Data Labeling

Veri etiketleme, ham verilerin (görüntüler, video kareleri, metin veya ses gibi) tanımlanması ve bağlam sağlamak için bilgilendirici etiketler veya meta veriler eklenmesi şeklindeki temel süreçtir. Makine öğrenimi (ML) dünyasında algoritmalar fiziksel dünyayı doğuştan anlayamazlar; onları yönlendirmek için bir "öğretmene" ihtiyaç duyarlar. Bu rehberlik, denetimli öğrenme sırasında kullanılan etiketli veri kümeleri biçiminde gelir. Etiketler, modelin tahmin etmeye çalıştığı doğru yanıtları temsil eden temel doğruluk işlevi görür. Basit bir sınıflandırıcıyı veya Ultralytics YOLO26 gibi karmaşık bir mimariyi eğitiyor olsan, bu etiketlerin doğruluğu, tutarlılığı ve kalitesi bir modelin başarısının temel belirleyicileridir.

Link to this sectionVeri Etiketleme ve Veri Açıklama#

While the terms are often used interchangeably in casual conversation, there is a subtle distinction worth noting. "Data labeling" generally refers to the broad act of assigning a category or tag to a piece of data (e.g., tagging an email as "spam"). In contrast, data annotation is often more specific to computer vision (CV), involving the precise delineation of objects using bounding boxes, polygons, or keypoints. However, within most ML operations (MLOps) workflows, both terms describe the creation of high-quality training data.

Link to this sectionBilgisayarlı Görüde Temel Türler#

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

• Görüntü Sınıflandırma: Bir hava durumunu "bulutlu" veya "güneşli" olarak tanımlamak gibi, görüntünün tamamına tek bir etiket atama.
• Nesne Algılama: Modele nesnenin ne olduğunu ve nerede bulunduğunu öğretmek için belirgin nesnelerin etrafına 2B sınırlayıcı kutular çizme.
• Örnek Bölütleme: Nesnelerin etrafında piksel mükemmelliğinde maskeler veya çokgenler oluşturma; bu, kesin şekilleri ve sınırları belirlemek için gereklidir.
• Poz Tahmini: Hareketi veya duruşu analiz etmek için iskelet eklemleri gibi bir konu üzerindeki belirli anahtar noktaları işaretleme.

Link to this sectionGerçek Dünya Uygulamaları#

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

1. Otonom Araçlar: Sürücüsüz arabalar; her aracın, yayaların, trafik işaretlerinin ve şerit işaretlerinin titizlikle etiketlendiği devasa veri kümelerine güvenir. Bu etiketli veriler, algı sisteminin karmaşık ortamlarda güvenli bir şekilde gezinmesini sağlar. Otonom araç şirketleri, güvenlik uyumluluğunu sağlamak için piksel düzeyinde etiketlemeye büyük yatırımlar yaparlar.

2. Hassas Tarım: Modern çiftçilikte, tarımda yapay zeka, mahsul hastalıklarını tespit etmek veya büyüme aşamalarını izlemek için kullanılır. Çiftçiler, kimyasal kullanımını azaltmak ve verimi artırmak amacıyla tedaviyi otomatikleştirmek için "sağlıklı" ve "hastalıklı" yaprakların etiketli görüntüleri üzerinde eğitilmiş modelleri kullanırlar.

Link to this sectionEtiketleme İş Akışı#

Etiketli bir veri kümesi oluşturmak genellikle bir yapay zeka projesinin en çok zaman alan kısmıdır. Süreç genellikle, insan açıklayıcıların yüksek doğruluk sağlamak için etiketleri doğruladığı bir "Döngüde İnsan" (HITL) yaklaşımını içerir. Modern iş akışları, veri kümesi yönetimini basitleştiren ve ekiplerin açıklamalar üzerinde iş birliği yapmasına olanak tanıyan Ultralytics Platform gibi araçlardan yararlanır. Ayrıca, bir modelin verileri önceden etiketlediği ve insanların yalnızca düşük güvenli tahminleri düzelttiği, süreci önemli ölçüde hızlandıran aktif öğrenme gibi gelişmiş teknikler de kullanılabilir.

Aşağıdaki örnek, yeni bir görüntü için otomatik olarak etiketler (otomatik etiketleme) oluşturmak üzere önceden eğitilmiş bir YOLO26 modelinin nasıl kullanılacağını ve bunların 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")