Data Labeling

Veri etiketleme, görseller, video kareleri, metin veya ses gibi ham verileri tanımlama ve bağlam sağlamak amacıyla bilgilendirici etiketler veya meta veriler ekleme temel sürecidir. machine learning (ML) alanında algoritmalar fiziksel dünyayı kendi başlarına anlayamaz; onları yönlendirecek bir "öğretmene" ihtiyaç duyarlar. Bu yönlendirme, supervised learning sırasında kullanılan etiketlenmiş veri setleri biçiminde gelir. Etiketler, modelin tahmin etmeye çalıştığı doğru yanıtları temsil eden ground truth görevi görür. İster basit bir sınıflandırıcı ister Ultralytics YOLO26 gibi karmaşık bir mimari eğitiyor olun, bu etiketlerin doğruluğu, tutarlılığı ve kalitesi bir modelin başarısının birincil belirleyicileridir.

Veri Etiketleme ve Veri Açıklama#

Terimler günlük konuşmalarda genellikle birbirinin yerine kullanılsa da dikkat değer ince bir ayrım vardır. "Veri etiketleme", genel olarak bir veri parçasına bir kategori veya etiket atama eylemini ifade eder (ör. bir e-postayı "istenmeyen" olarak etiketleme). Buna karşılık, data annotation genellikle computer vision (CV) için daha özgündür ve sınırlayıcı kutular, çokgenler veya anahtar noktalar kullanarak nesnelerin hassas bir şekilde sınırlandırılmasını içerir. Bununla birlikte, çoğu ML operations (MLOps) iş akışında her iki terim de yüksek kaliteli training data oluşturulmasını tanımlar.

Bilgisayarlı Görüde Temel Türler#

Etiketleme yöntemi, modelin gerçekleştirmesi gereken göreve göre değişir. Yaygın türler şunları içerir:

• Image Classification: Hava durumu koşulunu "bulutlu" veya "güneşli" olarak belirlemek gibi tüm bir görsele tek bir etiket atama.
• Object Detection: modele nesnenin ne olduğunu ve nerede bulunduğunu öğretmek için ayrı nesnelerin etrafına 2D bounding boxes çizme.
• Instance Segmentation: Kesin şekilleri ve sınırları belirlemek için esansiyel olan, nesnelerin etrafında piksel mükemmelliğinde maskeler veya polygons oluşturma.
• Pose Estimation: Hareketi veya duruşu analiz etmek için iskelet eklemleri gibi bir özne üzerindeki belirli keypoints işaretleme.

Gerçek Dünya Uygulamaları#

Veri etiketlemenin faydası, yapay zekayı kullanan neredeyse her sektöre uzanır.

1. Otonom Araçlar: Sürücüsüz arabalar, her aracın, yayanın, trafik işaretinin ve şerit çizgisinin titizlikle etiketlendiği devasa veri setlerine güvenir. Bu etiketlenmiş veri, algılama sisteminin karmaşık ortamlarda güvenli bir şekilde gezinmesini sağlar. Autonomous vehicle şirketleri güvenlik uyumluluğunu sağlamak için piksel düzeyinde etiketlemeye büyük yatırımlar yapmaktadır.

2. Hassas Tarım: Modern çiftçilikte, AI in agriculture ürün hastalıklarını tespit etmek veya büyüme aşamalarını izlemek için kullanılır. Çiftçiler, kimyasal kullanımını azaltmak ve verimi artırmak amacıyla tedaviyi otomatikleştirmek için "sağlıklı" ve "hastalıklı" yaprakların etiketlenmiş görselleri üzerinde eğitilmiş modelleri kullanır.

Etiketleme İş Akışı#

Etiketlenmiş bir veri seti oluşturmak genellikle bir yapay zeka projesinin en çok zaman alan kısmıdır. Süreç tipik olarak, yüksek doğruluğu garanti etmek için insan açıklayıcıların etiketleri doğruladığı bir "Human-in-the-Loop" (HITL) yaklaşımını içerir. Modern iş akışları, veri seti yönetimini basitleştiren ve ekiplerin açıklamalar üzerinde iş birliği yapmasına olanak tanıyan Ultralytics Platform gibi araçlardan yararlanır. Bir modelin verileri önceden etiketlediği ve insanların yalnızca düşük güvenli tahminleri düzelttiği, süreci önemli ölçüde hızlandıran active learning gibi gelişmiş teknikler de kullanılabilir.

Aşağıdaki örnek, yeni bir görsel için otomatik etiketleme (auto-labeling) gerçekleştirmek üzere önceden eğitilmiş bir Ultralytics YOLO26 modelinin nasıl kullanılacağını ve bu etiketlerin daha sonra insanlar tarafından nasıl düzeltilebileceğini göstermektedir:

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")