Bilgisayarlı görüde sentetik veri nedir? Genel bakış

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

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

Özellikle, makinelerin bu görsel bilgileri yorumlamasını sağlayan AI alanına bilgisayarlı görü adı verilir. Bilgisayarlı görü, sistemlerin görsel girdileri 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, yüksek kaliteli görsel veri kümeleri toplamak zaman alabilir, maliyetli olabilir ve çoğu zaman gizlilik endişelerine yol açar. Bu nedenle araştırmacılar sentetik veriden yararlanma kavramını aktif olarak araştırıyor.

Sentetik veri, gerçek dünyadaki görüntüleri ve videoları yakından taklit eden yapay olarak oluşturulmuş görsel verileri ifade eder. Sentetik veri; 3B modelleme, bilgisayar simülasyonları ve gerçek verilerdeki örüntüleri öğrenerek gerçekçi yeni örnekler üreten Üretici Çekişmeli Ağlar (GANs) gibi üretici AI yöntemleri kullanılarak oluşturulur.

Sentetik verinin yakında AI geliştirme süreçlerinde kritik bir rol oynaması bekleniyor; Gartner, 2030'a kadar sentetik verinin gerçek dünya verilerinden daha temel bir unsur hâline geleceğini öngörüyor. Bu makalede, bilgisayarlı görü bağlamında sentetik verinin ne olduğunu, nasıl oluşturulduğunu ve gerçek dünya senaryolarında nerelerde kullanıldığını inceleyeceğiz. Haydi başlayalım!

Bilgisayarlı görüde sentetik veri nedir?#

Farklı ortam ve koşullardaki nesneleri algılamak üzere bir görsel AI modeli eğitmek istediğini düşün. Yalnızca gerçek dünya verilerine güvenmek zor olabilir ve bazen sınırlayıcı gelebilir.

Buna karşılık sentetik veri, yapay olarak oluşturulmuş çeşitli koşullardaki nesneleri içeren doğru veri kümesini oluşturmak için kullanılabilir. 3B modelleme ve simülasyonlar gibi araçları kullanan geliştiriciler; aydınlatma, açılar ve nesnelerin konumlandırılması gibi etkenler üzerinde hassas kontrol sağlayarak görüntüler oluşturabilir. Bu da model eğitimi için gerçek dünya verilerine kıyasla daha fazla esneklik sunar.

Sentetik veri, gerçek dünya verilerini toplamanın zor veya imkânsız olduğu durumlarda özellikle yararlıdır. Örneğin bir modeli koşan, çömelmiş veya uzanmış insanlar gibi çok çeşitli pozlarda insanları tanıyacak şekilde eğitmek; pek çok farklı ayar, açı ve aydınlatma koşulunda binlerce fotoğraf çekmeyi gerektirir.

Öte yandan geliştiriciler, sentetik verilerle bu çeşitlilikleri doğru etiketlerle kolayca oluşturabilir; böylece model performansını iyileştirirken zamandan ve emekten tasarruf edebilir.

Şekil 1. Farklı insan pozları ve aydınlatma çeşitliliklerini içeren sentetik bir veri kümesi (kaynak).

AI'da sentetik ve gerçek verilerin karşılaştırılması#

Şimdi sentetik veri ile gerçek veri arasındaki farklara daha yakından bakalım. AI modellerini eğitme söz konusu olduğunda her ikisinin de avantajları ve dezavantajları vardır.

Örneğin sentetik veri, gerçek verilerin toplanmasının zor olduğu durumlarda kullanışlıdır; ancak gerçek hayatta bulunan her küçük ayrıntıyı yakalayamayabilir. Gerçek veriler ise daha özgündür, ancak temin edilmesi zor, etiketlenmesi zaman alıcı olabilir ve her durumu kapsamayabilir.

Geliştiriciler sentetik ve gerçek verileri birleştirerek her iki dünyanın en iyi yönlerinden yararlanabilir. Bu denge, AI modellerinin daha doğru öğrenmesine, farklı senaryolara daha iyi genelleme yapmasına ve önyargıyı azaltmasına yardımcı olur.

