Image Classification

Görüntü sınıflandırma, bir makine öğrenimi modelinin görüntünün tamamını analiz ederek önceden tanımlanmış kategori kümesinden tek bir etiket atadığı bilgisayarlı görü (CV) alanındaki temel görevlerden biridir. Esasen şu soruyu yanıtlar: "Bu görüntünün ana konusu nedir?" Yapay zekânın (AI) temel bileşenlerinden biri olan bu süreç, otomatik sistemlerin görsel verileri büyük ölçekte düzenlemesini, kategorilere ayırmasını ve yorumlamasını sağlar. İnsan gözüne basit görünse de bilgisayarların örüntüleri tanımasını sağlamak, ham pikseller ile anlamlı kavramlar arasındaki boşluğu kapatmak için gelişmiş makine öğrenimi (ML) algoritmaları gerektirir.

Sınıflandırmanın Ardındaki Mekanizma#

Modern görüntü sınıflandırma, büyük ölçüde evrişimli sinir ağları (CNN'ler) olarak bilinen derin öğrenme (DL) mimarilerine dayanır. Bu ağlar, biyolojik görsel korteksin bilgiyi işleme biçimini taklit edecek şekilde tasarlanmıştır. Özellik çıkarımı adı verilen bir süreç sayesinde model, ilk katmanlarda kenarlar ve dokular gibi düşük seviyeli öznitelikleri tanımayı öğrenir ve sonunda bunları daha derin katmanlarda birleştirerek karmaşık şekilleri ve nesneleri tanır.

Bir sınıflandırıcı oluşturmak için geliştiriciler, etiketli örnekler içeren büyük miktarda eğitim verisini modele aktaran denetimli öğrenmeyi kullanır. ImageNet gibi büyük, herkese açık veri kümeleri bu sistemlerin doğruluğunun geliştirilmesinde önemli rol oynamıştır. Çıkarım aşamasında model, her kategori için bir olasılık puanı üretir ve en olası sınıfı belirlemek için çoğunlukla bir softmax işlevinden yararlanır.

Sınıflandırma ve Diğer Görüntü İşleme Görevleri#

Teknik seçiminin belirli probleme bağlı olması nedeniyle görüntü sınıflandırmayı ilişkili bilgisayarlı görü yeteneklerinden ayırt etmek önemlidir:

• Sınıflandırma ve Nesne Tespiti: Sınıflandırma, görüntünün tamamına tek bir etiket atar. Buna karşılık nesne tespiti, her nesnenin çevresine bir sınırlayıcı kutu çizerek bir sahnedeki birden fazla nesnenin konumunu belirler.
• Sınıflandırma ve Görüntü Segmentasyonu: Sınıflandırma genel bağlama odaklanırken segmentasyon piksel düzeyinde hassasiyet sağlar. Anlamsal segmentasyon, her bir pikseli sınıflandırarak nesneler ile arka plan arasındaki sınırların kesin biçimde belirlenmesini mümkün kılar.

Gerçek Dünya Uygulamaları#

Görüntü sınıflandırma, çeşitli sektörlerde çok sayıda gerçek dünya yapay zekâ uygulamasına güç verir:

Sağlık Hizmetlerinde Tanı#

Tıp alanında sınıflandırma modelleri, tanısal taramaları analiz ederek radyologlara yardımcı olur. Tıbbi görüntü analizi araçları, röntgenleri veya MR'ları hızla "normal" ya da "anormal" olarak kategorilere ayırabilir veya tümör tespiti gibi belirli durumları tanımlayabilir; bu da hastaların daha hızlı triyaj edilmesini ve teşhis konmasını sağlar.

Üretimde Kalite Kontrolü#

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

Akıllı Tarım#

Çiftçiler, mahsul sağlığını izlemek için tarımda yapay zekâdan yararlanır. Sistemler, dronlar veya akıllı telefonlar tarafından çekilen görüntüleri sınıflandırarak hastalık, besin eksikliği veya zararlı istilası belirtilerini tespit edebilir ve hedefli hassas tarım müdahalelerini mümkün kılar.

Ultralytics YOLO26 ile Sınıflandırmayı Uygulama#

Ultralytics YOLO26 çatısı, tespitle tanınmış olsa da görüntü sınıflandırma görevleri için son teknoloji performans sunar. Mimarisi hız ve doğruluk için optimize edilmiştir ve bu sayede gerçek zamanlı uygulamalar için uygundur.

Önceden eğitilmiş bir modelin nasıl yükleneceğini ve ultralytics Python paketi kullanılarak bir görüntünün nasıl sınıflandırılacağını gösteren kısa bir örnek:

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 kolaylaştırmak isteyen ekipler için Ultralytics Platform, tüm işlem hattını basitleştirir. Kullanıcıların sınıflandırma veri kümelerini yönetmesine, bulut tabanlı eğitim gerçekleştirmesine ve kapsamlı kodlama altyapısı olmadan modelleri ONNX veya TensorRT gibi çeşitli biçimlerde dağıtmasına olanak tanır.