Image Segmentation

Görüntü bölütleme, dijital bir görüntüyü sıkça görüntü bölütleri veya bölgeleri olarak adlandırılan birden fazla piksel alt grubuna ayırmayı içeren computer vision (CV) alanında gelişmiş bir tekniktir. Tüm bir görüntüye tek bir etiket atayan standart image classification uygulamasının aksine bölütleme, her bir piksele belirli bir sınıf etiketi atayarak görsel verileri çok daha ayrıntılı bir düzeyde analiz eder. Bu işlem hassas bir piksel düzeyinde harita oluşturarak artificial intelligence (AI) modellerinin yalnızca hangi nesnelerin mevcut olduğunu değil, tam olarak nerede bulunduklarını ve özel sınırlarının ne olduğunu anlamasını sağlar.

Piksel Düzeyi Analizinin Mekanikleri#

Bu yüksek doğruluklu anlayışı elde etmek için bölütleme modelleri genellikle deep learning (DL) mimarilerinden, özellikle de Convolutional Neural Networks (CNNs) modellerinden yararlanır. Bu ağlar; kenarlar, dokular ve karmaşık şekiller gibi örüntüleri belirleyen güçlü özellik çıkarıcılar olarak görev yapar. Klasik U-Net gibi geleneksel bölütleme mimarileri genellikle bir kodlayıcı-kod çözücü yapısı kullanır. Kodlayıcı, anlamsal bağlamı yakalamak için giriş görüntüsünü sıkıştırırken kod çözücü, nihai bir segmentation mask çıktısı vermek için uzamsal ayrıntıları yeniden oluşturur.

Modern gelişmeler, Ocak 2026'da piyasaya sürülen YOLO26 gibi gerçek zamanlı mimarilere yol açmıştır. Bu modeller, bölütleme özelliklerini doğrudan uçtan uca bir boru hattına entegre ederek bulut GPUs birimlerinden uç cihazlara kadar çeşitli donanımlarda yüksek hızlı işlem yapılmasını sağlar.

Birincil Bölütleme Türleri#

Bir projenin özel hedefine bağlı olarak geliştiriciler genellikle üç ana bölütleme tekniği arasında seçim yaparlar:

• Semantic Segmentation: Bu yöntem pikselleri kategorilerine göre sınıflandırır ancak aynı sınıfın ayrı nesneleri arasında ayrım yapmaz. Örneğin bir satellite image analysis işleminde "orman"ı temsil eden tüm pikseller yeşile boyanır ve ormanın tamamı tek bir varlık olarak ele alınır.
• Instance Segmentation: Bu teknik, ilgi çekici farklı bireysel nesneleri tanımlar ve ayırır. Yoğun bir sokak sahnesinde örnek bölütleme; sistemlerin belirli varlıkları saymasını ve izlemesini sağlayacak şekilde "Araba A", "Araba B" ve "Yaya A" için benzersiz bir maske oluşturur. Bu, Ultralytics YOLO26 model ailesinin temel bir özelliğidir.
• Panoptic Segmentation: Anlamsal bölütlemenin kapsamını örnek bölütlemenin hassasiyetiyle birleştiren melez bir yaklaşımdır. Sayılabilir ön plan nesnelerini benzersiz bir şekilde tanımlarken biçimsiz arka plan öğelerini (gökyüzü ve yol gibi) ayırt ederek her piksele bir etiket atar.

Nesne Tespiti ile Ayrımı#

Bölütlemeyi object detection işleminden ayırmak çok önemlidir. Algılama algoritmaları öğeleri dikdörtgen bir bounding box kullanarak konumlandırırken kaçınılmaz olarak arka plan piksellerini bu kutunun içine dahil eder. Bölütleme, nesnenin tam konturunu veya çokgenini izleyerek daha sıkı ve daha doğru bir temsil sunar. Bu fark, bir robot kolunun bir öğeyi çarpışma olmadan işlemek için öğenin tam geometrisini bilmesi gereken robotic grasping gibi uygulamalar için hayati önem taşır.

Gerçek Dünya Uygulamaları#

Görüntü bölütlemenin sunduğu hassasiyet, çeşitli endüstrilerde inovasyonu destekler:

• Tıbbi Teşhisler: medical image analysis alanında bölütleme, anatomik yapıların ana hatlarını belirlemek için gereklidir. Algoritmalar, cerrahların tam hacimleri hesaplamasını ve hayat kurtaran bir doğrulukla prosedürler planlamasını sağlayarak tümörleri veya organ sınırlarını çizmek için MRI scans taramalarını analiz eder.
• Otonom Sürüş: Otonom araçlar güvenli bir şekilde seyahat etmek için bölütlemeye güvenir. Araç bilgisayarı, video akışlarını işleyerek drivable lanes şeritlerini yaya kaldırımlarından ve engellerden ayırt edebilir. SAE International gibi standart kuruluşları, bu yüksek doğruluklu çevresel algıyı gerektiren otonomi seviyelerini tanımlar.
• Hassas Tarım: AI in agriculture alanında bölütleme, robotik sistemlerin ekinler arasındaki yabani otları belirlemesine yardımcı olur. Otomatik püskürtme makineleri, belirli bitki yaprakları için maskeler oluşturarak yalnızca istilacı türleri hedefleyebilir ve herbisit kullanımını önemli ölçüde azaltabilir.

Ultralytics YOLO26 ile Segmentasyon Uygulama#

Geliştiriciler ultralytics Python paketini kullanarak örnek bölütlemeyi verimli bir şekilde uygulayabilir. Aşağıdaki örnek, hem hız hem de doğruluk açısından optimize edilmiş son teknoloji ürünü YOLO26 model modelini kullanır.

from ultralytics import YOLO

# Load a pre-trained YOLO26 segmentation model
# 'n' denotes the nano version, optimized for speed
model = YOLO("yolo26n-seg.pt")

# Run inference on an image to generate masks
# The model identifies objects and outlines their shape
results = model("https://ultralytics.com/images/bus.jpg")

# Display the image with segmentation overlays
results[0].show()

Özel görevlerde yüksek performans elde etmek için ekiplerin genellikle yüksek kaliteli training data derlemesi gerekir. Ultralytics Platform, görüntüleri çokgen maskelerle açıklama ekleme, veri kümelerini yönetme ve bulutta modelleri eğitme araçları sağlayarak bu süreci basitleştirir ve tüm machine learning operations (MLOps) yaşam döngüsünü kolaylaştırır. OpenCV gibi kütüphaneler de görüntüleri ön işleme tabi tutmak ve ortaya çıkan maskeleri sonradan işlemek için bu modellerin yanında sıklıkla kullanılır.