Veri Etiketleme

Veri etiketleme, makine öğrenimi (ML) modelinin öğrenmesi için gerekli olan bağlamı sağlamak üzere ham verileri etiketleme, işaretleme veya transkripsiyonlama gibi kritik bir süreçtir. Bu adım, algoritmaların giriş-çıkış çiftleri üzerinde eğitilerek kalıpları tanıması ve tahminlerde bulunması için kullanılan bir yöntem olan denetimli öğrenmenin temel taşıdır. Etiketlenen bilgiler, modelin taklit etmeye çalıştığı ideal sonucu temsil eden temel gerçek olarak işlev görür. Kesin ve tutarlı bir açıklama olmadan, Ultralytics gibi gelişmiş mimariler bile etkin bir şekilde çalışamaz, çünkü sistemin doğruluğu, eğitim verilerinin kalitesine doğrudan bağlıdır.

Bilgisayar Görmesinde Yaygın Anotasyon Türleri

Bilgisayar görme (CV) alanında, veri anotasyonu, görüntüler veya video kareleri içindeki belirli özellikleri işaretlemeyi içerir. Kullanılan yöntem, büyük ölçüde modelin gerçekleştirmek üzere oluşturulduğu belirli göreve bağlıdır.

• Nesne Algılama: Anotatörler araçlar veya yayalar gibi ilgi çekici nesnelerin etrafına 2D sınırlayıcı kutular çizerler. Bu, modele nesnenin ne olduğunu ve sahnede nerede bulunduğunu öğretir.
• Örnek Segmentasyon: Bu teknik, bir nesnenin kenarları etrafında hassas çokgenler çizmeyi içerir. Basit kutulardan farklı olarak, segmentasyon robotik kavrama gibi yüksek hassasiyet gerektiren görevler için hayati önem taşıyan kesin şekli ve konturu haritalandırır.
• Poz Tahmini: Anotatörler, bir nesnenin belirli kilit noktalarını, örneğin insan vücudunun eklemlerini (dirsekler, dizler, omuzlar) işaretler. Bu, modellerin track , duruşu track ve hatta atletik performansı analiz etmesine olanak tanır.
• Görüntü Sınıflandırması: Bu en basit biçimdir ve tek bir kategori etiketi (örneğin, "sağlıklı yaprak" ve "hastalıklı yaprak") tüm görüntüye atanır.

Gerçek Dünya Uygulamaları

Veri açıklamaları, çeşitli endüstrilerde ham sensör verileri ile akıllı karar verme arasında köprü görevi görür.

1. Akıllı Tarım: Tarımda yapay zeka, yabani otları, zararlıları veya besin eksikliklerini tanımlamak için geniş mahsul görüntü veri setlerini açıklamalı hale getirir. Bu verilerle modelleri eğiterek, çiftçiler mahsul izlemeyi otomatikleştirebilir ve sadece gerekli yerlerde işlem uygulayabilir, böylece israfı azaltıp verimi artırabilirler.
2. Otonom Sürüş: Otonom araçlar, her şerit işareti, trafik işareti ve engelin etiketlendiği büyük boyutlu açıklamalı veri kütüphanelerine dayanır. Kameralardan ve LiDAR sensörlerinden gelen veriler, aracın algılama sistemini eğitmek için işlenir ve böylece aracın karmaşık trafik senaryolarında güvenli bir şekilde yol alması sağlanır.

İlgili Kavramları Ayırt Etme

Veri anotasyonunu, veri kümesi hazırlama iş akışında sıklıkla kullanılan diğer terimlerden ayırmak yararlıdır.

• Anotasyon ve Veri Etiketleme: Sıklıkla birbirinin yerine kullanılmasına rağmen, "etiketleme" genellikle daha basit sınıflandırma görevlerini (etiket atama) ifade ederken, "anotasyon" karmaşık geometri çizme veya videoda zaman damgası işaretleme gibi daha zengin meta veri üretimi anlamına gelir.
• Anotasyon ve Veri Artırma: Anotasyon, ilk temel gerçeği oluşturur. Artırma, modelin sağlamlığını artırmak için mevcut anotasyonlu görüntülere dönüşümler (dönüş veya renk kaymaları gibi) uygulayarak veri setini yapay olarak genişleten bir sonraki süreçtir.
• Anotasyon ve Aktif Öğrenme: Aktif öğrenme, modelin en kafa karıştırıcı bulduğu belirli veri noktalarını belirlediği ve sadece bu örnekler için insan anotasyonu talep ettiği, anotasyon sürecinin zaman ve maliyetini optimize eden bir stratejidir.

Araçlar ve İş Akışı

Yüksek kaliteli açıklamalar oluşturmak için genellikle JSON veya XML gibi standart formatlarda veri dışa aktaran özel yazılımlar gerekir. Modern iş akışları , veri kaynağı, otomatik açıklama ve model eğitimi işlemlerini tek bir arayüzde kolaylaştıran Ultralytics gibi entegre ortamlara doğru giderek daha fazla yönelmektedir.

Veriler anotlandıktan sonra, eğitim için bir yapılandırma dosyasında (genellikle YAML) referanslanır. Aşağıdaki örnek, önceden mevcut anotlamalarla birlikte gelen standart COCO8 kullanarak bir YOLO26 modelinin nasıl eğitileceğini göstermektedir .

from ultralytics import YOLO

# Load the latest YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Train the model using a dataset configuration file
# The YAML file points to the annotated images and labels
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)