Anomaly Detection

Anomali tespiti, bir veri kümesinin normal davranışından önemli ölçüde sapan veri noktalarını, olayları veya gözlemleri belirlemeye odaklanan Yapay Zeka (AI) ve Makine Öğrenimi (ML) alanlarındaki kritik bir tekniktir. Genellikle aykırı değer tespiti olarak adlandırılan bu süreçte, verilerin çoğunluğunun belirli bir örüntüyü veya dağılımı izlediği varsayılır ve belirlenmiş bu normalin dışında kalan her şey anomali olarak kabul edilir. Bu düzensizlikler; üretimdeki yapısal kusurlar, metin verilerindeki hatalar veya ağ trafiğindeki olası güvenlik ihlalleri gibi kritik olaylara işaret edebilir. Derin Öğrenme (DL) alanında kullanılanlar da dahil olmak üzere gelişmiş algoritmalar, bu nadir olayları yüksek doğrulukla otomatik olarak tanımak için kullanılır.

Anomali Tespiti ve Nesne Tespiti Karşılaştırması#

Her iki metodoloji de modern bilgisayarlı görü (CV) için temel öneme sahip olsa da anomali tespitini standart nesne tespitinden ayırt etmek önemlidir.

• Nesne Tespiti, modelin sınırlayıcı kutuları kullanarak belirli, bilinen sınıfları (ör. "araba", "insan", "trafik ışığı") tanımlayıp konumlandırdığı, genellikle kapalı küme problemidir. Sistem, tam olarak bulması gereken şeylerin etiketlenmiş örnekleriyle eğitilir.
• Anomali Tespiti genellikle açık küme problemi olarak ele alınır. Sistem, "normallik" temsilini öğrenir ve bilinmeyen sapmaları işaretler. Örneğin bir görsel denetim sistemi, kusursuz ürünlere ait binlerce görüntüyle eğitilebilir. Sistem, belirli kusur türüyle daha önce hiç karşılaşmamış olsa bile herhangi bir çizik, göçük veya renk değişikliğini anomali olarak belirlemelidir.

Bununla birlikte, son teknoloji Ultralytics YOLO26 gibi güçlü nesne tespit modelleri, gözetimli anomali tespiti için etkili biçimde uyarlanabilir. Bilinen kusurlar eğitim verileri içinde ayrı sınıflar olarak ele alınarak mühendisler, belirli düzensizlik türlerini kesin olarak konumlandıran modeller eğitebilir.

Gerçek Dünya Uygulamaları#

Düzensizlikleri otomatik olarak tespit edebilme yeteneği, manuel izlemenin pratik olmadığı çeşitli kritik sektörlerde anomali tespitini vazgeçilmez kılar.

• Üretimde AI: Otomatik optik denetim (AOI) sistemleri, yapısal kusurları gerçek zamanlı olarak belirlemek için üretim hatlarını izler. Kestirimci bakım uygulanarak fabrikalar, makinelerdeki olağan dışı titreşimleri veya ısı imzalarını tespit edebilir ve maliyetli duruşları önleyebilir.
• Tıbbi Görüntü Analizi: Sağlık hizmetlerinde algoritmalar, olası patolojileri vurgulamak için MRI veya CT taramalarını analiz eder. Sağlıklı doku örüntülerinden sapan tümörleri veya kırıkları tespit etmek, radyologların daha hızlı tanı koymasına yardımcı olur ve Sağlık Hizmetlerinde AI yaklaşımının önemli bir bileşenidir.
• Finansal Dolandırıcılık Tespiti: Bankalar, işlem akışlarını izlemek için istatistiksel anomali tespitinden yararlanır. Bir kullanıcının harcama davranışı aniden değişirse (örneğin yabancı bir ülkede yüksek tutarlı bir alışveriş yapılırsa), sistem işlemi, finansal dolandırıcılık tespit yöntemlerinde açıklandığı üzere olası bir güvenlik ihlali olarak işaretler.
• Ağ Saldırısı Tespiti: Siber güvenlik araçları, ağ trafiğini ani artışlar veya olağan dışı paket imzaları açısından izler. Sistemler, normal trafiğe ilişkin bir temel oluşturarak siber saldırıları veya veri sızdırma girişimlerini erken tespit edebilir.

Ultralytics YOLO26 ile Kusur Tespiti Uygulama#

Anomali tespitine yönelik pratik bir yaklaşım, belirli kusur sınıflarını tanıyacak şekilde bir görü modelini eğitmeyi içerir. YOLO26 gibi en yeni modeller bu görev için optimize edilmiştir ve YOLO11 gibi önceki sürümlere kıyasla üstün hız ve hassasiyet sunar. Aşağıdaki örnek, önceden eğitilmiş bir modelin nasıl yükleneceğini ve nesne olarak etiketlenen anomalileri belirlemek için çıkarımın nasıl çalıştırılacağını gösterir.

from ultralytics import YOLO

# Load a YOLO26 model trained to detect specific defects (e.g., 'crack', 'dent')
# YOLO26 provides native end-to-end support for faster inference
model = YOLO("yolo26n.pt")

# Perform inference on a product image
# The 'conf' threshold filters out low-confidence predictions (noise)
results = model.predict("path/to/product_image.jpg", conf=0.5)

# Visualize the identified defects
for result in results:
    result.show()  # Displays image with bounding boxes around anomalies

Araçlar ve Ekosistem#

Etkili anomali tespit sistemleri geliştirmek, veri ön işleme ve model yaşam döngüsü yönetimini ele alabilecek güçlü bir yazılım ekosistemi gerektirir.

• Derin Öğrenme Çerçeveleri: PyTorch ve TensorFlow gibi kütüphaneler, görü tabanlı tespitlerde kullanılan karmaşık sinir ağlarını eğitmek için hesaplama arka ucu sağlar.
• Veri Hazırlama: Veri temizleme araçları, modelin "normal" için temiz bir temel öğrenebilmesi amacıyla başlangıç eğitim kümesindeki aykırı değerleri kaldırmak için gereklidir.
• İstatistiksel Kütüphaneler: Görsel olmayan veriler için Scikit-learn kütüphanesi, Isolation Forest ve One-Class Destek Vektör Makinesi (SVM) gibi standart algoritmalar sunar.
• Entegre İş Akışları: Ultralytics Platformu, veri kümelerine açıklama ekleme, bulut tabanlı eğitim ve YOLO26 gibi verimli modelleri gerçek zamanlı çıkarım için uç cihazlara dağıtma araçları sunarak bu modellerin yaşam döngüsünü kolaylaştırır.