Bilgisayarlı göründe sentetik veri nedir? Genel bir bakış

Veri, analitik ve yapay zeka (AI) gibi alanlarda her zaman itici bir güç olmuştur. Aslında veriyi toplama, oluşturma ve kullanma şeklimiz, akıllı sistemlerin geleceğini şekillendiriyor. Örneğin sürücüsüz araçlar, yollarda güvenli bir şekilde nasıl ilerleyeceklerini öğrenmek için trafik işaretlerinden yaya hareketlerine kadar milyonlarca etiketlenmiş görüntüye ve sensör verisine ihtiyaç duyarlar.

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

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

Ancak gerçek dünyadan büyük ölçekli ve yüksek kaliteli görsel veri kümeleri toplamak zaman alıcı ve maliyetli olabilir; ayrıca genellikle gizlilik endişelerini de beraberinde getirir. İşte bu yüzden araştırmacılar, sentetik veriden yararlanma kavramını aktif bir şekilde keşfediyorlar.

Sentetik veri, gerçek dünya görüntülerini ve videolarını yakından taklit eden yapay olarak oluşturulmuş görselleri ifade eder. Bu veriler; 3D modelleme, bilgisayar simülasyonları ve gerçek verilerden örüntüler öğrenerek gerçekçi yeni örnekler üreten Üretken Çekişmeli Ağlar (GAN'lar) gibi üretken AI yöntemleri kullanılarak oluşturulur.

Sentetik verinin yakın gelecekte AI geliştirme sürecinde kritik bir rol oynaması bekleniyor; Gartner, 2030 yılına kadar bu verilerin gerçek dünya verilerinden daha önemli hale geleceğini öngörüyor. Bu makalede, bilgisayarlı görü bağlamında sentetik verinin ne olduğunu, nasıl üretildiğini ve gerçek dünya senaryolarında nerelerde uygulandığını keşfedeceğiz. Hadi başlayalım!

Link to this sectionBilgisayarlı görüde sentetik veri nedir?#

Çeşitli ortamlarda ve koşullarda nesneleri algılamak için bir görü AI modeli eğitmek istediğini varsayalım. Sadece gerçek dünya verilerine güvenmek zor olabilir ve bazen kısıtlayıcı hissettirebilir.

Bu noktada sentetik veri, yapay olarak oluşturulmuş çeşitli koşullardaki nesneleri içeren doğru veri kümesini oluşturmak için kullanılabilir. 3D modelleme ve simülasyonlar gibi araçları kullanan geliştiriciler; aydınlatma, açılar ve nesne yerleşimi gibi faktörler üzerinde hassas kontrole sahip görüntüler üretebilirler. Bu da model eğitimi için gerçek dünya verilerinden daha fazla esneklik sunar.

Sentetik veri, özellikle gerçek dünya verilerini toplamanın zor veya imkansız olduğu durumlarda oldukça faydalıdır. Örneğin, bir modeli koşma, çömelme veya uzanma gibi çok çeşitli pozlardaki insanları tanıması için eğitmek; birçok farklı ortamda, açıda ve aydınlatma koşulunda binlerce fotoğraf çekmeyi gerektirirdi.

Öte yandan, sentetik veri sayesinde geliştiriciler bu varyasyonları doğru etiketlerle kolayca oluşturabilir, böylece zamandan ve emekten tasarruf ederken model performansını da artırabilirler.

Şekil 1. Farklı insan pozları ve aydınlatma varyasyonlarına sahip sentetik bir veri kümesi (kaynak).

Link to this sectionAI'da sentetik vs. gerçek veri#

Şimdi, sentetik veri ile gerçek veri arasındaki farklara daha yakından bakalım. Her ikisinin de AI modellerini eğitme konusunda kendine göre avantajları ve dezavantajları vardır.

Örneğin, gerçek veriyi toplamak zor olduğunda sentetik veri kullanışlıdır, ancak gerçek hayatta bulunan her küçük detayı yakalayamayabilir. Aynı zamanda, gerçek veriler daha otantiktir ancak kaynak bulması zordur, etiketlemesi zaman alıcıdır ve her durumu kapsamayabilir.

Sentetik ve gerçek verileri birleştirerek geliştiriciler her iki dünyanın da en iyi yanlarından faydalanabilirler. Bu denge, AI modellerinin daha doğru öğrenmesine, farklı senaryolar arasında daha iyi genelleme yapmasına ve yanlılığı (bias) azaltmasına yardımcı olur.

Şekil 2. AI'da sentetik vs. gerçek veri. Görsel: yazar.

