Data Annotation

Veri etiketleme, machine learning (ML) modellerinin anlaması için ham verilere —görseller, video, metin veya ses gibi— açıklayıcı meta veriler veya etiketler ekleme kritik sürecidir. Bu uygulama, algoritmaların örüntüleri öğrenmek, nesneleri tanımak ve tahminlerde bulunmak için kullandığı bir "yerçekimi gerçeği" (ground truth) oluşturur. Supervised learning bağlamında, yüksek kaliteli etiketler bir öğretmen gibi görev yaparak modele belirli bir girdi için hangi çıktının beklendiğini rehberlik eder. Hassas veri etiketleme olmadan, Ultralytics YOLO26 gibi gelişmiş mimariler bile nesneleri doğru bir şekilde algılayamaz veya karmaşık sahneleri yorumlayamaz, çünkü modelin performansı kendi training data kalitesiyle içsel olarak bağlantılıdır.

Yapay Zeka Geliştirmede Etiketlemenin Rolü#

Sağlam yapay zeka sistemleri inşa etmek, yapılandırılmamış verileri yapılandırılmış veri setlerine dönüştürmeyi gerektirir. Veri etiketleme, ilgi çekici özellikleri açıkça işaretleyerek bu boşluğu kapatır. Örneğin, computer vision (CV) alanında bu, arabaların etrafına bounding boxes çizmeyi veya tıbbi bir taramada bir tümörün ana hatlarını izlemeyi içerebilir.

Etiketleme görevinin karmaşıklığı, hedeflenen uygulamaya göre değişiklik gösterir:

• Object Detection: Modelin bir nesnenin ne olduğunu ve nerede bulunduğunu öğrenmesini sağlamak için nesnelerin etrafına 2B dikdörtgenler çizmeyi içerir.
• Instance Segmentation: Bireysel örnekleri ve bunların tam şekillerini ayırt etmek için nesnelerin etrafında piksel mükemmelliğinde polygons gerektirir.
• Pose Estimation: Hareketi veya duruşu analiz etmek için insan vücudundaki eklemler gibi belirli keypoints noktalarını işaretlemeye odaklanır.
• Image Classification: Bir fotoğrafı "güneşli" veya "yağmurlu" olarak tanımlamak gibi, tüm bir görsele tek bir kategorik etiket atar.

Gerçek Dünya Uygulamaları#

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

1. Otonom Araçlar: Sürücüsüz arabalar, her yayanın, trafik ışığının ve şerit işaretleyicisinin etiketlendiği devasa veri setlerine dayanır. Bu etiketlenmiş veri, algılama sistemlerinin güvenli bir şekilde seyretmesini sağlar. Şirketler, çevrenin 3B haritalarını oluşturmak için video verilerinin yanı sıra LiDAR nokta bulutu etiketlemesi kullanır.

2. Tıbbi Görüntüleme: Healthcare AI alanında, radyologlar anormallikleri vurgulamak için X-ışınlarını ve MR taramalarını etiketler. Bu etiketlenmiş veri setleri, modelleri yalnızca insan incelemesine kıyasla daha yüksek tutarlılıkla detecting tumors gibi erken teşhiste yardımcı olması için eğitir.

Etiketleme, İsimlendirme ve Artırma Karşılaştırması#

Çoğu zaman birbirinin yerine kullanılsa da, veri etiketlemeyi ML operations (MLOps) iş akışındaki ilgili kavramlardan ayırmak faydalıdır.

• Etiketleme ve Data Labeling Karşılaştırması: "Labeling" genellikle basit kategorizasyona (örn. bir e-postayı spam olarak etiketlemek) atıfta bulunabilen daha geniş bir terimdir. "Annotation" ise genellikle bir görsel içindeki belirli mekansal bölgeleri veya bir ses dosyasındaki zaman segmentlerini işaretlemek gibi daha zengin, daha ayrıntılı bir süreci ifade eder.
• Etiketleme ve Data Augmentation Karşılaştırması: Etiketleme, ilk ground truth verisini oluşturur. Artırma (Augmentation), mevcut etiketlenmiş örneklere döndürme, çevirme veya gürültü ekleme gibi dönüşümler uygulayarak veri setini yapay olarak genişleten sonraki bir adımdır. Bu, overfitting durumunu önlemeye yardımcı olur ve modelin genelleştirme yeteneğini geliştirir.

Araçlar ve İş Akışı#

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

Etiketlendikten sonra veriler, eğitim için genellikle JSON veya YOLO TXT format gibi standart formatlarda dışarı aktarılır. Aşağıdaki Python kod parçacığı, bir YOLO26 modelini eğitmeden önce etiketlenmiş veri seti 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.