Image Classification

Görüntü sınıflandırma, bir modelin bilgisayarlı görü görevi kapsamında görüntünün tamamına bakıp sabit bir sınıf kümesinden bir etiket atadığı ve her sınıf için bir güven puanı verdiği görevdir. "Bu görüntüde ne var?" sorusunu yanıtlar: kedi mi köpek mi, kusurlu mu sağlam mı, zatürre mi normal mi. Temel görü görevlerinin en basiti ve diğerlerinin de temelidir; çünkü büyük veri kümelerinde görüntüleri sınıflandırmak üzere eğitilen omurga ağları, aktarımı öğrenme yoluyla algılama ve bölütleme için özellik çıkarıcılar olarak yeniden kullanılır.

Görüntü Sınıflandırma Nasıl Çalışır#

Bir sınıflandırıcı üç aşamada pikselleri sınıf olasılıklarına dönüştürür. Evrişimli sinir ağı (CNN) ya da görüntü dönüştürücüsü (ViT) olan bir omurga, ilk katmanlardaki kenar ve dokulardan daha derin katmanlardaki nesne parçaları ve nesnelerin bütününe kadar özellikleri katman katman çıkarır. Havuzlama adımı son özellik haritalarını görüntünün tamamını özetleyen tek bir vektöre indirger. Ardından tam bağlantılı bir katman her sınıf için bir puan, yani logit üretir; softmax fonksiyonu da bu puanları toplamı 1 olan olasılıklara dönüştürür.

Modeller bu eşlemeyi denetimli öğrenme yoluyla etiketlenmiş görüntüler üzerinde öğrenir ve tahmin edilen olasılıklarla gerçek sınıf arasındaki çapraz entropi kaybını en aza indirir. Tek etiketli (çok sınıflı) sınıflandırma, softmax ile görüntü başına tam olarak bir sınıf seçer. Aynı görüntüde birden fazla şey bulunabildiğinde kullanılan çok etiketli sınıflandırma ise her sınıfı bir sigmoid ile bağımsız olarak puanlar ve eşik değerini aşan tüm sınıfları tutar.

-cls son ekiyle belirtilen Ultralytics YOLO26 sınıflandırma modelleri, ImageNet üzerinde 224×224 piksel çözünürlükte önceden eğitilmiş tek etiketli sınıflandırıcılardır. En küçük model olan YOLO26n-cls, 2,8 milyon parametreyle %71,4 ilk 1 doğruluğuna ulaşır. Modeller, her sınıf için bir görüntü klasörü içeren şekilde düzenlenmiş tüm veri kümelerinde eğitilebilir:

from ultralytics import YOLO

# Load a YOLO26 classification model pretrained on the 1,000 ImageNet classes
model = YOLO("yolo26n-cls.pt")

# Classify the whole image
results = model("https://ultralytics.com/images/bus.jpg")
probs = results[0].probs

# Show the five most likely classes and their softmax probabilities
for class_id, confidence in zip(probs.top5, probs.top5conf.tolist()):
    print(f"{results[0].names[class_id]}: {confidence:.2f}")

Beş olasılık, 1.000 sınıfın tamamı üzerinde uygulanan tek bir softmax işleminden gelir; bu nedenle modelin en yüksek olasılıklı seçeneğine benzer sınıflara kıyasla ne kadar güvendiğini gösterirler.

Sınıflandırma, Algılama ve Bölütleme Karşılaştırması#

Sınıflandırma, görüntünün tamamını tanımlar; nesnelerin nerede bulunduğu veya kaç tane olduğu hakkında bilgi vermez:

• Nesne algılama: Her nesneyi bulur, etiketler ve sınırlayıcı kutuyla konumunu belirler; böylece tek bir fotoğraftaki üç arabayı sayabilir.
• Görüntü bölütleme: Pikselleri etiketleyerek her nesnenin veya bölgenin tam sınırını çizer.
• Görüntü tanıma: Görüntülerdeki içeriği tanımlamaya yönelik daha geniş kapsamlı bir terimdir ve çoğunlukla sınıflandırmanın eş anlamlısı olarak gelişigüzel kullanılır.

Aralarından seçim yapmak, uygulamanın ne kadar uzamsal ayrıntıya ihtiyaç duyduğuna bağlıdır:

Gerçek Dünya Uygulamaları#

• Üretim denetimi: Üretim hattındaki kameralar her parçanın fotoğrafını çeker ve bir sınıflandırıcı parçayı geçti veya kaldı diye etiketler; böylece kusurlu parçalar otomatik olarak reddedilir.
• Tıbbi triyaj: Modeller göğüs röntgenlerini, cilt lezyonu fotoğraflarını ve retina taramalarını normal veya anormal olarak sınıflandırır; böylece klinisyenler acil vakaları önce inceler.
• Tarım: Çiftçiler yaprakların fotoğrafını telefonla çeker ve bir sınıflandırıcı bitki hastalığını veya besin eksikliğini belirler.
• İçerik düzenleme: Fotoğraf kitaplıkları ve pazar yerleri, milyonlarca görüntüyü sahne ve ürün kategorilerine göre etiketleyerek arama ve moderasyon yapılmasını sağlar.

Karşılaştırmalar ve Modeller#

Sınıflandırıcılar, en yüksek olasılıkla tahmin edilen sınıfın doğru olduğu görüntülerin oranını ifade eden top-1 doğruluğu ve gerçek sınıfın en olası beş sınıf arasında yer aldığı görüntülerin oranını ifade eden top-5 doğruluğu üzerinden karşılaştırılır. Modern sınıflandırma, yaklaşık 1,28 milyon eğitim görüntüsü içeren 1.000 sınıflı alt kümesi standart kıyaslama veri kümesi olmayı sürdüren ImageNet Büyük Ölçekli Görsel Tanıma Yarışması'yla gelişti. 2012'de AlexNet top-5 hata oranını, ikinci sıradaki modelin %26,2'lik top-5 hata oranına kıyasla %15,3'e düşürerek bilgisayarlı görüde derin öğrenme dönemini başlattı. ResNet 2015'te 100'den fazla katmana sahip ağların eğitilebilir hâle gelmesini sağladı ve Görüntü Transformer'ları 2020'de dikkat tabanlı modellerin 14 milyon ila 300 milyon görüntü üzerinde önceden eğitildiklerinde CNN'ler kadar iyi veya daha iyi performans gösterdiğini ortaya koydu.

Model ailelerini karşılaştırmak ve birini seçme konusunda öneri almak için görüntü sınıflandırma modelleri karşılaştırmamıza göz at.