örneklere benzersiz etiketler atar ve şekillerinin etrafında hassas maskeler oluşturur. Dolayısıyla aynı görüntüde örnek segmentasyonu her şeyi yalnızca "araba" olarak etiketlemekle kalmaz, her arabayı ayrı ayrı tanır ve ana hatlarını belirler.

İkisi arasındaki temel fark, anlamsal segmentasyonun nesneleri kategorilerine göre gruplandırması, örnek segmentasyonunun ise her nesneyi net sınırlara sahip benzersiz bir varlık olarak ayırt etmesidir. Hangi görevin kullanılacağı, belirli uygulamaya bağlıdır: Bir görüntüde ne olduğunu bilmek yeterli mi, yoksa tek tek nesneleri birbirinden ayırmak önemli mi?

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

Popüler örnek segmentasyonu modelleri#

Günümüzde görsel yapay zekâ topluluğunun kullanımına sunulan çeşitli örnek segmentasyonu modelleri vardır. Bazıları daha hızlı, bazıları daha doğru, bazıları ise daha kolay kullanılır.

Bu seçenekler yararlı olsa da 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 framework'leri kullanarak dağıtımı basitleştirdi ve ileri düzey teknik uzmanlık gerektirmeden gelişmiş görsel yapay zekâyı daha geniş bir kitle için erişilebilir hâle getirdi.

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

Şimdi Ultralytics YOLO11 performansı yeni bir seviyeye taşıyor. COCO veri kümesinde YOLOv8m'den %22 daha az parametreyle daha yüksek ortalama kesinlik (mAP) elde ediyor; bu da daha az kaynak kullanırken nesneleri daha hassas tanıyabildiği anlamına geliyor.

Şek. 4 YOLO11 karşılaştırmalı değerlendirmesi.

Basitçe söylemek gerekirse Ultralytics YOLO11, verimlilikten ödün vermeden son teknoloji doğruluk sunarak bu alanda ezber bozuyor.

Örnek segmentasyonunun nasıl çalıştığını anlama#

Şimdi örnek segmentasyonunun genellikle nasıl çalıştığını inceleyelim. Eski bilgisayarlı görü modelleri iki aşamalı bir yaklaşım kullanır.

Önce nesnelerin etrafına sınırlayıcı kutular çizerek nesneleri algılarlar. Ardından her nesnenin kesin şeklini ana hatlarıyla belirtmek için piksel düzeyinde bir maske oluştururlar. Bunun bilinen bir örneği, maske tahmini adımı ekleyerek nesne algılama modelleri üzerine kurulan Mask R-CNN'dir. Bu yöntem etkili olsa da görüntüyü birden fazla aşamada işlediği için yavaş olabilir; bu da gerçek zamanlı uygulamaları daha zorlu hâle getirir.

Buna karşılık Ultralytics YOLO11 gibi modeller görüntüleri tek seferde işler ve nesne sınırlayıcı kutuları ile örnek segmentasyonu maskelerini eş zamanlı olarak tahmin eder. Bu yalınlaştırılmış yaklaşım, yüksek doğruluğu korurken modeli çok daha hızlı hâle getirir. Sonuç olarak hız ve hassasiyetin kritik olduğu otonom sürüş, video analizi ve robotik gibi gerçek zamanlı uygulamalar için özellikle kullanışlıdır.

Örnek segmentasyonu için Ultralytics YOLO11'i özel olarak eğitme#

YOLO11, kutudan çıktığı hâliyle önceden eğitilmiş bir model olarak gelir. Örnek segmentasyonu için günlük nesneleri kapsayan COCO-Seg veri kümesi üzerinde eğitilmiştir. Bununla birlikte Ultralytics Python paketi, benzersiz nesnelerin segmentlere ayrılması gereken uzmanlaşmış uygulamalar için kritik olan özel eğitimi destekler.

Bir modeli özel olarak eğitmek veya ince ayarını yapmak neden önemlidir? Özel eğitim, önceden eğitilmiş modellerde zaten bulunan bilgiyi temel alarak transfer öğrenmeden yararlanır. Sıfırdan başlamak yerine mevcut bir modeli daha küçük veri kümeleri ve daha az bilgi işlem kaynağı kullanarak yeni görevlere uyarlar ve bunu yüksek doğruluğu koruyarak yapar.

Ultralytics YOLO11 özel olarak nasıl eğitilir?#

Ultralytics YOLO11'e örnek segmentasyonu için ince ayar yapmak üzere izlenen adımlara daha yakından bakalım:

• Veri hazırlama: Belirli uygulamana göre görüntüleri topla ve açıklama ekle. Ultralytics birden fazla görüntü veri kümesini destekler; ancak gerekli YOLO formatında görüntüleri ve açıklamaları hazırlayarak kendi veri kümeni kullanarak da eğitim yapabilirsin.
• Önceden eğitilmiş model kullanımı: Sıfırdan başlamak yerine önceden eğitilmiş bir Ultralytics YOLO11 modeli kullan.
• Model eğitimi: Toplu iş boyutu (iterasyon başına 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 metriklerini kullanarak modelin doğruluğunu test edebilirsin. Ultralytics Python paketi, model değerlendirmesi için yerleşik işlevler de sunar.

Ultralytics YOLO11'in mümkün kıldığı örnek segmentasyonu uygulamaları#

Örnek segmentasyonu, makinelerin nesneleri daha doğru görmesine ve anlamasına yardımcı olarak gerçek dünya sorunlarının çözümünde kullanılabilir. Otomasyonu geliştirmekten çevreyi korumaya kadar birçok alanda önemli bir rol oynar. Etki yarattığı bazı örnekleri inceleyelim.

