Data Labeling

Veri etiketleme, denetimli öğrenme modellerinin verilerden öğrenebilmesi için ham verilere temel gerçek bilgileri ekleme işlemidir. Örneğin bir görüntüye sınıf adı, sokak fotoğrafındaki her arabanın çevresine bir sınırlayıcı kutu veya bir ses kaydına döküm eklenebilir. Etiketler görevi tanımlar: model, etiketlerin anlattığını tam olarak ve etiketlerin anlattığı kadar tutarlı biçimde tahmin etmeyi öğrenir. Veri anotasyonu eş anlamlıdır; bu işi yapan kişilere etiketleyici veya anotatör denir. Etiketleme genellikle eğitim verisi oluşturmanın en yavaş ve en pahalı adımıdır. Bu nedenle pek çok iş akışında model etiket önerir, insanlar da önerileri düzeltir.

Bilgisayarlı Görüde Etiket Türleri#

Etiket biçimi, modelin gerçekleştirmesi gereken göreve göre belirlenir:

• Görüntü sınıflandırma: Görüntü başına bir sınıf; örneğin bir denetim hattındaki parça için "kusurlu" veya "uygun".
• Nesne algılama: İlgilenilen her nesne için eksenlere hizalı bir kutu ve sınıf.
• Yönlendirilmiş sınırlayıcı kutular: Hava görüntülerindeki gemiler ve araçlar gibi uzun veya eğik nesnelere uyan döndürülmüş kutular.
• Örnek segmentasyonu: Her nesnenin dış hatlarını ayrı ayrı belirten bir çokgen veya piksel maskesi.
• Anlamsal segmentasyon: Tek tek nesneleri ayırmadan her piksele yol, kaldırım ve gökyüzü gibi bir sınıf atar.
• Poz tahmini: Genellikle her nokta için bir görünürlük bayrağıyla birlikte, COCO'nun burun ve gözlerden ayak bileklerine kadar uzanan 17 noktası gibi sabit anatomik işaret noktalarındaki anahtar noktalar.

Ayrıntı arttıkça gereken emek de artar. ILSVRC için ImageNet yarışma veri kümesindeki yüksek kaliteli bir kutuyu çizmek yaklaşık 35 saniye sürmüştür. Anotatörlerin köşeleri sürüklemek yerine nesnenin en üst, en alt, en sol ve en sağ noktalarına tıkladığı aşırı tıklama yöntemi, aynı kalitede kutularla bu süreyi 7 saniyeye indirmiştir. Çokgenler ve piksel maskeleri daha da uzun sürer. Bilgisayarlı görü dışındaki görevlerde etiketler, adlandırılmış varlık tanıma (NER) için varlık metin aralıklarını, metin sınıflandırma için duyguyu ve konuşma tanıma için dökümleri işaretler.

Etiketleme İş Akışı#

Etiketleme projeleri, çalışma başlamadan önce her sınıfı tanımlayan ve sınır durumlarını açıklığa kavuşturan yazılı yönergelerle başlar: %90'ı gizli bir araba için kutu çizilip çizilmeyeceği, bisikletlinin uzuvlarının çevresine ne kadar sıkı çizim yapılacağı ve yansımalar, küçük nesneler ile kalabalıklar için ne yapılacağı. Model destekli etiketlemede, o ana kadarki etiketlerle eğitilmiş bir model yeni görüntülere ön etiket ekler; anotatörler hataları düzeltir, inceleyenler bir örneklemi kontrol eder ve yeniden eğitilen her model sonraki turdaki önerilerin doğruluğunu artırır. Aktif öğrenme, bu döngüye bir seçim adımı ekleyerek insanların önce modelin en az emin olduğu görüntüleri etiketlemesini sağlar.

Ultralytics Platform içindeki anotasyon düzenleyicisi bu döngüyü yerleşik olarak sunar: Akıllı modu, Meta'nın Segment Anything modelleriyle tek tıklamayı maskeye dönüştürür veya önceden eğitilmiş ya da kendi ince ayarını yaptığın YOLO modellerinin tahminlerini taslak anotasyon olarak ekler. Aynı ön etiketleme adımı Python'da, tahminlerini eğitimde kullanılan etiket biçiminde yazan bir YOLO26 algılayıcısıyla da çalışır:

from pathlib import Path

from ultralytics import YOLO

# Etiket önermek için önceden eğitilmiş YOLO26 nano algılayıcısını yükle
model = YOLO("yolo26n.pt")

# Etiketsiz bir görüntü üzerinde tahmin yap
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Her nesne için 0–1 aralığında normalize edilmiş "class x_center y_center width height" satırı yaz
label_file = result.save_txt("bus.txt")

# Anotatörün inceleyeceği taslak etiketleri yazdır
print(Path(label_file).read_text())

Yazdırılan her satırda bir COCO sınıf indeksi ve ardından kutunun merkezinin, genişliğinin ve yüksekliğinin görüntü boyutuna oranları yer alır. Anotatör yanlış veya eksik kutuları düzelttikten sonra eğitim bu YOLO etiket biçimini doğrudan okur.

Etiket Kalitesi#

Bir model, etiketlerinden daha tutarlı olamaz; ünlü veri kümelerinde bile hatalar yaygındır. Yaygın olarak kullanılan 10 kıyaslama veri kümesindeki etiket hataları üzerine yapılan bir çalışma, test etiketlerinin ortalama en az %3,3'ünün yanlış olduğunu; ImageNet doğrulama kümesindeyse bu oranın en az %6 olduğunu tahmin etmiştir. Ekipler hataları birkaç standart denetimle yakalar:

• Altın sorular: Doğruluklarını ölçmek için her etiketleyicinin kuyruğuna doğru yanıtları bilinen öğeler eklenir; bu öğeler genellikle bir altın veri kümesinden alınır.
• Birden fazla etiketleyiciyle etiketleme: İki veya daha fazla anotatör aynı öğeleri etiketler. Sınıf etiketleri için Cohen kappa katsayısıyla, kutu ve maskeler arasındaki örtüşme içinse kesişim/birleşim oranıyla (IoU) uzlaşma puanlanır.
• Model tabanlı denetim: Eğitilmiş bir model, güçlü biçimde karşı çıktığı etiketleri işaretler; cleanlab gibi araçlar, insan incelemesi için en olası etiket hatalarını sıralar.

Veri Etiketleme ve İlgili Terimler#

• Veri anotasyonu: Eş anlamlıdır. Bilgisayarlı görü ekipleri, kutu ve maskeler gibi çizilmiş geometriler için genellikle anotasyon terimini kullanır.
• Yarı denetimli öğrenme: Model, etiketsiz verileri kendisi etiketler ve insan incelemesi olmadan, güven düzeyi yüksek kendi tahminlerini sahte etiket olarak kullanır.
• Aktif öğrenme: İnsanların sıradaki hangi öğeleri etiketleyeceğine, genellikle geçerli modelin en belirsiz bulduğu öğelere karar verir.
• Veri temizleme: Yinelenenler, bozuk dosyalar ve tutarsız biçimler gibi bir veri kümesindeki sorunları giderir; etiketleme sonrasında bulunan yanlış etiketleri de düzeltir.
• Sentetik veri: Sahne düzeni tam olarak bilindiği için etiketleri oluşturucudan ücretsiz alınan işlenmiş veya üretilmiş görüntülerdir; ancak sentetik ve gerçek görüntüler arasında fark bulunur.