Anomaly Detection

Anomali tespiti, bir veri setinin normal davranışından önemli ölçüde sapma gösteren veri noktalarını, olayları veya gözlemleri belirlemeye odaklanan Yapay Zeka (AI) ve Makine Öğrenimi (ML) alanlarında kritik bir tekniktir. Genellikle aykırı değer tespiti olarak adlandırılan bu süreç, verilerin çoğunun belirli bir deseni veya dağılımı izlediğini ve bu belirlenen normun dışına çıkan her şeyin anomali olarak kabul edildiğini varsayar. Bu düzensizlikler, imalattaki yapısal kusurlar, metin verilerindeki hatalar veya ağ trafiğindeki potansiyel güvenlik ihlalleri gibi kritik olayları gösterebilir. Derin Öğrenme (DL) içinde kullanılanlar da dahil olmak üzere gelişmiş algoritmalar, bu nadir olayların tanınmasını yüksek doğrulukla otomatikleştirmek için kullanılır.

Anomali Tespiti ve Nesne Tespiti#

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

• Nesne Tespiti, modelin sınırlama kutularını kullanarak belirli, bilinen sınıfları (ör. "araba," "kişi," "trafik ışığı") tanımladığı ve konumlandırdığı kapalı uçlu bir problemdir. Sistem, tam olarak neyi bulması gerektiğine dair etiketli örnekler 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.

Bununla birlikte, son teknoloji ürünü Ultralytics YOLO26 gibi güçlü nesne dedektörleri, denetimli anomali tespiti için etkili bir şekilde uyarlanabilir. Mühendisler, bilinen kusurları eğitim verileri içinde ayrı sınıflar olarak ele alarak, modelleri belirli düzensizlik türlerini saptamak üzere eğitebilir.

Gerçek 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, yapısal kusurları gerçek zamanlı olarak belirlemek için üretim hatlarını izler. Kestirimci bakım uygulayarak, fabrikalar makinelerdeki olağandışı titreşimleri veya ısı imzalarını tespit edebilir ve maliyetli duruş sürelerini önleyebilir.
• Tıbbi Görüntü Analizi: Sağlık sektöründe algoritmalar, potansiyel patolojileri vurgulamak için MRI veya BT taramalarını analiz eder. Sağlıklı doku desenlerinden sapan tümörlerin veya kırıkların tespit edilmesi, Sağlıkta Yapay Zeka'nın önemli bir bileşeni olarak radyologların daha hızlı teşhis koymasına yardımcı olur.
• Finansal Dolandırıcılık Tespiti: Bankalar, işlem akışlarını izlemek için istatistiksel anomali tespitinden yararlanır. Bir kullanıcının harcama davranışı ani bir değişiklik gösterirse —yabancı bir ülkede büyük bir satın alma gibi— sistem, finansal dolandırıcılık tespiti metodolojilerinde açıklandığı gibi işlemi potansiyel bir güvenlik ihlali olarak işaretler.
• Ağ Saldırı Tespiti: Siber güvenlik araçları, ani artışlar veya olağandışı paket imzaları için ağ trafiğini izler. Sistemler, normal trafiğin bir taban çizgisini oluşturarak siber saldırıları veya veri sızdırma girişimlerini erkenden tespit edebilir.

Ultralytics YOLO26 ile Kusur Tespiti Uygulaması#

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

Araçlar ve Ekosistem#

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

• Derin Öğrenme Çerçeveleri: PyTorch ve TensorFlow gibi kütüphaneler, tabanlı tespitte kullanılan karmaşık sinir ağlarını eğitmek için hesaplama altyapısı sağlar.
• Veri Hazırlama: Veri temizleme araçları, modelin temiz bir "normal" taban çizgisi öğrenmesi için ilk eğitim setindeki aykırı değerleri kaldırmak amacıyla esastır.
• 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 Platform, veri setlerini etiketleme, bulut tabanlı eğitim araçları sunma ve gerçek zamanlı çıkarım için YOLO26 gibi verimli modelleri uç cihazlara dağıtma imkanı tanıyarak bu modellerin yaşam döngüsünü kolaylaştırır.