Image Segmentation

Görüntü bölütleme, dijital bir görüntüyü genellikle görüntü bölütleri veya bölgeleri olarak adlandırılan çoklu piksel alt gruplarına ayırmayı içeren, bilgisayarlı görü (CV) alanındaki gelişmiş bir tekniktir. Tüm bir görüntüye tek bir etiket atayan standart görüntü sınıflandırmanın aksine, bölütleme, her bir piksele özel bir sınıf etiketi atayarak görsel verileri çok daha ayrıntılı bir seviyede analiz eder. Bu süreç, yapay zeka (AI) modellerinin yalnızca hangi nesnelerin mevcut olduğunu değil, tam olarak nerede bulunduklarını ve spesifik sınırlarının neler olduğunu anlamalarını sağlayan hassas bir piksel düzeyi haritası oluşturur.

Link to this sectionPiksel Düzeyi Analizinin Mekanikleri#

To achieve this high-fidelity understanding, segmentation models typically leverage deep learning (DL) architectures, particularly Convolutional Neural Networks (CNNs). These networks act as powerful feature extractors, identifying patterns such as edges, textures, and complex shapes. Traditional segmentation architectures, like the classic U-Net, often employ an encoder-decoder structure. The encoder compresses the input image to capture semantic context, while the decoder reconstructs spatial details to output a final segmentation mask.

Modern gelişmeler, Ocak 2026'da piyasaya sürülen YOLO26 gibi gerçek zamanlı mimarilere yol açmıştır. Bu modeller, bölütleme yeteneklerini doğrudan uçtan uca bir iş hattına entegre ederek bulut GPU'larından uç cihazlara kadar çeşitli donanımlarda yüksek hızlı işlem yapılmasına olanak tanır.

Link to this sectionBirincil Bölütleme Türleri#

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

• Anlamsal Bölütleme: Bu yöntem, pikselleri kategorilerine göre sınıflandırır ancak aynı sınıftaki farklı nesneleri ayırt etmez. Örneğin, bir uydu görüntüsü analizinde, "orman"ı temsil eden tüm pikseller yeşil renkle boyanır ve ormanın tamamı tek bir varlık olarak ele alınır.
• Örnek Bölütleme: Bu teknik, ilgi çekici farklı bireysel nesneleri tanımlar ve ayırır. Kalabalık bir sokak sahnesinde örnek bölütleme, sistemlerin belirli varlıkları saymasını ve takip etmesini sağlayacak şekilde "Araba A", "Araba B" ve "Yaya A" için benzersiz bir maske oluşturur. Bu, Ultralytics YOLO26 model ailesinin temel bir özelliğidir.
• Panoptik Bölütleme: Anlamsal bölütlemenin kapsamını örnek bölütlemenin hassasiyetiyle birleştiren hibrit bir yaklaşımdır. Her piksele bir etiket atayarak, sayılabilir ön plan nesnelerini benzersiz bir şekilde tanımlarken biçimsiz arka plan öğelerini (gökyüzü ve yol gibi) birbirinden ayırır.

Link to this sectionNesne Tespiti ile Ayrımı#

Bölütlemeyi nesne tespitinden ayırmak çok önemlidir. Tespit algoritmaları öğeleri dikdörtgen bir sınırlayıcı kutu kullanarak yerelleştirirken, kaçınılmaz olarak o kutunun içindeki arka plan piksellerini de dahil ederler. Bölütleme, nesnenin tam konturunu veya çokgenini izleyerek daha sıkı ve daha doğru bir temsil sağlar. Bu fark, bir robot kolunun çarpışma olmadan bir öğeyi manipüle etmek için onun hassas geometrisini bilmesi gereken robotik kavrama gibi uygulamalar için hayati öneme sahiptir.

Link to this sectionGerçek Dünya Uygulamaları#

Görüntü bölütlemenin sunduğu hassasiyet, çeşitli endüstrilerde inovasyonu destekler:

• Tıbbi Tanı: Tıbbi görüntü analizi alanında bölütleme, anatomik yapıların ana hatlarını çizmek için gereklidir. Algoritmalar, tümörleri veya organ sınırlarını belirlemek için MRI taramalarını analiz ederek cerrahların tam hacimleri hesaplamasına ve hayat kurtarıcı bir doğrulukla prosedürler planlamasına olanak tanır.
• Otonom Sürüş: Kendi kendine giden araçlar, güvenli bir şekilde hareket etmek için bölütlemeye güvenir. Araç bilgisayarı, video akışlarını işleyerek sürülebilir şeritleri kaldırımlardan ve engellerden ayırabilir. SAE International gibi standart kuruluşları, bu yüksek doğruluklu çevresel algıyı gerektiren otonomi seviyelerini tanımlar.
• Hassas Tarım: Tarımda yapay zeka alanında bölütleme, robotik sistemlerin ekinlerin arasındaki yabani otları tanımlamasına yardımcı olur. Belirli bitki yaprakları için maskeler oluşturarak, otomatik ilaçlama makineleri yalnızca istilacı türleri hedef alabilir ve böylece herbisit kullanımını önemli ölçüde azaltabilir.

Link to this sectionYOLO26 ile Bölütleme Uygulaması#

Geliştiriciler, ultralytics Python paketini kullanarak örnek bölütlemeyi verimli bir şekilde uygulayabilirler. Aşağıdaki örnek, hem hız hem de doğruluk için optimize edilmiş en son teknoloji YOLO26 modelini kullanmaktadır.

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 eğitim verileri oluşturması gerekir. Ultralytics Platformu, görüntüleri çokgen maskelerle etiketleme, veri kümelerini yönetme ve modelleri bulutta eğitme araçları sağlayarak tüm makine öğrenimi operasyonları (MLOps) yaşam döngüsünü kolaylaştırarak bu süreci basitleştirir. OpenCV gibi kütüphaneler de görüntüleri ön işlemeden geçirmek ve elde edilen maskeleri son işlemeden geçirmek için bu modellerin yanı sıra sıklıkla kullanılır.