Bilgisayarlı görüde sentetik veri nedir? Genel bakış

Veri, analitik ve yapay zekâ (AI) gibi alanlarda her zaman itici bir güç olmuştur. Verileri toplama, üretme ve kullanma biçimimiz akıllı sistemlerin geleceğini şekillendiriyor. Örneğin otonom araçlar, yollarda güvenli bir şekilde ilerlemeyi öğrenmek için trafik levhalarından yaya hareketlerine kadar milyonlarca etiketli görüntüye ve sensör okumasına dayanır.

Bu ilerlemeyi, özellikle otonom araçlar ve güvenlik gibi alanlarda destekleyen en önemli veri türlerinden biri; görüntüler ve videolar gibi görsel verilerdir.

Özellikle, makinelerin bu görsel bilgileri yorumlamasını sağlayan AI alanına bilgisayarlı görü denir. Sistemlerin görsel girdileri insanlar gibi anlamasına ve analiz etmesine yardımcı olarak yüz tanıma, trafik levhası algılama ve tıbbi görüntü analizi gibi görevleri destekler.

Ancak gerçek dünyadan büyük ölçekli ve yüksek kaliteli görsel veri kümeleri toplamak zaman alabilir, maliyetli olabilir ve çoğu zaman gizlilik endişelerine yol açar. Bu nedenle araştırmacılar sentetik veriden yararlanma fikrini etkin biçimde inceliyor.

Sentetik veri, gerçek dünyadaki görüntü ve videoları yakından taklit eden yapay olarak üretilmiş görselleri ifade eder. Bu veriler 3D modelleme, bilgisayar simülasyonları ve gerçek verilerden kalıplar öğrenerek gerçekçi yeni örnekler üreten Üretici Çekişmeli Ağlar (GANs) gibi üretken AI yöntemleriyle oluşturulur.

Gartner, 2030'a kadar sentetik verilerin gerçek dünya verilerinden daha önemli hâle geleceğini öngörüyor; bu nedenle sentetik verilerin yakında AI geliştirmede kritik bir rol oynaması bekleniyor. Bu makalede bilgisayarlı görü bağlamında sentetik verinin ne olduğunu, nasıl üretildiğini ve gerçek dünya senaryolarında nerelerde kullanıldığını inceleyeceğiz.

Bilgisayarlı görüde sentetik veri nedir?#

Çeşitli ortam ve koşullarda nesneleri algılayacak bir görsel AI modeli eğitmek istediğini varsayalım. Yalnızca gerçek dünya verilerine güvenmek zor olabilir ve bazen seçenekleri kısıtlayabilir.

Sentetik veri ise çeşitli yapay koşullarda nesneler içeren uygun bir veri kümesi oluşturmak için kullanılabilir. Geliştiriciler 3D modelleme ve simülasyon gibi araçları kullanarak aydınlatma, açılar ve nesne yerleşimi gibi etkenleri hassas biçimde kontrol edip görüntüler üretebilir. Böylece model eğitimi için gerçek dünya verilerine kıyasla daha fazla esneklik elde edilir.

Gerçek dünya verilerini toplamanın zor veya imkânsız olduğu durumlarda sentetik veriler özellikle yararlıdır. Örneğin koşma, çömelme veya uzanma gibi çok çeşitli pozlardaki insanları tanıyacak bir model eğitmek için pek çok farklı ortamda, açıdan ve ışık koşulunda binlerce fotoğraf çekmek gerekir.

Öte yandan geliştiriciler sentetik veriyle bu çeşitlilikleri doğru etiketlerle kolayca oluşturabilir; böylece zaman ve emekten tasarruf ederken model performansını da iyileştirebilir.

Şekil 1. Farklı insan pozları ve ışık çeşitliliği içeren sentetik veri kümesi (kaynak).

AI'da sentetik ve gerçek veriler#

Şimdi sentetik verilerle gerçek veriler arasındaki farklara daha yakından bakalım. AI modellerini eğitirken her ikisinin de avantajları ve dezavantajları vardır.

Örneğin sentetik veri, gerçek verileri toplamanın zor olduğu durumlarda kullanışlıdır ancak gerçek hayattaki her küçük ayrıntıyı yansıtmayabilir. Gerçek veriler ise daha özgündür; ancak bulmak zor olabilir, etiketlenmesi zaman alabilir ve her durumu kapsamayabilir.

Geliştiriciler sentetik ve gerçek verileri birleştirerek her iki dünyanın da en iyisini elde edebilir. Bu denge, AI modellerinin daha doğru öğrenmesine, farklı senaryolara daha iyi genelleme yapmasına ve yanlılığı azaltmasına yardımcı olur.

Şekil 2. AI'da sentetik ve gerçek veriler. Görselin sahibi: yazar.

