Image Classification

Görüntü sınıflandırma, bir makine öğrenimi modelinin tüm görüntüyü analiz ederek önceden tanımlanmış bir kategori kümesinden tek bir etiket atadığı bilgisayarlı görü (CV) alanında temel bir görevdir. Temel olarak şu soruyu yanıtlar: "Bu resmin ana konusu nedir?" Yapay zekanın (AI) temel bir bileşeni olarak bu süreç, otomatik sistemlerin görsel verileri büyük ölçekte düzenlemesini, sınıflandırmasını ve yorumlamasını sağlar. İnsan gözüne basit görünse de, bilgisayarların desenleri tanımasını sağlamak, ham pikseller ile anlamlı kavramlar arasındaki boşluğu kapatmak için gelişmiş makine öğrenimi (ML) algoritmaları gerektirir.

Link to this sectionSınıflandırmanın Arkasındaki Mekanizma#

Modern image classification relies heavily on deep learning (DL) architectures known as Convolutional Neural Networks (CNNs). These networks are designed to mimic the way the biological visual cortex processes information. Through a process called feature extraction, the model learns to identify low-level attributes like edges and textures in early layers, eventually combining them to recognize complex shapes and objects in deeper layers.

To build a classifier, developers use supervised learning, feeding the model vast amounts of training data containing labeled examples. Large public datasets like ImageNet have been instrumental in advancing the accuracy of these systems. During the inference phase, the model outputs a probability score for each category, often utilizing a softmax function to determine the most likely class.

Link to this sectionSınıflandırma ve Diğer Görü İşleme Görevleri#

Görüntü sınıflandırmayı ilgili bilgisayarlı görü yeteneklerinden ayırmak önemlidir, çünkü teknik seçimi özel probleme bağlıdır:

• Sınıflandırma vs. Nesne Algılama: Sınıflandırma, tüm görüntüye tek bir etiket atar. Buna karşılık nesne algılama, her birinin etrafına bir sınırlayıcı kutu çizerek bir sahnedeki birden fazla nesnenin konumunu tanımlar.
• Sınıflandırma vs. Görüntü Bölütleme: Sınıflandırma küresel bağlama bakarken, bölütleme piksel düzeyinde kesinlik sağlar. Anlamsal bölütleme, her bir pikseli sınıflandırarak nesneler ile arka plan arasında tam sınır belirlemesine olanak tanır.

Link to this sectionGerçek Dünya Uygulamaları#

Görüntü sınıflandırma, çeşitli sektörlerde çok çeşitli gerçek dünya yapay zeka uygulamalarına güç sağlar:

Link to this sectionSağlık Hizmetleri Tanılaması#

Tıp alanında, sınıflandırma modelleri tanısal taramaları analiz ederek radyologlara yardımcı olur. Tıbbi görüntü analizi araçları, röntgen veya MR'ları hızla "normal" veya "anormal" olarak kategorize edebilir veya tümör tespiti gibi belirli durumları tanımlayarak daha hızlı hasta triyajı ve teşhisi sağlar.

Link to this sectionÜretimde Kalite Kontrol#

Fabrikalar, ürün standartlarını korumak için otomatik görsel denetimden yararlanır. Montaj hatlarındaki kameralar bileşenlerin görüntülerini yakalar ve sınıflandırma modelleri, görünür kusurlara göre bunları anında "geçti" veya "kaldı" olarak etiketler. Bu otomatik kalite kontrol, yalnızca kusursuz ürünlerin paketleme aşamasına ulaşmasını sağlar.

Link to this sectionAkıllı Tarım#

Çiftçiler, ürün sağlığını izlemek için tarımda yapay zekadan yararlanır. Dronlar veya akıllı telefonlar tarafından çekilen görüntüleri sınıflandırarak sistemler, hastalık, besin eksikliği veya haşere istilası belirtilerini tanımlayabilir ve hedeflenen hassas tarım müdahalelerini mümkün kılar.

Link to this sectionYOLO26 ile Sınıflandırma Uygulama#

Ultralytics YOLO26 çerçevesi, nesne algılama ile ünlü olmasına rağmen, görüntü sınıflandırma görevleri için en güncel performansı sunar. Mimarisi hız ve doğruluk için optimize edilmiştir, bu da onu gerçek zamanlı uygulamalar için uygun hale getirir.

ultralytics Python paketini kullanarak önceden eğitilmiş bir modelin nasıl yükleneceğine ve bir görüntünün nasıl sınıflandırılacağına dair kısa bir örnek aşağıdadır:

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top predicted class name
print(f"Prediction: {results[0].names[results[0].probs.top1]}")

İş akışlarını optimize etmek isteyen ekipler için Ultralytics Platform, tüm süreci basitleştirir. Kullanıcıların sınıflandırma veri kümelerini yönetmelerine, bulut tabanlı eğitim gerçekleştirmelerine ve karmaşık kodlama altyapısına ihtiyaç duymadan ONNX veya TensorRT gibi çeşitli formatlara modeller dağıtmalarına olanak tanır.