Image Recognition

Görüntü tanıma, yazılımın görüntüdeki nesneleri, insanları, yerleri, metinleri veya eylemleri belirlemesini ifade eden kapsayıcı terimdir. Gündelik kullanımda, tüm görüntüye "golden retriever" veya "zatürre" gibi bir etiket atayan görüntü sınıflandırmanın eş anlamlısıdır. Araştırmalarda "görsel tanıma", 2010'dan 2017'ye kadar sınıflandırma, konum belirleme ve nesne algılama kategorileriyle düzenlenen ImageNet Büyük Ölçekli Görsel Tanıma Yarışması örneğinde olduğu gibi, görüntü içeriğini belirleyen daha geniş görev ailesini kapsar.

Görüntü Tanıma Nasıl Çalışır#

Bir tanıma modeli pikselleri kısa bir açıklamaya dönüştürür ve ardından bu açıklamayı bildikleriyle karşılaştırır. Omurga, evrişimli sinir ağı (CNN) ya da görüntü dönüştürücüsü (ViT) olabilir; özellikleri ilk katmanlardaki kenar ve dokulardan daha derin katmanlardaki nesne parçaları ve nesnelerin bütününe kadar katman katman çıkarır, ardından bunları havuzlayarak bir özellik vektörü veya gömme oluşturur. Sonraki adım, olası yanıt kümesinin nasıl tanımlandığına bağlıdır:

Denetimli öğrenme ile etiketlenmiş görüntüler üzerinde eğitilmiş bir sınıflandırıcı başlığı, ImageNet'in 1.000 sınıfına ait 1,28 milyon eğitim görüntüsü gibi verileri kullanarak sabit sınıfları arasından en olası olanı seçer. Yüz ve ürün tanıma, gömmeyi saklanan örneklerden oluşan bir galeriyle karşılaştırır; bu sayede yeni kişiler veya ürünler yeniden eğitim yapılmadan eklenebilir. OpenAI'nin CLIP modeli gibi sıfır örnekli modeller, görüntüleri ve metinleri aynı uzayda gömer ve metin istemi olarak yazılabilen her kategoriyi tanır.

Derin öğrenmeden önce tanıma sistemleri, SIFT anahtar noktaları ve yönlendirilmiş gradyan histogramları gibi elle tasarlanmış özellikleri destek vektör makineleri gibi sınıflandırıcılara veriyordu. 2012'de AlexNet, ImageNet'teki ilk 5 hata oranını ikincinin %26,2 değerinden %15,3'e düşürdü ve o zamandan beri öğrenilmiş özellikler baskın hâle geldi.

Görüntü Tanıma Türleri#

• Görüntü sınıflandırma: Görüntünün tamamı için tek bir etiket veya çok etiketli sınıflandırmada birden fazla etiket.
• Nesne algılama: Her nesne için bir etiket ve sınırlayıcı kutu; böylece üç köpeğin bulunduğu bir fotoğraf üç sonuç verir.
• Yüz tanıma: Bir yüz gömmesini kayıtlı yüzlerle karşılaştırarak belirli bir kişiyi tanımlar veya doğrular.
• Optik karakter tanıma (OCR): Görüntüdeki basılı veya el yazısı metni makine tarafından okunabilir karakterlere dönüştürür.
• Eylem tanıma: Bir videonun kareleri boyunca insanların ne yaptığını belirler.

YOLO26 ilk iki türü destekler: -cls modelleri tüm görüntüye 1.000 ImageNet sınıfından birini atar; algılama modelleri ise her nesneyi adlandırıp konumunu belirler. Bu örnek her iki modeli de aynı fotoğrafta çalıştırır:

from ultralytics import YOLO

image = "https://ultralytics.com/images/bus.jpg"

# Görüntü düzeyinde tanıma: görüntünün tamamı için tek etiket
classifier = YOLO("yolo26n-cls.pt")
results = classifier(image)
result = results[0]
print("Image label:", result.names[result.probs.top1])

# Nesne düzeyinde tanıma: bulunan her nesne için bir etiket
detector = YOLO("yolo26n.pt")
results = detector(image)
result = results[0]
print("Objects:", [result.names[int(c)] for c in result.boxes.cls])

Sınıflandırıcı tüm fotoğraf için tek bir ImageNet etiketi döndürür; algılayıcı ise bulduğu her nesne için bir COCO etiketi döndürür.

Gerçek Dünya Uygulamaları#

• Tıbbi görüntü analizi: Modeller göğüs röntgenlerini, cilt fotoğraflarını ve retina taramalarını normal veya anormal olarak sınıflandırır; böylece klinisyenler acil vakaları önce inceler.
• Perakende: Ürün tanıma, raflardaki veya kasadaki ürünleri bir ürün görseli kataloğuyla eşleştirir; bu kataloğa model eğitildikten sonra eklenen ürünler de dâhildir.
• Üretim: Üretim hattı kameraları, paketleme öncesinde kusurlu parçaları ve yanlış ya da eksik bileşenleri tanır.
• Erişilebilirlik: Ekran okuyucular ve telefon uygulamaları, görme engelli veya az gören kişiler için fotoğrafları betimler ve tabelaları sesli okur.

Sabit Etiketlerin Ötesinde Tanıma#

Sabit etiketli sınıflandırıcılar yalnızca eğitildikleri sınıfları tanır; yeni bir sınıf eklemek için etiketlenmiş görüntüler toplamak ve yeniden eğitim yapmak gerekir. Görüntü-metin çiftleriyle eğitilmiş modeller bu sınırlamayı ortadan kaldırır; görüntü-dil modelleri ise sahneleri betimlemeyi ve bunlar hakkındaki soruları yanıtlamayı da sağlar. İnternetten alınmış 400 milyon görüntü-metin çiftiyle eğitilen CLIP, ResNet-50'nin eğitiminde kullanılan 1,28 milyon etiketli görüntünün hiçbirini kullanmadan, sıfır örnekli ImageNet doğruluğuyla ilk ResNet-50 modelinin doğruluğuna ulaştı.