Data Preprocessing

Veri ön işleme, ham verilerin algoritmalar için temiz ve anlaşılır bir biçime dönüştürüldüğü makine öğrenimi işlem hattındaki kritik ilk adımdır. Gerçek dünyada veriler genellikle eksik, tutarsız ve belirli davranışlardan veya eğilimlerden yoksundur; bu nedenle bilgisayar açısından "kirli" veya "gürültülü" görünür. Ön işleme, ham bilgiler ile sinir ağlarının gerektirdiği yapılandırılmış girdiler arasındaki boşluğu kapatır ve nihai modelin doğruluğunu ve verimliliğini önemli ölçüde etkiler. Mühendisler, veri kümelerini standartlaştırıp temizleyerek YOLO26 gibi gelişmiş mimarilerin gürültü yerine anlamlı örüntüleri öğrenmesini sağlar.

Veri Ön İşleme Neden Önemlidir?#

Özellikle bilgisayarlı görü alanında kullanılan makine öğrenimi modelleri, girdi verilerinin kalitesine ve ölçeğine duyarlıdır. Uygun ön işleme yapılmadığında model, eğitim sırasında yakınsamada zorlanabilir veya güvenilmez tahminler üretebilir. Örneğin, bir veri kümesindeki görüntülerin çözünürlükleri veya renk ölçekleri farklıysa model, asıl nesne algılama görevine odaklanmak yerine bu tutarsızlıkları ele almayı öğrenmek için ek kapasite harcamak zorunda kalır.

Ön işleme teknikleri genel olarak şunları amaçlar:

• Veri Kalitesini İyileştirme: Veri kümesinin problem alanını doğru biçimde temsil etmesini sağlamak için hataları, aykırı değerleri ve yinelenen verileri kaldırmak.
• Girdileri Standartlaştırma: Gradyan inişi gibi optimizasyon algoritmalarının daha sorunsuz çalışmasına yardımcı olmak için özellikleri (piksel değerleri gibi) genellikle 0 ile 1 arasında olmak üzere tek tip bir aralığa yeniden ölçeklendirmek.
• Karmaşıklığı Azaltma: Boyut indirgeme gibi tekniklerle veri gösterimlerini basitleştirerek öğrenme sürecini hızlandırmak.

Ön İşlemede Temel Teknikler#

Verileri eğitime hazırlamak için her biri veri işlem hattında belirli bir amaca hizmet eden çeşitli standart yöntemler kullanılır.

• Veri Temizleme: Bu işlem, eksik değerleri ele almayı (atama), tutarsız etiketlemeyi düzeltmeyi ve bozuk dosyaları filtrelemeyi içerir. Görsel yapay zekâ bağlamında bu, bulanık görüntüleri kaldırmak veya hatalı sınırlayıcı kutu koordinatlarını düzeltmek anlamına gelebilir.
• Normalleştirme ve Ölçekleme: Piksel yoğunlukları büyük ölçüde değişebildiğinden, görüntüleri normalleştirmek yüksek değerli piksellerin öğrenme sürecine baskın gelmesini önler. Yaygın yöntemler arasında Min-Max ölçekleme ve Z-skoru normalleştirmesi bulunur.
• Kodlama: Sınıf etiketleri (ör. "kedi", "köpek") gibi kategorik veriler sayısal biçimlere dönüştürülmelidir. Tek etkin kodlama veya etiket kodlama gibi teknikler standart uygulamalardır.
• Yeniden Boyutlandırma ve Biçimlendirme: Derin öğrenme modelleri genellikle sabit boyutlu girdiler bekler. Ön işleme işlem hatları, farklı boyutlardaki görüntüleri gerçek zamanlı çıkarım için yaygın olan 640x640 piksel gibi standart bir boyuta otomatik olarak yeniden ölçeklendirir.

Gerçek Dünya Uygulamaları#

Veri ön işleme, ham girdilerin uygulanabilir içgörülere dönüştürülmesini sağlamak üzere sektörler genelinde yaygın olarak kullanılır.