Şekil 2. AI'da sentetik ve gerçek veriler. Görsel, yazar tarafından hazırlanmıştır.

Bilgisayarlı görü modelleri için veri oluşturma sürecine bakış#

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

• 3B modelleme: Geliştiriciler dijital nesneler ve sahneler oluşturmak için 3B yazılımlar kullanır. Bu yöntem; aydınlatma, kamera açıları ve nesnelerin konumlandırılması gibi unsurlar üzerinde tam kontrol sağlar ve insan, araç ve ortamların gerçekçi görüntülerini oluşturmak için kullanışlıdır.
• Simülasyonlar: Bunlar, fizik tabanlı motorlar kullanarak trafik veya fabrika ortamları gibi gerçek dünya durumlarını yeniden oluşturur. Simülasyonlar; robotik ve otonom araçlar gibi alanlarda eğitim verilerini güvenli bir şekilde oluşturmak için kullanışlıdır.
• Üretici çekişmeli ağlar: GANs, biri görüntüler oluşturan, diğeri ise bunları değerlendiren iki ağdan oluşan bir derin öğrenme modeli türüdür. Bu ağlar birlikte, gerçek örneklerden öğrenerek insan yüzleri veya sokak görünümleri gibi son derece gerçekçi görüntüler üretir.
• Prosedürel oluşturma: Bu teknik; arazi, binalar veya dokular gibi karmaşık görsel yapıları otomatik olarak oluşturmak için önceden tanımlanmış kuralları veya matematiksel modelleri kullanır. Genellikle oyun ve simülasyon platformlarında kullanılır ve minimum insan girdisiyle büyük ölçekli, çeşitli veri kümeleri üretebilir.
• Alan rastgeleleştirme: Bu yöntem, sentetik sahnelerde aydınlatma, renkler ve nesne şekilleri gibi unsurları rastgele değiştirebilir. Bu tekniğin amacı, modellerin gerçekten önemli olan unsurlara odaklanmasına yardımcı olarak gerçek dünya ortamlarına daha iyi uyum sağlamalarını mümkün kılmaktır.

Şekil 3. Veri örnekleri: (a) 3B 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 AI modellerini eğitmek için nasıl kullanıldığını inceleyelim.

Sentetik veriler oluşturulduktan sonra genellikle gerçek dünya verileriyle aynı şekilde doğrudan eğitim işlem hattına entegre edilebilir. Genellikle nesne etiketleri, sınırlayıcı kutular veya segmentasyon maskeleri gibi gerekli açıklamaları içerir; bu da manuel etiketlemeye gerek kalmadan etiketli girdi-çıktı çiftlerinden öğrenen modellerin denetimli öğrenme görevlerinde kullanılabilmesini sağlar.

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 performansının iyileştirilmesine yardımcı olur.

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

Ekipler sentetik ve gerçek verileri birleştirerek çok çeşitli koşullarda iyi performans gösteren daha dayanıklı modeller eğitebilir; bunu yaparken zaman alıcı ve maliyetli manuel veri toplama çalışmalarına olan bağımlılığı azaltabilir.

Bilgisayarlı görüde sentetik verilerin gerçek dünya uygulamaları#

Sentetik veri daha uygulanabilir ve erişilebilir hâle geldikçe, çeşitli gerçek dünya görsel AI kullanım alanlarında benimsenmeye başladığını görüyoruz. Kullanıldığı en etkili bilgisayarlı görü uygulamalarından bazılarını inceleyelim.

Otonom araçlarda nesne algılama için sentetik veri kullanımı#

Otonom araçlara güvenli sürüş öğretmek, nadir veya tehlikeli durumlar da dahil olmak üzere çok çeşitli senaryolarla ilgili modelleri eğitmeyi gerektirir. Ancak bu uç durumlar için gerçek dünya verilerini toplamak zor ve bazen güvensiz olabilir. Sentetik veri, modellerin zor durumlarda nesneleri algılamayı öğrenebileceği sahneler oluşturmaya yardımcı olabilir. Ayrıca farklı sensör yapılandırmalarını taklit edebilir; bu da önemlidir çünkü tüm otonom araçlar aynı donanımı kullanmaz.