Link to this sectionBilgisayarlı görü modelleri için veri üretimine bir bakış#

3D araçlarla sanal dünyalar oluşturmaktan üretken AI kullanarak görüntüler oluşturmaya kadar, bilgisayarlı görü modelleri için sentetik eğitim verisi oluşturmak amacıyla kullanılan bazı yaygın yöntemler şunlardır:

• 3D modelleme: Geliştiriciler, dijital nesneler ve sahneler oluşturmak için 3D yazılımlar kullanırlar. Bu, aydınlatma, kamera açıları ve nesne yerleşimi gibi konularda tam kontrol sağlar ve insanlar, araçlar ve ortamların gerçekçi görüntülerini oluşturmak için yararlıdır.
• Simülasyonlar: Bunlar, fizik tabanlı motorlar kullanarak trafik veya fabrika ortamları gibi gerçek dünya durumlarını yeniden yaratır. Simülasyonlar, robotik ve sürücüsüz araçlar gibi alanlarda güvenli bir şekilde eğitim verisi üretmek için yararlıdır.
• Üretken çekişmeli ağlar: GAN'lar, biri görüntü oluşturan diğeri ise onları değerlendiren iki ağdan oluşan bir derin öğrenme modeli türüdür. Birlikte, gerçek örneklerden öğrenerek insan yüzleri veya sokak manzaraları gibi son derece gerçekçi görüntüler üretirler.
• Prosedürel nesil: Bu teknik, arazi, binalar veya dokular gibi karmaşık görsel yapıları otomatik olarak oluşturmak için önceden tanımlanmış kurallar veya matematiksel modeller kullanır. Genellikle oyun ve simülasyon platformlarında kullanılır ve minimum insan girdisiyle büyük ölçekli, çeşitli veri kümeleri üretebilir.
• Etki alanı rastgeleleştirme (Domain randomization): Sentetik sahnelerdeki aydınlatma, renkler ve nesne şekilleri gibi şeyleri rastgele değiştirebilir. Bu tekniğin arkasındaki amaç, modellerin gerçekten önemli olan şeylere odaklanmasına yardımcı olarak onları gerçek dünya ortamlarına daha uyumlu hale getirmektir.

Şekil 3. Veri örnekleri: (a) 3D model tabanlı, (b) sentetik çoklu nesne sahneleri ve (c) gerçek veri kümesi görüntüleri (kaynak).

Link to this sectionSentetik verilerle görü AI modeli eğitimi#

Artık sentetik veri oluşturmak için kullanılan farklı yöntemlerden bazılarını tartıştığımıza göre, bunun AI modellerini eğitmek için nasıl kullanıldığına göz atalım.

Sentetik veri üretildikten sonra, genellikle gerçek dünya verileriyle aynı şekilde eğitim hattına (pipeline) doğrudan entegre edilebilir. Tipik olarak nesne etiketleri, sınırlayıcı kutular (bounding boxes) veya segmentasyon maskeleri gibi gerekli ek açıklamaları içerir; yani modellerin etiketli girdi-çıktı çiftlerinden öğrendiği denetimli öğrenme görevleri için manuel etiketlemeye gerek kalmadan kullanılabilir.

Eğitim sırasında model, özellikleri algılamayı, örüntüleri tanımayı ve nesneleri sınıflandırmayı öğrenmek için sentetik görüntüleri işler. Bu veriler, modelin ilk sürümünü sıfırdan oluşturmak veya mevcut bir veri kümesini zenginleştirmek için kullanılabilir ve model performansını artırmaya yardımcı olur.

Birçok iş akışında sentetik veri, ön eğitim için de kullanılır ve modellere gerçek dünya örnekleriyle ince ayar yapılmadan önce geniş bir temel anlayış kazandırır. Benzer şekilde, genelleştirmeyi iyileştirmek ve aşırı öğrenmeyi (overfitting) azaltmak için farklı aydınlatma koşulları, açılar veya nadir nesne sınıfları gibi kontrollü varyasyonlar ekleyerek veri kümelerini artırmak (augment) için kullanılır.

Sentetik ve gerçek verileri birleştirerek ekipler, zaman alıcı ve pahalı manuel veri toplama çabalarına olan bağımlılığı azaltırken çok çeşitli koşullarda iyi performans gösteren daha sağlam modeller eğitebilirler.

Link to this sectionBilgisayarlı görüde sentetik verinin gerçek dünya uygulamaları#

Sentetik veri daha pratik ve erişilebilir hale geldikçe, çeşitli gerçek dünya görü AI kullanım durumlarında benimsendiğini görmeye başlıyoruz. Kullanıldığı en etkili bilgisayarlı görü uygulamalarından bazılarını keşfedelim.

Link to this sectionOtonom araçlarda nesne algılama için sentetik veri kullanımı#

Sürücüsüz araçlara güvenli bir şekilde sürmeyi öğretmek, modelleri nadir veya tehlikeli durumlar dahil olmak üzere çok çeşitli senaryolarda eğitmeyi gerektirir. Ancak bu uç durumlar (edge cases) için gerçek dünya verisi toplamak zor ve bazen güvensiz olabilir. Sentetik veri, modellerin zor durumlarda nesneleri algılamayı öğrenebileceği sahneler yaratmaya yardımcı olabilir. Ayrıca, tüm sürücüsüz araçlar aynı donanımı kullanmadığı için yardımcı olan farklı sensör konfigürasyonlarını da taklit edebilir.

