Data Annotation

Veri anotasyonu; görüntü, video, metin veya ses gibi ham verilere, bunları makine öğrenimi (ML) modelleri için anlaşılır hâle getirmek amacıyla açıklayıcı meta veriler veya etiketler ekleme sürecidir. Bu uygulama, algoritmaların örüntüleri öğrenmek, nesneleri tanımak ve tahminlerde bulunmak için kullandığı bir "gerçek referans" oluşturur. Denetimli öğrenme bağlamında yüksek kaliteli anotasyonlar, öğretmen görevi görerek belirli bir girdi için hangi çıktının beklendiği konusunda modele yol gösterir. Hassas veri anotasyonu olmadan, Ultralytics YOLO26 gibi gelişmiş mimariler bile nesneleri doğru şekilde algılayamaz veya karmaşık sahneleri yorumlayamaz; çünkü modelin performansı, eğitim verilerinin kalitesiyle doğrudan bağlantılıdır.

Yapay Zekâ Geliştirmede Anotasyonun Rolü#

Güçlü yapay zekâ sistemleri oluşturmak, yapılandırılmamış verileri yapılandırılmış veri kümelerine dönüştürmeyi gerektirir. Veri anotasyonu, ilgi duyulan özellikleri açıkça işaretleyerek bu boşluğu doldurur. Örneğin bilgisayarlı görü (CV) alanında bu işlem, arabaların çevresine sınırlayıcı kutular çizilmesini veya tıbbi bir taramadaki tümörün ana hatlarının izlenmesini içerebilir.

Anotasyon görevinin karmaşıklığı, amaçlanan uygulamaya göre değişir:

• Nesne Algılama: Modele bir nesnenin ne olduğunu ve nerede bulunduğunu öğretmek için nesnelerin çevresine 2B dikdörtgenler çizmeyi içerir.
• Örnek Bölütleme: Tek tek örnekleri ve bunların tam şekillerini ayırt etmek için nesnelerin çevresinde piksel hassasiyetinde poligonlar oluşturulmasını gerektirir.
• Poz Tahmini: Hareketi veya duruşu analiz etmek için insan vücudundaki eklemler gibi belirli anahtar noktaların işaretlenmesine odaklanır.
• Görüntü Sınıflandırma: Bir fotoğrafı "güneşli" veya "yağmurlu" olarak tanımlamak gibi, bir görüntünün tamamına tek bir kategorik etiket atar.

Gerçek Dünya Uygulamaları#

Veri anotasyonu, makinelerin dünyayı doğru şekilde algılamasını sağlayarak çeşitli sektörlerde inovasyonu destekler.

1. Otonom Araçlar: Otonom araçlar, her yayanın, trafik ışığının ve şerit işaretinin anotasyonunun yapıldığı devasa veri kümelerine dayanır. Bu etiketli veriler, algılama sistemlerinin güvenli şekilde yol almasını sağlar. Şirketler, ortamın 3B haritalarını oluşturmak için video verilerinin yanı sıra LiDAR nokta bulutu anotasyonunu da kullanır.

2. Tıbbi Görüntüleme: Sağlık hizmetlerinde yapay zekâ alanında radyologlar, anormallikleri vurgulamak için röntgen ve MRI taramalarına anotasyon ekler. Bu anotasyon eklenmiş veri kümeleri, modelleri erken tanıya yardımcı olacak şekilde eğitir; örneğin tümörleri tespit etme konusunda yalnızca insan incelemesine kıyasla daha yüksek tutarlılık sağlar.

Anotasyon ve Etiketleme ile Veri Artırma Arasındaki Fark#

Birbirlerinin yerine kullanılsalar da veri anotasyonunu ML operasyonları (MLOps) iş akışındaki ilgili kavramlardan ayırmak faydalıdır.

• Anotasyon ve Veri Etiketleme Arasındaki Fark: "Etiketleme" genellikle basit kategorilendirmeyi (ör. bir e-postayı spam olarak etiketleme) ifade edebilen daha geniş bir terimdir. "Anotasyon" ise genellikle bir görüntü içindeki belirli uzamsal bölgeleri veya bir ses dosyasındaki zaman aralıklarını işaretlemek gibi daha zengin ve ayrıntılı bir süreci ifade eder.
• Anotasyon ve Veri Artırma Arasındaki Fark: Anotasyon, ilk gerçek referansı oluşturur. Veri artırma, mevcut anotasyon eklenmiş örneklere döndürme, çevirme veya gürültü ekleme gibi dönüşümler uygulayarak veri kümesini yapay olarak genişleten sonraki adımdır. Bu işlem aşırı öğrenmenin önlenmesine ve modelin genelleme yeteneğinin iyileştirilmesine yardımcı olur.

Araçlar ve İş Akışı#

Modern veri anotasyonu nadiren manuel ve tek başına gerçekleştirilen bir görevdir. Bu süreç, iş birliğine dayalı platformları ve giderek daha fazla yapay zekâ destekli araçları içerir. Ultralytics Platformu, veri kümesi yönetimi ve otomatik anotasyon için entegre araçlar sunarak bu iş akışını kolaylaştırır. Önceden eğitilmiş bir model kullanarak ilk etiketleri önermek, aktif öğrenme olarak bilinen bir teknikle süreci önemli ölçüde hızlandırabilir.

Anotasyon eklenen veriler, eğitim için genellikle JSON veya YOLO TXT biçimi gibi standart biçimlerde dışa aktarılır. Aşağıdaki Python kod parçacığı, bir YOLO26 modelini eğitmeden önce anotasyon eklenmiş veri kümesi yapılandırmanı doğrulama yöntemini 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 anotasyonu, yüksek performanslı yapay zekânın temelidir. Geliştiriciler, yüksek kaliteli anotasyonlara yatırım yaparak modellerinin açık ve tutarlı örneklerden öğrenmesini sağlar; bu da gerçek dünyadaki dağıtımlarda güvenilir tahminlere yol açar.