NVIDIA DRIVE Sim platformu bunun harika bir örneğidir. Fotogerçekçi 3B modeller, sanal ortamlar ve sensör simülasyonları kullanarak yüksek kaliteli sentetik veriler oluşturur. Ayrıca tek bir görüntüden birden fazla sürüş açısına ait görüntüler üretebilir. Bunun gibi sentetik veriler kullanmak, modelin etkili bir şekilde öğrenmek için ihtiyaç duyduğu çeşitliliği korurken 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'sındaki önyargıyı 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 genellikle önyargılar içerir; çünkü tüm demografik gruplardaki hastaları yeterince temsil etmeyebilir.

Örneğin cilt kanseri, daha koyu cilt tonlarına sahip kişilerde daha seyrek teşhis edilir; bu da söz konusu topluluklar için sınırlı miktarda veriye yol açar. Bu dengesizlik, özellikle histopatoloji, göğüs röntgeni ve dermatoloji gibi alanlarda yanlış teşhislere ve eşitsiz sağlık sonuçlarına katkıda bulunabilir.

Sentetik görüntüler, verilerdeki bu açığı kapatma yolunda bir adım atılmasına katkı sağlayabilir. Farklı doku anormallikleri, çok çeşitli akciğer rahatsızlıkları ve farklı lezyon türlerine sahip cilt tonları gibi ek ve çeşitli örnekler oluşturarak sentetik veri, yeterince temsil edilmeyen gruplarda model performansının iyileştirilmesine yardımcı olabilir.

Araştırmacılar şu anda bu hedefleri desteklemek için sentetik veri kümeleri geliştirmek ve doğrulamak üzerinde çalışıyor. Ayrıca sentetik verilerin, gerçek hasta kayıtlarına dayanmadan tıbbi araçları test etmek ve tedavi stratejilerini değerlendirmek için nasıl kullanılabileceğini araştırıyorlar. Bu çalışmalar sayesinde sentetik veri, daha kapsayıcı, doğru ve etik tıbbi AI sistemlerinin önünü açıyor.

Hassas tarım için sentetik verilerle tarımsal AI'ı geliştirme#

Tarım uygulamaları için Görsel AI sistemleri oluşturmak, büyük miktarda etiketli veriye erişime bağlıdır. Ancak ekinlerin, hastalıkların ve tarla koşullarının fotoğraflarını toplamak ve etiketlemek yavaştır, maliyetlidir ve çoğu zaman hava durumu, yetiştirme mevsimleri veya belirli alanlara ulaşmanın zorluğu gibi etkenlerle sınırlıdır.

Bu zorluklar, bilgisayarlı görü modellerinin bitki hastalıklarını algılama, ekinleri izleme veya verimi tahmin etme gibi görevleri yerine getirecek şekilde eğitilmesini zorlaştırır. Sentetik veri, farklı tarım ortamlarını taklit ederek yararlı eğitim örnekleri oluşturma yoluyla burada yardımcı olabilir.

Şekil 5. Hastalıkların daha iyi algılanması için sentetik görüntüleri kullanma (kaynak).

Önemli çıkarımlar#

Sentetik veri kullanımı, özellikle gerçek dünya verilerinin sınırlı veya elde edilmesinin zor olduğu alanlardaki bilgisayarlı görü sistemleri için AI modeli eğitiminde önemli bir ilerlemeyi temsil eder. Pahalı olabilen, zaman alan veya gizlilik endişelerine yol açabilen gerçek fotoğraf ya da videolara yalnızca güvenmek yerine sentetik veri, gerçekçi ve etiketli görüntüleri ihtiyaç duyduğunda oluşturmamızı sağlar.

Bu sayede otonom sürüş, hastalık algılama veya ekin izleme gibi görevler için görsel AI modellerini eğitmek kolaylaşır. AI gelişmeye devam ettikçe sentetik verinin, sektörler genelinde yenilikleri hızlandırmada ve erişilebilirliği artırmada daha da büyük bir rol oynaması bekleniyor.

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