NVIDIA’nın DRIVE Sim platformu bunun harika bir örneğidir. Fotogerçekçi 3D modeller, sanal ortamlar ve sensör simülasyonları kullanarak yüksek kaliteli sentetik veriler oluşturur. Ayrıca tek bir görüntüden birden fazla sürüş açısı görüntüsü oluşturabilir. Böyle sentetik veriler kullanmak, pahalı gerçek dünya testlerine olan ihtiyacı azaltmaya yardımcı olurken modele öğrenmesi için gereken çeşitliliği sağlar.

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

Link to this sectionTıbbi görüntüleme AI'sında sentetik veri ile yanlılığı azaltmak#

Nesne algılama ve örnek bölümleme (instance segmentation) gibi görevleri destekleyen Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, tıbbi görüntüleme uygulamaları için özel olarak eğitilebilir. Ancak, gerçek dünya eğitim verileri tüm demografik gruplardaki hastaları yeterince temsil etmeyebileceği için genellikle yanlılıklar içerir.

Örneğin, cilt kanseri daha koyu ten rengine sahip bireylerde daha az sıklıkla teşhis edilir ve bu durum söz konusu popülasyonlar için sınırlı veriye yol açar. Bu dengesizlik, özellikle histopatoloji, göğüs röntgenleri ve dermatoloji gibi alanlarda yanlış teşhislere ve eşitsiz sağlık sonuçlarına katkıda bulunabilir.

Sentetik görüntüler, verideki bu boşluğu kapatmaya yönelik adım atmada rol oynayabilir. Çeşitli doku anormallikleri, çok çeşitli akciğer rahatsızlıkları ve farklı lezyon türlerine sahip cilt tonları gibi ek ve çeşitli örnekler oluşturarak sentetik veriler, yeterince temsil edilmeyen gruplarda model performansını iyileştirmeye yardımcı olabilir.

Araştırmacılar şu anda bu hedefleri desteklemek için sentetik veri kümeleri geliştirme ve doğrulama üzerinde çalışıyorlar. Ayrıca, sentetik verinin gerçek hasta kayıtlarına güvenmeden tıbbi araçları ve tedavi stratejilerini test etmek için nasıl kullanılabileceğini araştırıyor, böylece hasta gizliliğini korurken araştırmayı hızlandırmaya yardımcı oluyorlar. Bu çalışma sayesinde sentetik veri, daha kapsayıcı, doğru ve etik tıbbi AI sistemlerinin yolunu açıyor.

Link to this sectionHassas tarım için sentetik verilerle tarımsal AI'yı ilerletmek#

Tarımsal uygulamalar için Görü AI sistemleri oluşturmak, büyük miktarda etiketlenmiş veriye erişime bağlıdır. Ancak mahsul, hastalık ve tarla koşullarının fotoğraflarını toplamak ve etiketlemek yavaş, pahalıdır ve genellikle hava durumu, büyüme mevsimleri veya belirli alanlara ulaşmanın zorluğu gibi şeylerle sınırlıdır.

Bu zorluklar, bilgisayarlı görü modellerini bitki hastalıklarını tespit etmek, mahsulleri izlemek veya verimi tahmin etmek gibi görevleri yerine getirecek şekilde eğitmeyi zorlaştırır. İşte sentetik verinin yardımcı olabileceği nokta budur: kullanışlı eğitim örnekleri oluşturmak için farklı tarım ortamlarını taklit eder.

Şekil 5. Geliştirilmiş hastalık tespiti için sentetik görüntülerin kullanımı (kaynak).

Link to this sectionÖne çıkanlar#

Sentetik veri kullanımı, özellikle gerçek dünya verilerinin sınırlı veya elde edilmesinin zor olduğu alanlardaki bilgisayarlı görü sistemleri için AI modeli eğitiminde önemli bir ileri adımı temsil eder. Pahalı, zaman alıcı olabilen veya gizlilik endişeleri yaratan gerçek fotoğraflara veya videolara güvenmek yerine sentetik veri, talep üzerine gerçekçi, etiketlenmiş görüntüler oluşturmamıza olanak tanır.

Otonom sürüş, hastalık tespiti veya mahsul izleme gibi görevler için görü AI modellerini eğitmeyi kolaylaştırır. AI gelişmeye devam ettikçe, sentetik veri inovasyonu hızlandırmada ve sektörler arası erişilebilirliği iyileştirmede daha da büyük bir rol oynamaya hazırlanıyor.

AI hakkında daha fazla bilgiyi GitHub depomuzda bulabilir ve büyüyen topluluğumuza katılabilirsin. Otonom araçlarda AI ve tarımda bilgisayarlı görü gibi uygulamaların etkisini keşfet. Lisanslama seçeneklerimizi incele ve görü AI projelerini hayata geçir.