Image Segmentation

Görüntü segmentasyonu, dijital bir görüntüyü genellikle görüntü segmentleri veya bölgeleri olarak adlandırılan birden çok piksel alt grubuna ayıran gelişmiş bir bilgisayarlı görü (CV) tekniğidir. Görüntünün tamamına tek bir etiket atayan standart görüntü sınıflandırmanın aksine segmentasyon, her bir piksele belirli bir sınıf etiketi atayarak görsel verileri çok daha ayrıntılı bir düzeyde analiz eder. Bu süreç, piksel düzeyinde hassas bir harita oluşturur ve yapay zekâ (AI) modellerinin yalnızca hangi nesnelerin mevcut olduğunu değil, tam olarak nerede bulunduklarını ve sınırlarının nasıl olduğunu da anlamasını sağlar.

Piksel Düzeyinde Analizin İşleyişi#

Bu yüksek hassasiyetli anlayışı elde etmek için segmentasyon modelleri genellikle derin öğrenme (DL) mimarilerinden, özellikle de evrişimli sinir ağlarından (CNNs) yararlanır. Bu ağlar; kenarlar, dokular ve karmaşık şekiller gibi örüntüleri belirleyen güçlü özellik çıkarıcılar olarak işlev görür. Klasik U-Net gibi geleneksel segmentasyon mimarileri çoğu zaman kodlayıcı-kod çözücü yapısı kullanır. Kodlayıcı, anlamsal bağlamı yakalamak için girdi görüntüsünü sıkıştırırken kod çözücü, son bir segmentasyon maskesi oluşturmak üzere uzamsal ayrıntıları yeniden oluşturur.

Modern gelişmeler, Ocak 2026'da yayımlanan YOLO26 gibi gerçek zamanlı mimarilerin ortaya çıkmasını sağladı. Bu modeller, segmentasyon yeteneklerini uçtan uca bir işlem hattına doğrudan entegre ederek bulut GPU'larından uç cihazlara kadar çeşitli donanımlarda yüksek hızlı işlemeye olanak tanır.

Başlıca Segmentasyon Türleri#

Geliştiriciler, projenin özel amacına bağlı olarak genellikle üç ana segmentasyon tekniğinden birini seçer:

• Anlamsal Segmentasyon: Bu yöntem pikselleri kategorilerine göre sınıflandırır, ancak aynı sınıftaki farklı nesneleri birbirinden ayırmaz. Örneğin bir uydu görüntüsü analizinde "orman"ı temsil eden tüm pikseller yeşile boyanır ve ormanın tamamı tek bir bütün olarak ele alınır.
• Örnek Segmentasyonu: Bu teknik, ilgi duyulan farklı nesneleri tek tek tanımlar ve birbirinden ayırır. Kalabalık bir sokak sahnesinde örnek segmentasyonu, "Araba A", "Araba B" ve "Yaya A" için ayrı maskeler oluşturarak sistemlerin belirli varlıkları saymasını ve izlemesini sağlar. Bu, Ultralytics YOLO26 model ailesinin temel özelliklerinden biridir.
• Panoptik Segmentasyon: Anlamsal segmentasyonun kapsama alanını örnek segmentasyonunun hassasiyetiyle birleştiren karma bir yaklaşımdır. Her piksele bir etiket atayarak şekilsiz arka plan öğelerini (gökyüzü ve yol gibi) ayırt ederken sayılabilir ön plan nesnelerini de benzersiz biçimde tanımlar.

Nesne Algılamadan Farkı#

Segmentasyonu nesne algılamadan ayırmak çok önemlidir. Algılama algoritmaları öğelerin konumunu dikdörtgen bir sınırlayıcı kutu kullanarak belirlerken bu kutuya arka plan piksellerini de kaçınılmaz olarak dahil eder. Segmentasyon, nesnenin tam dış hatlarını veya çokgenini izleyerek daha sıkı ve doğru bir temsil sunar. Bu fark, bir robot kolunun çarpışma olmadan bir nesneyi kavrayabilmek için nesnenin tam geometrisini bilmesi gereken robotik kavrama gibi uygulamalarda hayati önem taşır.

Gerçek Dünya Uygulamaları#

Görüntü segmentasyonunun sunduğu hassasiyet, çeşitli sektörlerde yenilikleri destekler:

• Tıbbi Tanılama: Tıbbi görüntü analizi alanında segmentasyon, anatomik yapıların sınırlarını belirlemek için gereklidir. Algoritmalar, MRI taramalarını analiz ederek tümörlerin veya organların sınırlarını belirler; böylece cerrahlar kesin hacimleri hesaplayabilir ve hayat kurtarıcı bir doğrulukla işlem planlayabilir.
• Otonom Sürüş: Sürücüsüz araçlar güvenli şekilde ilerlemek için segmentasyondan yararlanır. Araç bilgisayarı, video akışlarını işleyerek sürüşe elverişli şeritleri kaldırımlardan ve engellerden ayırt edebilir. SAE International tarafından tanımlanan daha yüksek sürüş otomasyonu seviyeleri, bu tür yüksek doğruluklu çevresel algılamaya dayanır.
• Hassas Tarım: Tarımda yapay zekâ uygulamalarında segmentasyon, robotik sistemlerin ekinler arasındaki yabani otları belirlemesine yardımcı olur. Belirli bitki yaprakları için maskeler oluşturan otomatik püskürtücüler yalnızca istilacı türleri hedef alabilir ve böylece herbisit kullanımını önemli ölçüde azaltabilir.

Ultralytics YOLO26 ile Segmentasyon Uygulama#

Geliştiriciler, ultralytics Python paketini kullanarak örnek segmentasyonunu verimli bir şekilde uygulayabilir. Aşağıdaki örnekte hem hız hem doğruluk için optimize edilmiş, son teknoloji YOLO26 modeli kullanılır.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26 segmentasyon modelini yükle
# 'n', hız için optimize edilmiş nano sürümü ifade eder
model = YOLO("yolo26n-seg.pt")

# Maskeler oluşturmak için bir görüntü üzerinde çıkarım yap
# Model, nesneleri belirler ve şekillerinin dış hatlarını çizer
results = model("https://ultralytics.com/images/bus.jpg")

# Segmentasyon katmanlarını içeren görüntüyü göster
results[0].show()

Özel görevlerde yüksek performans elde etmek için ekiplerin genellikle yüksek kaliteli eğitim verilerini derleyip seçmesi gerekir. Ultralytics Platform, görüntüleri çokgen maskelerle etiketleme, veri kümelerini yönetme ve modelleri bulutta eğitme araçları sunarak bu süreci kolaylaştırır ve tüm makine öğrenimi operasyonları (MLOps) yaşam döngüsünü akıcı hâle getirir. OpenCV gibi kütüphaneler de görüntülerin ön işlenmesi ve ortaya çıkan maskelerin son işlemesi için bu modellerle birlikte sıkça kullanılır.