Örnek bölütleme nedir? Hızlı bir rehber

Computer vision uygulamaları, yol koşullarını izleyen trafik kameralarından mağazalardaki akıllı ödeme sistemlerine kadar günlük hayatımızda giderek daha yaygın hale geliyor. Makinelerin görsel verileri tıpkı insanlar gibi anlamasını sağlayan vision AI, çeşitli endüstrilerde etki yaratıyor.

Bu uygulamaların birçoğu, görsellerdeki temel nesnelerin etrafına sınırlayıcı kutular yerleştiren bir computer vision task olan object detection'a dayanır. Bu yaklaşım genellikle iyi çalışsa da bazı görüntü analizi çözümleri daha da yüksek hassasiyet gerektirir.

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.

Instance segmentation, nesneleri tespit etmenin yetersiz olduğu kullanım durumlarını desteklemek için tasarlanmış bir computer vision görevdir; piksel düzeyinde doğruluk sağlar. Ultralytics YOLO11 gibi computer vision modelleri, görsel ve videolara kolayca instance segmentation uygulamak için kullanılabilir.

Fig 1. Instance segmentation 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.

Örnek 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.

Instance segmentation ise öte yandan, birbirleriyle üst üste binkilerinde bile tam dış hatlarını görebilmen için her bir kişinin etrafını dikkatlice çevrelemeye benzer. Bir şeyin nerede olduğunu sadece kutuyla işaretlemek yerine, her bir nesnenin tam şeklini piksel düzeyinde belirler ve böylece karmaşık görselleri anlamayı kolaylaştırır.

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. Örnek bölütleme için Ultralytics YOLO11 desteğini sergileme.

Örnek segmentasyonu ve anlamsal segmentasyon#

Instance segmentation'ı keşfederken semantic segmentation kavramıyla da 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?

Fig 3. Instance segmentation ve semantic segmentation (sırasıyla sağda ve solda).

Popüler 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 evrim geçirdi. Örneğin, Ultralytics YOLOv5 PyTorch gibi çerçeveleri kullanarak dağıtımı basitleştirdi ve derin teknik uzmanlık gerektirmeden gelişmiş vision AI'ı daha geniş bir kitle için erişilebilir hale getirdi.

Bu başarı üzerine inşa edilen Ultralytics YOLOv8, instance segmentation, pose estimation ve image classification gibi computer vision görevleri için gelişmiş destek sundu.

Şimdi, Ultralytics YOLO11 performansı yeni bir seviyeye taşıyor. YOLOv8m'e göre %22 daha az parametreyle COCO veri setinde daha yüksek bir ortalama duyarlılık (mAP) elde ediyor; bu da daha az kaynak kullanarak nesneleri daha hassas bir şekilde tanımasını sağlıyor.

Fig 4. YOLO11 performans değerlendirmesi.

Basitçe söylemek gerekirse, Ultralytics YOLO11 verimlilikten ödün vermeden en son teknoloji ürünü doğruluk sunar ve bu da onu bu alanda ezber bozan bir unsur haline getirir.

Örnek segmentasyonunun nasıl çalıştığını anlamak#

Şimdi, instance segmentation'ın tipik olarak nasıl çalıştığını inceleyelim. Daha eski computer vision models iki adımlı bir yaklaşım kullanır.

İlk olarak, nesnelerin etrafına sınırlayıcı kutular çizerek onları tespit ederler. Ardından, her nesnenin tam şeklini belirlemek için piksel düzeyinde bir maske oluştururlar. Bunun tanınmış bir örneği, object detection modellerine bir maske tahmin adımı ekleyerek gelişen Mask R-CNN'dir. Bu yöntem etkili olsa da görseli birden fazla aşamada işlediği için yavaş olabilir ve bu da gerçek zamanlı uygulamaları daha zorlu hale getirir.

Bu arada, Ultralytics YOLO11 gibi modeller görüntüleri tek seferde işleyerek nesne sınırlayıcı kutularını ve örnek bölütleme maskelerini aynı anda tahmin eder. Bu kolaylaştırılmış yaklaşım, yüksek doğruluğu korurken modeli çok daha hızlı hale getirir. Sonuç olarak, hem hızın hem de hassasiyetin çok önemli olduğu otonom sürüş, video analizi ve robotik gibi gerçek zamanlı uygulamalar için özellikle kullanışlıdır.

