Görüntü Bölütleme

Görüntü bölütleme, bir dijital görüntüyü birden çok farklı bölgeye veya segmente ayırmayı içeren temel bir bilgisayar görüşü (CV) görevidir. Amaç, bir görüntüdeki her piksele belirli bir etiket atayarak nesnelerin ve arka planın piksel düzeyinde bir haritasını oluşturmaktır. Bir nesnenin konumunu basit bir kutu ile tanımlayabilen diğer CV görevlerinden farklı olarak, görüntü bölütleme, her nesnenin kesin şeklini ana hatlarıyla belirleyerek çok daha ayrıntılı bir anlayış sağlar. Bu ayrıntı düzeyi, sahnenin geometrisi ve kompozisyonunun derinlemesine anlaşılmasını gerektiren uygulamalar için çok önemlidir. Bu süreç, birçok gelişmiş yapay zeka uygulaması için temel oluşturur.

Görüntü Bölütleme Türleri

Görüntü bölütleme, her biri farklı bir ayrıntı düzeyi sunan ve farklı amaçlara hizmet eden üç ana türe ayrılabilir:

• Semantik Segmentasyon: Bu teknik, bir görüntüdeki her pikseli "araba", "yol" veya "gökyüzü" gibi önceden tanımlanmış bir kategoriye sınıflandırır. Aynı nesne sınıfının tüm örnekleri tek bir etiket altında gruplandırılır. Örneğin, birden fazla arabanın bulunduğu bir görüntüde, semantik segmentasyon herhangi bir arabaya ait tüm pikselleri, bir arabayı diğerinden ayırmadan basitçe "araba" olarak etiketleyecektir.
• Örnek Segmentasyonu (Instance Segmentation): Bu yöntem, her pikseli sınıflandırmakla kalmayıp aynı zamanda aynı sınıfın bireysel örnekleri arasında ayrım yaparak segmentasyonu bir adım öteye taşır. Aynı sokak sahnesinde, örnek segmentasyonu her arabayı benzersiz bir nesne olarak tanımlayacak ve "araba 1", "araba 2" vb. için ayrı bir maske atayacaktır. Bu, özellikle bireysel nesneleri saymak veya izlemek gerektiğinde kullanışlıdır.
• Panoptik Bölütleme: Hibrit bir yaklaşım olarak panoptik bölütleme, hem semantik hem de örnek bölütlemenin güçlü yönlerini birleştirir. Her bir piksele bir sınıf etiketi atayarak (semantik bölütleme gibi) ve aynı zamanda her bir nesne örneğini benzersiz bir şekilde tanımlayarak (örnek bölütleme gibi) bir sahnenin eksiksiz ve birleşik bir şekilde anlaşılmasını amaçlar. Bu, mevcut en kapsamlı sahne analizini sağlar.

Görüntü Bölütleme (Image Segmentation) Diğer CV Görevlerinden Nasıl Farklıdır?

Görüntü segmentasyonunu diğer yaygın bilgisayarlı görü görevlerinden ayırmak önemlidir:

• Görüntü Sınıflandırma (Image Classification): Bir görüntünün tamamına tek bir etiket atamaya odaklanır (örneğin, "bu bir plaj fotoğrafıdır"). Görüntüde ne olduğunu anlar, ancak nerede olduğunu anlamaz.
• Nesne Tespiti: Bir görüntü içindeki nesneleri tanımlar ve konumlandırır, tipik olarak etraflarına bir sınırlayıcı kutu çizerek. Hangi nesnelerin mevcut olduğunu ve yaklaşık konumlarını belirtir, ancak tam şekillerini belirtmez.
• Görüntü Segmentasyonu: Her nesnenin piksel düzeyindeki tam sınırını çizerek en ayrıntılı bilgiyi sağlar ve nesne şekli ve konumu hakkında kesin bir anlayış sunar.

Uygulamalar ve Kullanım Alanları

Görüntü segmentasyonunun ayrıntılı çıktısı, onu çok sayıda alanda paha biçilmez kılmaktadır.

• Otonom Araçlar: Sürücüsüz araçların güvenli bir şekilde hareket edebilmesi için çevrelerini doğru bir şekilde anlamaları gerekir. Segmentasyon modelleri, yolun, şeritlerin, yayaların, diğer araçların ve engellerin kesin sınırlarını belirleyerek daha iyi yol planlaması ve karar alma olanağı sağlar. Yapay zekanın otomotiv endüstrisindeki rolü hakkında daha fazla bilgi edinebilirsiniz.
• Tıbbi Görüntü Analizi: Sağlık hizmetlerinde segmentasyon, MRG veya BT taramaları gibi tıbbi taramaları analiz etmek için kullanılır. Tümörleri, organları veya anormallikleri hassas bir şekilde ana hatlarıyla belirleyebilir, doktorlara doğru teşhis, cerrahi planlama ve hastalık ilerlemesini izleme konusunda yardımcı olur. Bu, biyomedikal bağlamlarda öne çıkan U-Net gibi mimariler için önemli bir uygulama olmuştur.
• Uydu Görüntü Analizi: Segmentasyon modelleri, ormansızlaşma veya kentleşme gibi çevresel değişiklikleri izlemek için uydu görüntülerini işler. Arazi örtüsünü (örneğin, orman, su, kentsel alanlar) sınıflandırabilir ve kartografya ve istihbarat toplama için binalar veya gemiler gibi bireysel nesneleri tespit edebilirler.
• Üretim ve Robotik (Manufacturing and Robotics): Otomatik fabrikalarda, segmentasyon, robotların bir montaj hattındaki belirli parçaları tanımlamasına veya yüksek hassasiyetle kusurları tespit ederek kalite kontrolü yapmasına yardımcı olur. Çatlak segmentasyonu (crack segmentation) alanındaki kullanımı hakkında daha fazla bilgi edinebilirsiniz.

Görüntü Segmentasyonu ve Ultralytics YOLO

Modern derin öğrenme modelleri, özellikle Evrişimsel Sinir Ağları'na (CNN'ler) dayalı olanlar, görüntü segmentasyonu için standarttır. Ultralytics YOLO modelleri, YOLOv8 ve en son YOLO11 dahil olmak üzere, yüksek performanslı, gerçek zamanlı segmentasyon yetenekleri sağlar. Bu modeller, COCO gibi standart veri kümeleri veya özel görevler için özel veri kümeleri üzerinde kolayca eğitilebilir.

Ultralytics çerçevesi, bir modeli eğitmekten, performansını doğrulamaya ve çıkarım için dağıtmaya kadar tüm iş akışını basitleştirir. Uygulamalı bir kılavuz için, Google Colab'da YOLO11 ile görüntü segmentasyonu hakkındaki eğitimleri takip edebilir veya segmentlere ayrılmış nesneleri nasıl izole edeceğinizi öğrenebilirsiniz. Ultralytics HUB gibi araçlar, veri kümelerini yönetmek, bulut kaynaklarıyla modelleri eğitmek ve gerçek dünya uygulamalarına dağıtmak için kodsuz bir çözüm sunar.