Image Segmentation

Görüntü segmentasyonu, bilgisayarlı görü (CV) alanında dijital bir görüntüyü, genellikle görüntü bölümleri veya bölgeleri olarak adlandırılan birden fazla piksel alt grubuna ayırmayı içeren gelişmiş bir tekniktir. 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 işlem, yapay zekâ (AI) modellerinin yalnızca hangi nesnelerin mevcut olduğunu değil, tam olarak nerede bulunduklarını ve belirgin sınırlarının ne olduğunu da anlamasını sağlayan, piksel düzeyinde kesin bir harita oluşturur.

Piksel Düzeyinde Analizin Mekaniği#

Bu yüksek doğruluklu 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 görev yapar. Klasik U-Net gibi geleneksel segmentasyon mimarileri çoğunlukla kodlayıcı-kod çözücü yapısı kullanır. Kodlayıcı, anlamsal bağlamı yakalamak için giriş görüntüsünü sıkıştırırken kod çözücü, son bir segmentasyon maskesi çıktısı vermek üzere uzamsal ayrıntıları yeniden oluşturur.

Modern gelişmeler, Ocak 2026'da yayımlanan YOLO26 gibi gerçek zamanlı mimarilerin ortaya çıkmasını sağlamıştır. Bu modeller, segmentasyon yeteneklerini doğrudan uçtan uca bir işlem hattına entegre ederek bulut [GPU'larından](https://ultralytics-translation-1.invalid uç cihazlara kadar çeşitli donanımlarda yüksek hızlı işlem yapılmasını sağlar.

Başlıca Segmentasyon Türleri#

Bir projenin özel hedeflerine bağlı olarak geliştiriciler genellikle üç temel segmentasyon tekniği arasından seçim yapar:

• Anlamsal Segmentasyon: Bu yöntem pikselleri kategorilerine göre sınıflandırır, ancak aynı sınıfa ait ayrı nesneleri birbirinden ayırmaz. Örneğin bir uydu görüntüsü analizinde "ormanı" temsil eden tüm pikseller yeşile boyanır ve ormanın tamamı tek bir varlık olarak ele alınır.
• Örnek Segmentasyonu: Bu teknik, ilgi alanındaki farklı bireysel nesneleri belirler ve birbirinden ayırır. Yoğun bir cadde sahnesinde örnek segmentasyonu, "Araba A", "Araba B" ve "Yaya A" için benzersiz bir maske oluşturarak sistemlerin belirli varlıkları saymasını ve takip etmesini sağlar. Bu, Ultralytics YOLO26 model ailesinin temel bir özelliğidir.
• Panoptik Segmentasyon: Anlamsal segmentasyonun kapsamını, örnek segmentasyonunun hassasiyetiyle birleştiren hibrit bir yaklaşımdır. Her piksele bir etiket atar; gökyüzü ve yol gibi biçimsiz arka plan ögelerini birbirinden ayırırken sayılabilir ön plan nesnelerini benzersiz şekilde tanımlar.

Nesne Tespitinden Farkı#

Segmentasyonu nesne tespitinden ayırmak kritik önem taşır. Tespit algoritmaları ögelerin konumunu dikdörtgen bir sınırlayıcı kutu kullanarak belirlerken bu kutunun içine kaçınılmaz olarak arka plan piksellerini de dahil eder. Segmentasyon, nesnenin tam konturunu veya poligonunu izleyerek daha sıkı ve doğru bir temsil sağlar. Bu fark, bir robot kolunun bir nesneyi çarpışma olmadan manipüle edebilmek için nesnenin kesin geometrisini bilmesi gereken robotik kavrama gibi uygulamalar açısından hayati önem taşır.

Gerçek Dünya Uygulamaları#

Görüntü segmentasyonunun sunduğu hassasiyet, çeşitli sektörlerde yenilikleri destekler:

• Tıbbi Tanı: Tıbbi görüntü analizi alanında segmentasyon, anatomik yapıların sınırlarını belirlemek için vazgeçilmezdir. Algoritmalar, tümörleri veya organ sınırlarını ayrıntılı olarak belirlemek amacıyla MRI taramalarını analiz eder; böylece cerrahların kesin hacimleri hesaplamasına ve hayat kurtaran doğrulukla prosedürleri planlamasına olanak tanır.
• Otonom Sürüş: Sürücüsüz araçlar güvenli şekilde yol almak için segmentasyona güvenir. Araç bilgisayarı, video akışlarını işleyerek sürüşe uygun şeritleri kaldırımlardan ve engellerden ayırt edebilir. SAE International gibi standart kuruluşları, bu yüksek doğruluklu çevre algısını gerektiren otonomi düzeylerini tanımlar.
• Hassas Tarım: Tarımda yapay zekâ alanında segmentasyon, robotik sistemlerin ekinlerin arasındaki yabani otları belirlemesine yardımcı olur. Otomatik püskürtücüler, belirli bitki yaprakları için maskeler oluşturarak yalnızca istilacı türleri hedefleyebilir ve herbisit kullanımını önemli ölçüde azaltabilir.

Ultralytics YOLO26 ile Segmentasyon Uygulama#

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

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 çoğu zaman yüksek kaliteli eğitim verileri derlemesi gerekir. Ultralytics Platformu, görüntüleri poligon maskeleriyle etiketlemek, veri kümelerini yönetmek ve modelleri bulutta eğitmek için araçlar sağlayarak bu süreci basitleştirir ve tüm makine öğrenimi operasyonları (MLOps) yaşam döngüsünü kolaylaştırır. OpenCV gibi kütüphaneler de görüntülerin ön işlenmesi ve elde edilen maskelerin son işlenmesi için bu modellerle birlikte sıklıkla kullanılır.