Örnek bölütleme için Ultralytics YOLO11 modelini özel olarak eğitme#

YOLO11 kutudan çıktığı gibi önceden eğitilmiş bir model olarak gelir. Instance segmentation için günlük nesneleri kapsayan COCO-Seg dataset üzerinde eğitilmiştir. Bununla birlikte, Ultralytics Python paketi, benzersiz nesnelerin segmentlere ayrılmasının gerektiği özel uygulamalar için çok önemli olan özel eğitmeyi (custom training) destekler.

Özel eğitim veya bir modelifine-tune etmek neden önemlidir? Custom training, önceden eğitilmiş modellerde zaten gömülü olan bilgileri temel alarak transfer learning'den yararlanır. Sıfırdan başlamak yerine, yüksek doğruluğu korurken daha küçük veri setleri ve daha az bilgi işlem kaynağı kullanarak mevcut bir modeli yeni görevlere uyarlar.

Ultralytics YOLO11 nasıl özel eğitilir#

İşte örnek bölütleme için Ultralytics YOLO11 modelini hassas ayardan geçirme adımlarına daha yakından bir bakış:

• Veri hazırlığı: Belirli uygulamana göre görselleri topla ve etiketle. Ultralytics birden çok image datasets için destek sağlar, ancak görselleri ve etiketleri gerekli YOLO formatında hazırlayarak kendi veri setini kullanarak da eğitebilirsin.
• 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.

Ultralytics YOLO11 tarafından desteklenen örnek bölütleme 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.

Ultralytics YOLO11 kullanarak şantiye güvenliği ve izleme#

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

Ultralytics YOLO11, vinç, ekskavatör ve buldozer gibi farklı ekipman türlerini doğru bir şekilde bölütlemek ve tanımlamak ve bunların konumlarını gerçek zamanlı olarak izlemek için hassas ayardan geçirilebilir. Bu, saha yöneticilerinin makinelerin kesinlikle belirlenen alanlar içinde çalışmasını sağlamasına ve işçilerin bulunduğu veya tehlikelerin mevcut olduğu bölgelere tecavüz etmemesini temin etmesine olanak tanır.

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.

Fig 5. Ultralytics YOLO11 kullanarak ağır makinelerin izlenmesi.

Bölütleme ve Ultralytics YOLO11 ile hayvan izleme#

Animal behavior monitoring, araştırmacıların, çiftçilerin ve doğa korumacılarının farklı ortamlardaki hayvanlara daha iyi bakmasına yardımcı olur. Instance segmentation, çiftliklerdeki, hayvanat bahçelerindeki ve doğal yaşam alanlarındaki bireysel hayvanları tanımlayıp bölümlere ayırarak bu sistemlerde yararlı bir rol oynar. Sınırlayıcı kutular kullanan geleneksel object detection'ın aksine instance segmentation, özellikle hayvanlar birbirine çok yakın olduğunda çok yararlı olan her bir hayvanın piksel düzeyinde sınırını sağlar.

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.

Fig 6. Instance segmentation kullanarak sığırların izlenmesi.

Spor analizinde ve oyuncu takibinde Ultralytics 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 bölütleme; her oyuncuyu ve nesneyi net bir şekilde ayırarak fauller veya top dışı olaylar gibi durumların tespit edilmesine yardımcı olabilir. Ultralytics YOLO11 gibi modellerin sağladığı bu ayrıntılı izleme, analistlere hareket kalıplarını, uzamsal konumlandırmayı ve etkileşimleri yüksek doğrulukla incelemeleri için daha net bilgiler sunar. Bu içgörülerin en önemli faydası, takımların stratejilerini geliştirmelerine ve genel performanslarını artırmalarına yardımcı olmalarıdır.

Örnek 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.

Öne 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? Keşfetmeye devam etmek için our GitHub repository ziyaret et ve our community ile bağlantı kur. Çözüm sayfalarımızda AI in self-driving cars ve vision AI in agriculture gibi yenilikler hakkında bilgi edin. our licensing options göz at ve bir computer vision projesine başla!