Bilgisayarlı görü modelleri için veri üretimine genel bakış#

3D araçlarla sanal dünyalar oluşturmaktan üretken AI kullanarak görüntüler üretmeye kadar, bilgisayarlı görü modelleri için sentetik eğitim verileri oluşturmakta kullanılan bazı yaygın yöntemler şunlardır:

• 3D modelleme: Geliştiriciler dijital nesneler ve sahneler oluşturmak için 3D yazılımlar kullanır. Bu yöntem ışıklandırma, kamera açıları ve nesne yerleşimi gibi unsurlar üzerinde tam kontrol sağlar; insan, araç ve ortam görüntülerini gerçekçi biçimde üretmek için kullanışlıdır.
• Simülasyonlar: Bunlar, fizik tabanlı motorlar kullanarak trafik veya fabrika ortamları gibi gerçek dünya koşullarını yeniden oluşturur. Simülasyonlar robotik ve otonom araçlar gibi alanlarda eğitim verilerini güvenli bir şekilde üretmek için kullanışlıdır.
• Üretici çekişmeli ağlar: GAN'lar, biri görüntü oluşturan, diğeri bu görüntüleri değerlendiren iki ağdan oluşan bir derin öğrenme modeli türüdür. Gerçek örneklerden öğrenerek insan yüzleri veya sokak manzaraları gibi son derece gerçekçi görüntüler üretirler.
• Prosedürel üretim: Bu teknik, arazi, binalar veya dokular gibi karmaşık görsel yapıları otomatik olarak üretmek için önceden tanımlanmış kurallar ya da matematiksel modeller kullanır. Genellikle oyun ve simülasyon platformlarında kullanılır ve çok az insan müdahalesiyle büyük ölçekli, çeşitli veri kümeleri oluşturabilir.
• Alan rastgeleleştirme: Sentetik sahnelerde aydınlatma, renkler ve nesne şekilleri gibi özellikleri rastgele değiştirebilir. Bu tekniğin amacı, modellerin gerçekten önemli olana odaklanmasına yardımcı olarak gerçek dünya ortamlarına daha iyi uyum sağlamalarını sağlamaktır.

Şekil 3. Veri örnekleri: (a) 3D model tabanlı, (b) sentetik çok nesneli sahneler ve (c) gerçek veri kümesi görüntüleri (kaynak).

Sentetik verilerle görsel AI modeli eğitimi#

Sentetik veri oluşturmak için kullanılan farklı yöntemlerden bazılarını ele aldığımıza göre, şimdi bu verilerin AI modellerini eğitmek için nasıl kullanıldığını inceleyelim.

Sentetik veriler üretildikten sonra genellikle gerçek dünya verileriyle aynı şekilde doğrudan eğitim işlem hattına entegre edilebilir. Bu veriler çoğunlukla nesne etiketleri, sınırlayıcı kutular veya segmentasyon maskeleri gibi gerekli açıklamaları içerir. Böylece modellerin etiketli girdi-çıktı çiftlerinden öğrendiği denetimli öğrenme görevlerinde elle etiketleme gerekmeden kullanılabilir.

Eğitim sırasında model, özellikleri algılamayı, kalıpları tanımayı ve nesneleri sınıflandırmayı öğrenmek için sentetik görüntüleri işler. Bu veriler, modelin ilk sürümünü sıfırdan oluşturmak veya mevcut bir veri kümesini zenginleştirerek model performansını iyileştirmek için kullanılabilir.

Birçok iş akışında sentetik veriler, modelleri gerçek dünya örnekleriyle ince ayar yapmadan önce geniş bir temel anlayış kazandırmak amacıyla ön eğitimde de kullanılır. Ayrıca genelleme becerisini geliştirmek ve aşırı öğrenmeyi azaltmak için farklı ışık koşulları, açılar veya nadir nesne sınıfları gibi kontrollü çeşitlilikler ekleyerek veri kümelerini artırmada kullanılır.

Sentetik ve gerçek verileri birleştirerek ekipler, zaman alan ve pahalı elle veri toplama çalışmalarına bağımlılığı azaltırken çok çeşitli koşullarda iyi performans gösteren daha sağlam modeller eğitebilir.

Bilgisayarlı görüde sentetik verilerin gerçek dünya uygulamaları#

Sentetik veriler daha pratik ve erişilebilir hale geldikçe, çeşitli gerçek dünya görsel AI kullanım alanlarında benimsenmeye başladığını görüyoruz. Şimdi kullanıldığı en etkili bilgisayarlı görü uygulamalarından bazılarını inceleyelim.

Otonom araçlarda nesne algılama için sentetik veri kullanımı#

Otonom araçlara güvenli sürüşü öğretmek, nadir veya tehlikeli durumlar dahil çok çeşitli senaryolarda modeller eğitmeyi gerektirir. Ancak bu uç durumlara ilişkin gerçek dünya verilerini toplamak zor, hatta bazen tehlikeli olabilir. Sentetik veriler, modellerin zor durumlarda nesneleri algılamayı öğrenebileceği sahneler oluşturulmasına yardımcı olabilir. Ayrıca farklı sensör yapılandırmalarını taklit edebilir; bu önemlidir çünkü tüm otonom araçlar aynı donanımı kullanmaz.

