Anomaly Detection

Anomali tespiti, Yapay Zeka (AI) ve Makine Öğrenimi (ML) alanlarında, bir veri kümesinin normal davranışından önemli ölçüde sapan veri noktalarını, olayları veya gözlemleri belirlemeye odaklanan kritik bir tekniktir. Genellikle aykırı değer tespiti olarak adlandırılan bu süreç, verilerin çoğunluğunun belirli bir kalıbı veya dağılımı izlediğini ve bu yerleşik normun dışına çıkan her şeyin bir anomali olarak kabul edildiğini varsayar. Bu düzensizlikler, üretimdeki yapısal kusurlar, metin verilerindeki hatalar veya ağ trafiğindeki potansiyel güvenlik ihlalleri gibi kritik olaylara işaret edebilir. Derin Öğrenme (DL) içinde kullanılanlar da dahil olmak üzere gelişmiş algoritmalar, bu nadir olayların yüksek doğrulukla otomatik olarak tanınması için kullanılır.

Link to this sectionAnomali Tespiti ve Nesne Tespiti#

Her iki metodoloji de modern bilgisayarlı görü (CV) için temel teşkil etse de, anomali tespitini standart nesne tespitinden ayırmak önemlidir.

• Nesne Tespiti, genellikle modelin sınırlayıcı kutular kullanarak belirli, bilinen sınıfları (örneğin "araba", "insan", "trafik ışığı") tanımladığı ve konumlandırdığı kapalı küme bir problemdir. Sistem, tam olarak bulması gerekenlerin etiketlenmiş örnekleri üzerinde eğitilir.
• Anomali Tespiti ise genellikle açık küme bir problem olarak ele alınır. Sistem bir "normallik" temsili öğrenir ve bilinmeyen sapmaları işaretler. Örneğin, bir görsel denetim sistemi binlerce kusursuz ürün görüntüsü üzerinde eğitilebilir. Bu durumda sistem, daha önce hiç karşılaşmadığı bir kusur türü olsa bile herhangi bir çiziği, çentiği veya renk bozulmasını anomali olarak tanımlamalıdır.

Ancak, en son teknoloji ürünü Ultralytics YOLO26 gibi güçlü nesne dedektörleri, denetimli anomali tespiti için etkili bir şekilde uyarlanabilir. Bilinen kusurları eğitim verileri içinde ayrı sınıflar olarak ele alarak, mühendisler modelleri belirli düzensizlik türlerini tam olarak belirlemek için eğitebilirler.

Link to this sectionGerçek Dünya Uygulamaları#

Düzensizlikleri otomatik olarak tespit edebilme yeteneği, manuel izlemenin pratik olmadığı çeşitli yüksek riskli endüstrilerde anomali tespitini vazgeçilmez kılar.

• Üretimde Yapay Zeka: Otomatik optik denetim (AOI) sistemleri, üretim hatlarını izleyerek yapısal kusurları gerçek zamanlı olarak tanımlar. Kestirimci bakım uygulayarak, fabrikalar makinelerdeki olağandışı titreşimleri veya ısı imzalarını tespit edebilir ve maliyetli duruşları önleyebilir.
• Tıbbi Görüntü Analizi: Sağlık hizmetlerinde algoritmalar, potansiyel patolojileri vurgulamak için MRI veya CT taramalarını analiz eder. Sağlıklı doku kalıplarından sapan tümörleri veya kırıkları tespit etmek, Sağlıkta Yapay Zeka alanının kilit bir bileşeni olarak radyologların daha hızlı teşhis koymasına yardımcı olur.
• Finansal Dolandırıcılık Tespiti: Bankalar, işlem akışlarını izlemek için istatistiksel anomali tespitini kullanır. Bir kullanıcının harcama davranışı aniden değişirse (örneğin, yabancı bir ülkede büyük bir satın alma işlemi), sistem finansal dolandırıcılık tespit metodolojilerinde açıklandığı gibi işlemi potansiyel bir güvenlik ihlali olarak işaretler.
• Ağ İzinsiz Giriş Tespiti: Siber güvenlik araçları, ağ trafiğini ani artışlar veya olağandışı paket imzaları için izler. Bir normal trafik temeli oluşturarak sistemler, siber saldırıları veya veri sızdırma girişimlerini erkenden tanımlayabilir.

Link to this sectionYOLO26 ile Kusur Tespiti Uygulaması#

Anomali tespiti için pratik bir yaklaşım, bir görüntü modelini belirli kusur sınıflarını tanıyacak şekilde eğitmeyi içerir. YOLO26 gibi en güncel modeller bu görev için optimize edilmiş olup, YOLO11 gibi önceki yinelemelere kıyasla üstün hız ve hassasiyet sunar. Aşağıdaki örnek, önceden eğitilmiş bir modelin nasıl yükleneceğini ve nesne olarak etiketlenmiş anomalileri tanımlamak için çıkarımın (inference) nasıl çalıştırılacağını göstermektedir.

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

Link to this sectionAraçlar ve Ekosistem#

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

• Derin Öğrenme Çerçeveleri: PyTorch ve TensorFlow gibi kütüphaneler, görüntü tabanlı tespitte kullanılan karmaşık sinir ağlarını eğitmek için hesaplama altyapısı sağlar.
• Veri Hazırlığı: Veri temizleme araçları, modelin temiz bir "normal" temeli öğrenmesi için ilk eğitim kümesindeki aykırı değerleri kaldırmak adına elzemdir.
• İstatistiksel Kütüphaneler: Görsel olmayan veriler için Scikit-learn kütüphanesi, İzolasyon Ormanı ve Tek Sınıflı Destek Vektör Makinesi (SVM) gibi standart algoritmalar sunar.
• Entegre İş Akışları: Ultralytics Platform, veri kümelerini etiketleme, bulut tabanlı eğitim ve gerçek zamanlı çıkarım için YOLO26 gibi verimli modelleri uç cihazlara dağıtma araçları sunarak bu modellerin yaşam döngüsünü kolaylaştırır.