Data Visualization

Veri görselleştirme, bilgilerin ve verilerin grafiksel olarak sunulmasıdır; karmaşık sayısal veri kümelerini grafikler, çizelgeler ve haritalar gibi anlaşılır görsel bağlamlara dönüştüren kritik bir çeviri katmanı işlevi görür. Yapay zekâ (AI) ve makine öğrenimi (ML) gibi uzmanlık alanlarında bu uygulama, modellerin ürettiği çok sayıdaki tensörü ve olasılığı yorumlamak için vazgeçilmezdir. Mühendisler, Ultralytics Platform gibi araçlardan yararlanarak veri kümesi etiketlerini ve eğitim ilerlemesini görselleştirebilir; böylece ham elektronik tablolarda gizli kalabilecek eğilimleri, aykırı değerleri ve örüntüleri daha kolay belirleyebilir. Etkili görselleştirme şeffaflığı artırır; geliştiricilerin sistemlerde hata ayıklamasına, paydaşlarınsa otomatik karar alma süreçlerine güvenmesine olanak tanır.

Bilgisayarlı Görüde Görselleştirmenin Rolü#

Bilgisayarlı görü (CV) iş akışlarında görselleştirme, ilk veri toplamadan son dağıtıma kadar model yaşam döngüsünün her aşamasında kullanılır.

• Keşifsel Veri Analizi (EDA): Uygulayıcılar, eğitim öncesinde girdilerini anlamak için görselleştirmeden yararlanır. Matplotlib ve Seaborn gibi kitaplıklar, veri kümesi yanlılığını belirlemek için sınıf dağılımlarını grafikleştirmeye yardımcı olur. Bu dağılımları incelemek, eğitim verilerinin gerçek dünya ortamını doğru biçimde temsil etmesini sağlar.
• Eğitim Dinamikleri: Mühendisler öğrenme sürecinde kayıp fonksiyonunu ve doğruluğu zaman içinde grafiğe dökerek performansı izler. TensorBoard veya Weights & Biases gibi araçlar, kullanıcıların bu metrikleri gerçek zamanlı izlemesini ve süreçteki aşırı öğrenme ya da kaybolan gradyanlar gibi sorunları erken fark etmesini sağlar.
• Çıkarım Sonuçları: En doğrudan uygulama, model tahminlerini görüntülerin üzerine bindirmektir. Buna tespit görevleri için sınırlayıcı kutular çizmek, görüntü bölümleme için piksel düzeyinde maskeler boyamak veya poz tahmini için anahtar noktaları grafiğe dökmek dâhildir.

Gerçek Dünya Uygulamaları#

Görselleştirme, çeşitli sektörlerde teknik metriklerle iş değeri arasındaki boşluğu kapatır.

1. Sağlık Tanısı: Sağlık Hizmetlerinde Yapay Zekâ alanında görselleştirme, tıbbi görüntülerdeki anormallikleri vurgulamak için kullanılır. Örneğin, MR taramalarını işleyen bir model tümör bölgelerini renklerle belirtmek için segmentasyon katmanları kullanabilir. Bu görsel yardımcı, radyologların daha hızlı ve doğru tanı koymasına destek olur ve Açıklanabilir Yapay Zekânın (XAI) temel bileşenlerinden biri işlevini görür.

2. Perakende Analitiği: Perakendede yapay zekâ için mağaza yöneticileri, güvenlik kamerası akışlarından oluşturulan ısı haritalarından yararlanır. Bu görselleştirmeler, müşteri hareket örüntülerini zaman içinde bir araya getirerek yoğun yaya trafiğinin olduğu "sıcak noktaları" ortaya çıkarır. Bu veriler, kullanıcının ham koordinat kayıtlarını incelemesini gerektirmeden mağaza düzenini iyileştirmeye ve ürün yerleşim stratejilerine yön verir.

İlgili Terimleri Ayırt Etme#

• Veri Analitiği: Ham verileri analiz ederek sonuçlara ulaşmaya yönelik daha geniş kapsamlı bilim dalıdır. Görselleştirme, bulguları sunmak için analitik içinde kullanılan bir tekniktir.
• Veri Madenciliği: Veri madenciliği, büyük veri kümelerindeki örüntüleri ve bağıntıları algoritmik olarak keşfetmeye odaklanır. Madencilik içgörüleri çıkarırken görselleştirme, bu içgörüleri görüntülemek için grafiksel bir arayüz sunar.
• Pano Oluşturma: Pano, sistem sağlığına veya işletme KPI'larına kapsamlı bir genel bakış sunmak için tek ekranda düzenlenmiş birden fazla görselleştirmeden oluşur ve genellikle Microsoft Power BI gibi iş zekâsı araçlarında kullanılır.

Ultralytics ile Görselleştirme Uygulama#

Ultralytics API, çıkarım sonuçlarının görselleştirilmesini kolaylaştırır. Aşağıdaki örnekte bir YOLO26 modelinin nasıl yükleneceği ve algılanan nesnelerin etiketleri ile güven puanlarının doğrudan görüntü üzerinde nasıl gösterileceği açıklanıyor.

from ultralytics import YOLO

# En yeni YOLO26 modelini yükle (yeni projeler için önerilir)
model = YOLO("yolo26n.pt")

# Görüntü kaynağı üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")

# Sonuçları görselleştir
for result in results:
    # plot(), açıklama eklenmiş görüntünün BGR numpy dizisini döndürür
    im_array = result.plot()
    # show(), görüntüyü varsayılan görüntüleyiciyi kullanarak doğrudan gösterir
    result.show()

Bu kod örneği, kutuların ve etiketlerin çizimini otomatik olarak gerçekleştirerek geliştiricilerin nesne algılama görevlerinde modelin yeteneklerini hemen doğrulamasını sağlar.