NVIDIA DRIVE Sim platformu bunun harika bir örneğidir. Fotogerçekçi 3D modeller, sanal ortamlar ve sensör simülasyonları kullanarak yüksek kaliteli sentetik veriler oluşturur. Tek bir görüntüden farklı sürüş açılarından görüntüler de üretebilir. Bu tür sentetik veriler, modelin etkili bir şekilde öğrenmesi için gereken çeşitliliği sağlarken pahalı gerçek dünya testlerine duyulan ihtiyacı azaltmaya yardımcı olur.

Şekil 4. Tek bir görüntüden birden fazla sürüş görünümü oluşturma (kaynak).

Sentetik verilerle tıbbi görüntüleme AI'ındaki yanlılığı azaltma#

Nesne algılama ve örnek segmentasyonu gibi görevleri destekleyen Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, tıbbi görüntüleme uygulamaları için özel olarak eğitilebilir. Ancak gerçek dünya eğitim verileri, tüm demografik gruplardan hastaları yeterince temsil etmeyebileceğinden sıklıkla yanlılık içerir.

Örneğin cilt kanseri, koyu ten rengine sahip kişilerde daha seyrek teşhis edilir; bu da söz konusu topluluklara ilişkin verilerin sınırlı kalmasına yol açar. Bu dengesizlik, özellikle histopatoloji, göğüs röntgeni ve dermatoloji gibi alanlarda yanlış teşhislere ve sağlık hizmetlerinde eşitsiz sonuçlara katkıda bulunabilir.

Sentetik görüntüler, bu veri açığını kapatmaya yardımcı olabilir. Farklı doku anormallikleri, geniş bir akciğer rahatsızlığı yelpazesi ve çeşitli lezyon türlerini içeren cilt tonları gibi ek ve çeşitli örnekler üreterek sentetik veriler, yeterince temsil edilmeyen gruplarda model performansını iyileştirebilir.

Araştırmacılar şu anda bu hedefleri desteklemek için sentetik veri kümeleri geliştirip doğrulama çalışmaları yürütüyor. Ayrıca araştırmayı hızlandırırken hasta gizliliğini korumak amacıyla, gerçek hasta kayıtlarına dayanmadan tıbbi araçları ve tedavi stratejilerini test etmek için sentetik verilerin nasıl kullanılabileceğini araştırıyorlar. Bu çalışmalar sayesinde sentetik veriler daha kapsayıcı, doğru ve etik tıbbi AI sistemlerinin önünü açıyor.

Hassas tarım için sentetik verilerle tarımsal AI'ı geliştirme#

Tarımsal uygulamalara yönelik Görsel AI sistemleri oluşturmak, büyük miktarda etiketli veriye erişmeyi gerektirir. Ancak ekin, hastalık ve tarla koşullarına ait fotoğrafları toplamak ve etiketlemek yavaştır, maliyetlidir ve genellikle hava durumu, yetiştirme mevsimleri veya belirli bölgelere erişmenin zorluğu gibi etkenlerle sınırlıdır.

Bu zorluklar, bitki hastalıklarını algılama, ekinleri izleme veya verim tahmini gibi görevleri yerine getirecek bilgisayarlı görü modellerinin eğitilmesini zorlaştırır. Sentetik veriler, yararlı eğitim örnekleri oluşturmak için farklı tarım ortamlarını taklit ederek yardımcı olabilir.

Şekil 5. Hastalıkların daha iyi algılanması için sentetik görüntülerin kullanımı (kaynak).

Önemli çıkarımlar#

Sentetik verilerin kullanılması, özellikle gerçek dünya verilerinin sınırlı veya elde edilmesinin zor olduğu alanlardaki bilgisayarlı görü sistemleri için AI modeli eğitiminde önemli bir ilerleme sağlar. Pahalı, zaman alıcı veya gizlilik endişelerine yol açabilen gerçek fotoğraf ve videolara yalnızca güvenmek yerine, sentetik veriler isteğe bağlı olarak gerçekçi ve etiketli görüntüler üretmemizi sağlar.

Bu veriler otonom sürüş, hastalık algılama veya ekin izleme gibi görevler için görsel AI modellerinin eğitimini kolaylaştırır. AI gelişmeye devam ettikçe sentetik verilerin yenilikleri hızlandırmada ve sektörler genelinde erişilebilirliği artırmada daha büyük bir rol üstlenmesi bekleniyor.

GitHub depomuzda AI hakkında daha fazla bilgi edin ve büyüyen topluluğumuza katıl. Otonom araçlarda AI ve tarımda bilgisayarlı görü gibi uygulamaların etkisini keşfet. Lisans seçeneklerimizi incele ve görsel AI projelerini hayata geçir.