Data Labeling
Makine öğrenimi için veri etiketlemenin temellerini öğren. Nesne algılama gibi temel türleri keşfet ve Ultralytics YOLO26 kullanarak iş akışlarını nasıl hızlandıracağını öğren.
Veri etiketleme; görüntüler, video kareleri, metin veya ses gibi ham verileri tanımlayıp bağlam sağlamak amacıyla bilgilendirici etiketler ya da meta veriler eklemeye yönelik temel süreçtir. Makine öğrenimi (ML) alanında algoritmalar fiziksel dünyayı kendiliğinden anlayamaz; onlara rehberlik edecek bir "öğretmene" ihtiyaç duyar. Bu rehberlik, denetimli öğrenme sırasında kullanılan etiketli veri kümeleri aracılığıyla sağlanır. Etiketler, modelin tahmin etmeye çalıştığı doğru yanıtları temsil eden gerçek referanstır. İster basit bir sınıflandırıcı ister Ultralytics YOLO26 gibi karmaşık bir mimari eğitiliyor olsun, bu etiketlerin doğruluğu, tutarlılığı ve kalitesi modelin başarısını belirleyen başlıca unsurlardır.
Veri Etiketleme ve Veri Açıklama Karşılaştırması#
Bu terimler günlük konuşmalarda çoğu zaman birbirinin yerine kullanılsa da dikkate değer ince bir fark vardır. "Veri etiketleme" genellikle bir veri parçasına kategori veya etiket atama eylemini ifade eder (örneğin bir e-postayı "spam" olarak etiketlemek). Buna karşılık veri açıklama çoğu zaman bilgisayarlı görü (CV) alanına özgüdür ve sınırlayıcı kutular, çokgenler veya anahtar noktalar kullanarak nesnelerin kesin sınırlarını belirlemeyi içerir. Bununla birlikte, çoğu ML operasyonları (MLOps) iş akışında her iki terim de yüksek kaliteli eğitim verilerinin oluşturulmasını ifade eder.
Bilgisayarlı Görüde Temel Türler#
Etiketleme yöntemi, modelin gerçekleştirmesi gereken göreve göre değişir. Yaygın türler şunlardır:
- Görüntü Sınıflandırma: Bir hava durumunu "bulutlu" veya "güneşli" olarak tanımlamak gibi, görüntünün tamamına tek bir etiket atamak.
- Nesne Tespiti: Modele nesnenin ne olduğunu ve nerede bulunduğunu öğretmek için belirgin nesnelerin çevresine 2B sınırlayıcı kutular çizmek.
- Örnek Bölütleme: Kesin şekilleri ve sınırları belirlemek için nesnelerin çevresinde piksel düzeyinde kusursuz maskeler veya çokgenler oluşturmak.
- Poz Tahmini: Hareketi veya duruşu analiz etmek amacıyla iskelet eklemleri gibi belirli anahtar noktaları bir özne üzerinde işaretlemek.
Gerçek Dünya Uygulamaları#
Veri etiketlemenin faydası, yapay zekâ kullanan neredeyse tüm sektörlere uzanır.
-
Otonom Araçlar: Sürücüsüz araçlar; her aracın, yayanın, trafik işaretinin ve şerit işaretinin titizlikle etiketlendiği devasa veri kümelerine dayanır. Bu etiketli veriler, algılama sisteminin karmaşık ortamlarda güvenli bir şekilde yol almasını sağlar. Otonom araç şirketleri, güvenlik gerekliliklerine uyumu sağlamak için piksel düzeyinde etiketlemeye büyük yatırımlar yapar.
-
Hassas Tarım: Modern tarımda tarımda yapay zekâ, mahsul hastalıklarını tespit etmek veya büyüme aşamalarını izlemek için kullanılır. Çiftçiler, tedaviyi otomatikleştirmek, kimyasal kullanımını azaltmak ve verimi artırmak için "sağlıklı" ve "hastalıklı" yaprakların etiketlenmiş görüntüleriyle eğitilmiş modeller kullanır.
Etiketleme İş Akışı#
Etiketli bir veri kümesi oluşturmak, çoğu zaman bir yapay zekâ projesinin en çok zaman alan bölümüdür. Süreç genellikle, yüksek doğruluk sağlamak için insan açıklayıcıların etiketleri doğruladığı "Döngüde İnsan" (HITL) yaklaşımını içerir. Modern iş akışları, veri kümesi yönetimini kolaylaştıran ve ekiplerin açıklamalar üzerinde iş birliği yapmasına olanak tanıyan Ultralytics Platform gibi araçlardan yararlanır. Aktif öğrenme gibi gelişmiş teknikler de kullanılabilir; bu tekniklerde model verileri önceden etiketler ve insanlar yalnızca düşük güvenli tahminleri düzeltir. Böylece süreç önemli ölçüde hızlanır.
Aşağıdaki örnek, yeni bir görüntü için etiketleri (otomatik etiketleme) otomatik olarak oluşturmak ve ardından bu etiketleri insanlar tarafından düzeltmek amacıyla önceden eğitilmiş bir Ultralytics YOLO26 modelinin nasıl kullanılacağını gösterir:
from ultralytics import YOLO
# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")
# Run inference on an image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")
# Save the detection results to a text file in standard YOLO format
# This file can now be used as a starting point for data labeling
results[0].save_txt("bus_labels.txt")