Ultralytics YOLO11 ile inşaat sahası güvenliği ve izleme#

Örnek segmentasyonu, inşaat sahalarında güvenlik ve verimliliğin sağlanmasında kritik bir rol oynayabilir. Örneğin ağır makineleri izlemek için kullanılabilir.

Ultralytics YOLO11; vinçler, ekskavatörler ve buldozerler gibi farklı ekipman türlerini doğru şekilde segmentlere ayıracak ve tanımlayacak, ayrıca konumlarını gerçek zamanlı olarak takip edecek şekilde ince ayarlanabilir. Bu sayede saha yöneticileri makinelerin yalnızca belirlenen alanlarda çalıştığından ve çalışanların bulunduğu veya tehlikelerin mevcut olduğu bölgelere girmediğinden emin olabilir.

Ayrıca bu tür çözümlerin gerçek zamanlı uyarı sistemleriyle entegre edilmesi, hızlı düzeltici önlemlerin alınmasını sağlar. Bunun yanı sıra toplanan içgörüler saha düzenini ve iş akışını optimize etmeye yardımcı olarak riskleri daha da azaltabilir ve üretkenliği artırabilir.

Şek. 5 Ultralytics YOLO11 ile ağır makinelerin 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; çiftliklerde, hayvanat bahçelerinde ve doğal yaşam alanlarında tek tek hayvanları belirleyip segmentlere ayırarak bu sistemlerde yararlı bir rol oynar. Sınırlayıcı kutular kullanan geleneksel nesne algılamanın aksine örnek segmentasyonu, her hayvanın piksel düzeyinde sınırlarını belirler; bu, özellikle hayvanlar birbirine yakın olduğunda kullanışlıdır.

Ayrıntılı segmentasyon, hareketlerin ve davranışların daha doğru şekilde izlenmesini sağlar. Üst üste gelen veya birbirine yakın kümelenmiş hayvanlar belirgin biçimde tanınabilir ve etkileşimlerin, sağlık durumlarının ve etkinlik örüntülerinin daha hassas analiz edilmesini sağlar. Genel olarak hayvan davranışlarına ilişkin daha derin içgörüler, hayvan bakımı ve yönetimi uygulamalarını geliştirir.

Şek. 6 Örnek segmentasyonu kullanarak sığırların izlenmesi.

Spor analitiğinde ve oyuncu takibinde Ultralytics YOLO11#

Oyuncuların ve olayların hassas biçimde izlenmesi, spor analizinin büyük bir bölümünü oluşturur. Geleneksel takip yöntemleri, ayrıntılı etkileşimleri yakalayamayabilen manuel etiketlemeye dayanır. Her oyuncu, top ve önemli olay gibi ayrıntıları piksel düzeyinde segmentlere ayırarak ayrıntılı içgörüler elde etmek için bilgisayarlı görü kullanılabilir.

Örneğin örnek segmentasyonu, her oyuncuyu ve nesneyi net biçimde birbirinden ayırarak fauller veya topsuz alandaki olaylar gibi durumların algılanmasına yardımcı olabilir. Ultralytics YOLO11 gibi modellerin sağladığı bu ayrıntılı izleme, analistlere hareket örüntülerini, mekânsal konumlandırmayı ve etkileşimleri yüksek doğrulukla incelemek için daha net bilgiler sunar. Bu içgörülerin önemli bir yararı, takımların stratejilerini geliştirmesine ve genel performansı artırmasına yardımcı olmasıdır.

Örnek segmentasyonunun artıları ve eksileri#

Örnek segmentasyonunun çeşitli sektörlere sağlayabileceği bazı temel faydalar şunlardır:

• Geliştirilmiş otomasyon: Kalite kontrolü ve güvenlik izleme gibi görevleri otomatikleştiren örnek segmentasyonu, manuel müdahale ihtiyacını azaltır ve insan hatasını en aza indirir.
• Daha iyi sahne anlama: Her nesnenin hatlarını doğru biçimde belirleyen örnek segmentasyonu, karmaşık sahnelerin daha iyi anlaşılmasına katkıda bulunarak daha bilinçli karar almayı destekler.
• Verimli son işleme: Piksel düzeyindeki çıktı; arka plan kaldırma, nesne sayma ve mekânsal analiz gibi görevleri basitleştirerek ek işleme adımlarına duyulan ihtiyacı azaltır.

Bu faydalar, örnek segmentasyonunun farklı kullanım alanlarını nasıl etkilediğini gösterse de uygulanmasındaki zorlukları da dikkate almak önemlidir.

Örnek segmentasyonunun bazı temel sınırlamaları şunlardır:

• Saydamlıkla ilgili zorluklar: Cam ve su gibi saydam veya yansıtıcı nesneleri segmentlere ayırmak zordur ve bu durum hatalı sınırlara yol açar.
• Bakım yükü: Modellerin doğru ve güncel kalması için çevresel koşullar ve veri kümeleri değiştikçe sürekli güncelleme ve ince ayar yapılması gerekir.
• Yüksek açıklama emeği: Örnek segmentasyonu modellerinin eğitilmesi, ayrıntılı piksel düzeyi açıklamalar gerektirir; bu da veri hazırlama için gereken süreyi ve maliyeti önemli ölçüde artırır.

Önemli çıkarımlar#

Örnek segmentasyonu, nesneler üst üste gelse bile tek tek nesneleri hassas biçimde ayırt etmeyi mümkün kılar. 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 minimum kurulumla gerçek zamanlı segmentasyonu mümkün kılıyor ve bu teknolojiyi çeşitli sektörler ile uygulamalar için daha erişilebilir hâle getiriyor.

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