Data Annotation

Veri etiketleme, görüntü, video, metin veya ses gibi ham verilerin makine öğrenimi (ML) modelleri tarafından anlaşılmasını sağlamak amacıyla bu verilere açıklayıcı meta veriler veya etiketler ekleme sürecidir. Bu uygulama, algoritmaların desenleri öğrenmek, nesneleri tanımak ve tahminler yapmak için kullandığı bir "temel gerçeklik" (ground truth) oluşturur. Denetimli öğrenme bağlamında, yüksek kaliteli etiketler bir öğretmen görevi görerek modele belirli bir girdi için hangi çıktının beklendiği konusunda yol gösterir. Hassas bir veri etiketleme olmadan, Ultralytics YOLO26 gibi gelişmiş mimariler bile nesneleri doğru bir şekilde tespit edemez veya karmaşık sahneleri yorumlayamaz, çünkü modelin performansı doğası gereği eğitim verilerinin kalitesiyle doğrudan bağlantılıdır.

Link to this sectionYapay Zeka Geliştirmede Etiketlemenin Rolü#

Güçlü yapay zeka sistemleri oluşturmak, yapılandırılmamış verilerin yapılandırılmış veri kümelerine dönüştürülmesini gerektirir. Veri etiketleme, ilgi çekici özellikleri açıkça işaretleyerek bu boşluğu doldurur. Örneğin, bilgisayarlı görü (CV) alanında bu işlem, arabaların etrafına sınırlayıcı kutular çizmeyi veya tıbbi bir taramada tümörün ana hatlarını belirlemeyi içerebilir.

Etiketleme görevinin karmaşıklığı, hedeflenen uygulamaya göre değişiklik gösterir:

• Nesne Tespiti: Modele bir nesnenin ne olduğunu ve nerede bulunduğunu öğretmek için nesnelerin etrafına 2D dikdörtgenler çizmeyi içerir.
• Örnek Segmentasyonu: Bireysel örnekleri ve tam şekillerini ayırt etmek için nesnelerin etrafında piksel düzeyinde mükemmel çokgenler gerektirir.
• Poz Tahmini: Hareketi veya duruşu analiz etmek için insan vücudundaki eklemler gibi belirli anahtar noktaların işaretlenmesine odaklanır.
• Görüntü Sınıflandırma: Bir fotoğrafın "güneşli" veya "yağmurlu" olarak tanımlanması gibi, görüntünün tamamına tek bir kategorik etiket atar.

Link to this sectionGerçek Dünya Uygulamaları#

Veri etiketleme, makinelerin dünyayı doğru bir şekilde algılamasını sağlayarak çeşitli sektörlerde inovasyonu körükler.

1. Otonom Araçlar: Sürücüsüz araçlar, her yayanın, trafik ışığının ve şerit çizgisinin etiketlendiği devasa veri kümelerine güvenir. Bu etiketli veriler, algılama sistemlerinin güvenli bir şekilde seyretmesini sağlar. Şirketler, ortamın 3D haritalarını oluşturmak için video verileriyle birlikte LiDAR nokta bulutu etiketlemesini kullanır.

2. Tıbbi Görüntüleme: Sağlık yapay zekasında, radyologlar anormallikleri vurgulamak için röntgen ve MRI taramalarını etiketler. Bu etiketlenmiş veri kümeleri, modelleri tümör tespiti gibi işlemlerde yalnızca insan incelemesine göre daha yüksek tutarlılıkla yardımcı olacak şekilde eğitir.

Link to this sectionEtiketleme, İsimlendirme ve Artırma Karşılaştırması#

Sıklıkla birbirinin yerine kullanılsa da, veri etiketlemeyi ML işlemleri (MLOps) iş akışındaki ilgili kavramlardan ayırmak faydalıdır.

• Etiketleme (Annotation) vs. Veri İsimlendirme: "İsimlendirme" (Labeling) genellikle basit kategorizasyonu (örneğin, bir e-postayı spam olarak işaretlemek) ifade edebilen daha geniş bir terimdir. "Etiketleme" (Annotation) ise genellikle bir görüntü içindeki belirli uzamsal bölgeleri veya bir ses dosyasındaki zaman dilimlerini işaretlemek gibi daha zengin ve ayrıntılı bir süreci ifade eder.
• Etiketleme (Annotation) vs. Veri Artırma: Etiketleme, ilk temel gerçekliği oluşturur. Artırma, mevcut etiketlenmiş örneklere döndürme, çevirme veya gürültü ekleme gibi dönüşümler uygulayarak veri kümesini yapay olarak genişleten sonraki bir adımdır. Bu, aşırı öğrenmeyi önlemeye ve modelin genelleme yeteneğini artırmaya yardımcı olur.

Link to this sectionAraçlar ve İş Akışı#

Modern veri etiketleme nadiren manuel ve tek kişilik bir görevdir. İşbirlikçi platformları ve giderek artan bir şekilde yapay zeka destekli araçları içerir. Ultralytics Platform, veri kümesi yönetimi ve otomatik etiketleme için entegre araçlar sunarak bu iş akışını basitleştirir. İlk etiketleri önermek için önceden eğitilmiş bir model kullanmak, aktif öğrenme olarak bilinen bir teknikle süreci önemli ölçüde hızlandırabilir.

Etiketlendikten sonra veriler genellikle eğitim için JSON veya YOLO TXT formatı gibi standart formatlarda dışa aktarılır. Aşağıdaki Python kod parçacığı, bir YOLO26 modelini eğitmeden önce etiketli veri kümesi yapılandırmanızı nasıl doğrulayacağınızı gösterir.

from ultralytics import YOLO

# Load a YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

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

Doğru veri etiketleme, yüksek performanslı yapay zekanın temelidir. Geliştiriciler, yüksek kaliteli etiketlemeye yatırım yaparak modellerinin net ve tutarlı örneklerden öğrenmesini sağlar, bu da gerçek dünya dağıtımında güvenilir tahminlere yol açar.