Image Classification

Görüntü sınıflandırma, bir makine öğrenimi modelinin tüm görüntüyü analiz ettiği ve önceden tanımlanmış bir kategori kümesinden ona tek bir etiket atadığı computer vision (CV) alanında temel bir görevdir. Esasen "Bu resmin ana konusu nedir?" sorusunu yanıtlar. artificial intelligence (AI) bileşeni olan bu süreç, otomatik sistemlerin görsel verileri büyük ölçekte organize etmesini, kategorize etmesini ve yorumlamasını sağlar. İnsan gözüne basit görünse de bilgisayarların kalıpları tanesini sağlamak, ham piksel ile anlamlı kavramlar arasındaki boşluğu kapatmak için gelişmiş machine learning (ML) algoritmaları gerektirir.

Sınıflandırmanın Arkasındaki Mekanizma#

Modern görüntü sınıflandırma, Convolutional Neural Networks (CNNs) olarak bilinen deep learning (DL) mimarilerine büyük ölçüde güvenir. Bu ağlar, biyolojik görsel korteksin bilgiyi işleme biçimini taklit etmek için tasarlanmıştır. feature extraction adı verilen bir süreç sayesinde model, erken katmanlarda kenarlar ve dokular gibi düşük seviyeli nitelikleri tanımlamayı öğrenir ve bunları nihayetinde daha derin katmanlarda karmaşık şekilleri ve nesneleri tanımak için birleştirir.

Bir sınıflandırıcı oluşturmak için geliştiriciler supervised learning kullanır ve modele etiketli örnekler içeren çok miktarda training data besler. ImageNet gibi büyük halka açık veri setleri, bu sistemlerin doğruluğunu artırmada etkili olmuştur. Çıkarım aşamasında model, en olası sınıfı belirlemek için genellikle bir softmax function kullanarak her kategori için bir olasılık puanı çıktısı üretir.

Sınıflandırma ve Diğer Görü İşleme Görevleri#

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

• Sınıflandırma ve Object Detection: Sınıflandırma, tüm görüntüye tek bir etiket atar. Buna karşılık nesne tespiti, her birinin etrafına bir bounding box çizerek bir sahne içindeki birden fazla nesnenin konumunu belirler.
• Sınıflandırma ve Image Segmentation: Sınıflandırma global bağlama bakarken segmentasyon piksel düzeyinde hassasiyet sağlar. Semantic segmentation, nesneler ile arka plan arasında tam sınır çizimine olanak tanıyacak şekilde her bir pikseli sınıflandırır.

Gerçek Dünya Uygulamaları#

Görüntü sınıflandırma, farklı endüstrilerdeki çok çeşitli real-world AI applications alanına güç verir:

Sağlık Hizmetleri Tanılaması#

Tıp alanında sınıflandırma modelleri, tanı taramalarını analiz ederek radyologlara yardımcı olur. Medical image analysis araçları, röntgenleri veya MR'ları hızla "normal" veya "anormal" olarak kategorize edebilir ya da tumor detection gibi belirli durumları belirleyerek daha hızlı hasta triyajı ve tanısına olanak tanır.

Üretimde Kalite Kontrol#

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

Akıllı Tarım#

Çiftçiler, mahsul sağlığını izlemek için AI in agriculture teknolojisinden yararlanır. Sistemler, dronlar veya akıllı telefonlar tarafından çekilen görüntüleri sınıflandırarak hastalık, besin eksikliği veya zararlı istilası belirtilerini tanımlayabilir ve hedeflenen precision agriculture müdahalelerine olanak tanır.

YOLO26 ile Sınıflandırma Uygulama#

Ultralytics YOLO26 çerçevesi, tespitiyle ünlü olmasının yanı sıra image classification tasks için son teknoloji performans sunar. Mimarisi hız ve doğruluk için optimize edilmiş olup gerçek zamanlı uygulamalar için uygundur.

Önceden eğitilmiş bir modeli nasıl yükleyeceğinize ve ultralytics Python paketini kullanarak bir görüntüyü nasıl sınıflandıracağınıza dair 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 optimize etmek isteyen ekipler için Ultralytics Platform tüm süreci basitleştirir. Kullanıcıların classification datasets yönetmesini, bulut tabanlı eğitim gerçekleştirmesini ve modelleri kapsamlı kodlama altyapısına ihtiyaç duymadan ONNX veya TensorRT gibi çeşitli formatlarda dağıtmasını sağlar.