Tıbbi Görüntüleme ile Tanı#

Sağlık hizmetlerinde yapay zekâ alanında ön işleme, röntgen veya MRI taramalarını analiz etmek için hayati önem taşır. Ham tıbbi görüntüler genellikle sensörlerden kaynaklanan gürültü veya kullanılan makineye bağlı aydınlatma ve kontrast farklılıkları içerir. Histogram eşitleme gibi ön işleme adımları, tümörleri veya kırıkları daha görünür hâle getirmek için kontrastı artırırken gürültü azaltma filtreleri görüntü yapısını netleştirir. Bu hazırlık, modellerin tümör algılamasını daha yüksek hassasiyetle gerçekleştirmesini sağlar ve yanlış negatifleri azaltarak potansiyel olarak hayat kurtarır.

Otonom Sürüş#

Otonom araçlar LiDAR, radar ve kameralar dâhil olmak üzere birden fazla sensörden gelen girdilere dayanır. Bu sensörler farklı hızlarda ve ölçeklerde veri üretir. Ön işleme, verileri birleştirmeden önce bu akışları senkronize eder ve yağmur veya parıltı gibi çevresel gürültüleri filtreler. Otonom araçlar için bu, algılama sisteminin yola ilişkin tutarlı bir görünüm almasını sağlayarak gerçek zamanlı ortamlarda güvenli navigasyonu ve güvenilir yaya algılamayı mümkün kılar.

İlgili Kavramlar#

Makine öğrenimi iş akışında karşılaşılan diğer terimlerle veri ön işleme arasındaki farkı anlamak önemlidir.

• Veri Artırmaya kıyasla: Ön işleme, verileri model tarafından teknik olarak kullanılabilir hâle getirirken (ör. yeniden boyutlandırma), artırma veri kümesinin çeşitliliğini artırmak için mevcut verilerin yeni varyasyonlarını oluşturur (ör. görüntüleri döndürme veya çevirme). Daha fazla bilgi için YOLO veri artırma kılavuzumuza göz at.
• Özellik Mühendisliğine kıyasla: Ön işleme, temizleme ve biçimlendirmeyle ilgilidir. Özellik mühendisliği, model performansını iyileştirmek için verilerden yeni ve anlamlı değişkenler oluşturmayı kapsar; örneğin boy ve kilo sütunlarından "beden kitle endeksi" hesaplamak gibi.
• Veri Etiketlemeye kıyasla: Etiketleme, nesnelerin etrafına sınırlayıcı kutular çizmek gibi gerçek referansları tanımlama sürecidir. Ön işleme, veri toplama ve etiketlemeden sonra, ancak veriler sinir ağına beslenmeden önce gerçekleştirilir.

Uygulamalı Örnek#

Ultralytics ekosisteminde ön işleme, eğitim işlem hattı sırasında genellikle otomatik olarak gerçekleştirilir. Bununla birlikte, OpenCV gibi kütüphaneleri kullanarak görüntüleri manuel olarak da ön işleyebilirsin. Aşağıdaki kod parçacığı, bir görüntünün yüklenmesini, YOLO26 gibi bir model için standart girdi boyutuna yeniden ölçeklendirilmesini ve piksel değerlerinin normalleştirilmesini gösterir.

import cv2
import numpy as np

# Load an image using OpenCV
image = cv2.imread("bus.jpg")

# Resize the image to 640x640, a standard YOLO input size
resized_image = cv2.resize(image, (640, 640))

# Normalize pixel values from 0-255 to 0-1 for model stability
normalized_image = resized_image / 255.0

# Add a batch dimension (H, W, C) -> (1, H, W, C) for inference
input_tensor = np.expand_dims(normalized_image, axis=0)

print(f"Processed shape: {input_tensor.shape}")

Büyük ölçekli projelerde Ultralytics Platform gibi araçlardan yararlanmak bu iş akışlarını kolaylaştırabilir. Platform, veri kümesi yönetimini basitleştirerek birçok ön işleme ve açıklama görevini otomatikleştirir ve ham veriden dağıtılmış modele geçişi hızlandırır.