Anomali Tespiti

Anormallik tespiti, Yapay Zeka (AI) ve Makine Öğrenimi (ML) alanlarında, veri kümesinin normal davranışından önemli ölçüde sapan veri noktaları, olaylar veya gözlemleri belirlemeye odaklanan kritik bir tekniktir. Genellikle aykırı değer tespiti olarak adlandırılan bu süreç, verilerin çoğunun belirli bir model veya dağılım izlediğini varsayar ve bu belirlenen normun dışında kalan her şey bir anormallik olarak kabul edilir. Bu düzensizlikler, üretimdeki yapısal kusurlar, metin verilerindeki hatalar veya ağ trafiğindeki potansiyel güvenlik ihlalleri gibi kritik olayları gösterebilir. Derin Öğrenme (DL) dahil olmak üzere gelişmiş algoritmalar, bu nadir olayların yüksek doğrulukla tanınmasını otomatikleştirmek için kullanılır.

Anomali Tespiti - Nesne Tespiti Karşılaştırması

Her iki metodoloji de modern bilgisayar görme (CV) için temel önemde olsa da, anormallik tespitini standart nesne tespitinden ayırmak önemlidir.

• Nesne Algılama, genellikle modelin sınırlayıcı kutular kullanarak belirli, bilinen sınıfları (örneğin, "araba", "kişi", "trafik ışığı") tanımladığı ve konumlandırdığı kapalı bir problemdir. Sistem, tam olarak bulması gereken şeylerin etiketlenmiş örnekleri üzerinde eğitilir.
• Anomali Tespiti genellikle açık küme problemi olarak ele alınır. Sistem, "normallik" kavramının bir temsilini öğrenir ve bilinmeyen sapmaları işaretler. Örneğin, bir görsel inceleme sistemi, binlerce mükemmel ürünün görüntüsü üzerinde eğitilebilir. Daha sonra, daha önce o belirli kusur türüyle hiç karşılaşmamış olsa bile, herhangi bir çizik, çöküntü veya renk değişikliğini anomali olarak tanımlamalıdır.

Ancak, en son teknolojiye sahip Ultralytics gibi sağlam nesne dedektörleri, denetimli anormallik tespiti için etkili bir şekilde uyarlanabilir. Bilinen kusurları eğitim verileri içinde ayrı sınıflar olarak ele alarak, mühendisler belirli türdeki düzensizlikleri tespit etmek için modelleri eğitebilirler. .

Gerçek Dünya Uygulamaları

Düzensizlikleri otomatik olarak tespit etme yeteneği, manuel izlemenin pratik olmadığı çeşitli yüksek riskli sektörlerde anomali tespiti için vazgeçilmez hale getirir.

• Üretimde Yapay Zeka: Otomatik optik inceleme (AOI) sistemleri, üretim hatlarını izleyerek yapısal kusurları gerçek zamanlı olarak tespit eder. Öngörücü bakım uygulayarak, fabrikalar makinelerde detect titreşimleri veya ısı izlerini detect edebilir ve maliyetli arıza sürelerini önleyebilir.
• Tıbbi Görüntü Analizi: Sağlık hizmetlerinde algoritmalar, MRI veya CT taramalarını analiz ederek potansiyel patolojileri ortaya çıkarır. Sağlıklı doku modellerinden sapan tümörleri veya kırıkları tespit etmek, radyologların daha hızlı tanı koymasına yardımcı olur ve bu, sağlık hizmetlerinde yapay zekanın önemli bir bileşenidir .
• Finansal Dolandırıcılık Tespiti: Bankalar, işlem akışlarını izlemek için istatistiksel anomali tespiti kullanır. Bir kullanıcının harcama davranışı aniden değişirse (örneğin, yabancı bir ülkede büyük bir satın alma işlemi yaparsa), sistem bu işlemi finansal dolandırıcılık tespit yöntemlerinde açıklandığı gibi potansiyel bir güvenlik ihlali olarak işaretler. Finansal Dolandırıcılık Tespiti: Bankalar, işlem akışlarını izlemek için istat istiksel anomali tespiti kullanır.
• Ağ Saldırı Tespiti: Siber güvenlik araçları, ağ trafiğini ani artışlar veya olağandışı paket imzaları açısından izler. Normal trafiğin temelini belirleyerek, sistemler siber saldırıları veya veri sızdırma girişimlerini erken aşamada tespit edebilir.

YOLO26 ile Hata Tespiti Uygulaması

Anomali tespitine pratik bir yaklaşım, belirli kusur sınıflarını tanımak için bir görme modelini eğitmektir. YOLO26 gibi en yeni modeller bu görev için optimize edilmiştir ve YOLO11 gibi önceki versiyonlara kıyasla üstün hız ve hassasiyet sunar. Aşağıdaki örnek, önceden eğitilmiş bir modeli yüklemeyi ve nesne olarak etiketlenmiş anomalileri tanımlamak için çıkarım yapmayı 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 için, veri ön işleme ve model yaşam döngüsü yönetimini gerçekleştirebilecek sağlam bir yazılım ekosistemi gereklidir.

• Derin Öğrenme Çerçeveleri: PyTorch ve TensorFlow görüntü tabanlı algılamada kullanılan karmaşık sinir ağlarının eğitimi için hesaplama arka ucunu sağlar.
• Veri Hazırlama: Veri temizleme araçları, modelin "normal" olan temiz bir temel öğrenmesi için ilk eğitim setinden aykırı değerleri kaldırmak için gereklidir.
• İstatistik Kütüphaneleri: Görsel olmayan veriler için, Scikit-learn kütüphanesi, Isolation Forest ve One-Class Support Vector Machine (SVM) gibi standart algoritmalar sunar.
• Entegre İş Akışları: Ultralytics , bu modellerin yaşam döngüsünü kolaylaştırır ve veri kümelerini açıklama, bulut tabanlı eğitim ve YOLO26 gibi verimli modelleri gerçek zamanlı çıkarım için uç cihazlara dağıtma araçları sunar.