Instance Segmentation

Örnek segmentasyonu, bir görüntüdeki ilgi alanına giren her farklı nesneyi piksel düzeyinde tanımlayan ve sınırlarını belirleyen bilgisayarlı görü (CV) alanındaki gelişmiş bir tekniktir. Standart [nesne algılama](https://ultralytics-translation-1.invalid, öğeleri dikdörtgen sınırlayıcı kutular kullanarak konumlandırırken, örnek segmentasyonu her algılanan varlık için kesin bir maske oluşturarak analizi daha ileri taşır. Bu yetenek, yapay zekâ (AI) modellerinin aynı sınıfa ait tek tek nesneleri birbirinden ayırmasını (örneğin üst üste binen iki kişiyi ayırmasını) sağlar ve daha basit sınıflandırma yöntemlerine kıyasla görsel sahnenin daha zengin ve ayrıntılı bir şekilde anlaşılmasını sunar.

Segmentasyon Türlerini Ayırt Etme#

Örnek segmentasyonunun faydasını tam olarak kavramak için onu diğer ilgili görüntü işleme görevlerinden ayırmak yararlı olur. Her yöntem, uygulamanın gereksinimlerine bağlı olarak farklı bir ayrıntı düzeyi sunar.

• Anlamsal Segmentasyon: Bu yaklaşım, görüntüdeki her pikseli bir kategoriye (ör. "yol", "gökyüzü", "araba") sınıflandırır. Ancak aynı kategoriye ait ayrı nesneleri birbirinden ayırmaz. Yan yana üç araba park edilmişse anlamsal segmentasyon bunları tek bir "araba" bölgesi olarak görür.
• Örnek Segmentasyonu: Bu yöntem, her nesneyi benzersiz bir varlık olarak ele alır. Tek tek örnekleri algılar ve her birinin piksellerine benzersiz bir etiket atar. Park edilmiş arabalar örneğinde örnek segmentasyonu, "Araba A", "Araba B" ve "Araba C" olarak ayrı ayrı tanımlanan üç farklı maske oluşturur.
• Panoptik Segmentasyon: Anlamsal segmentasyonun arka plan etiketlemesini, örnek segmentasyonunun sayılabilir nesne tanımlamasıyla birleştiren hibrit bir yaklaşımdır.

Piksel Düzeyinde Analizin Mekaniği#

Modern örnek segmentasyonu modelleri genellikle gelişmiş derin öğrenme (DL) mimarilerine, özellikle de Evrişimli Sinir Ağlarına (CNNs) dayanır. Bu ağlar, hem bir nesnenin sınıfını hem de uzamsal konturunu tahmin etmek için görüntüden özellikler çıkarır. Geçmişte Mask R-CNN gibi iki aşamalı mimariler standarttı; bu mimariler önce ilgi bölgeleri önerir, ardından bunları maskelere dönüştürerek iyileştirirdi.

Ancak son gelişmeler, algılama ve segmentasyonu eş zamanlı olarak gerçekleştiren YOLO26 gibi tek aşamalı algılayıcıların ortaya çıkmasını sağladı. Bu "uçtan uca" yaklaşım, gerçek zamanlı çıkarım hızlarını önemli ölçüde artırarak tüketici donanımlarında canlı video akışlarına yüksek hassasiyetli segmentasyon uygulanmasını mümkün kılar.

Gerçek Dünya Uygulamaları#

Örnek segmentasyonunun sağladığı kesin sınırlar, karar verme sürecinde bir nesnenin tam şeklinin ve konumunun anlaşılmasının gerekli olduğu sektörler için kritik öneme sahiptir.

• Sağlık Hizmetlerinde Yapay Zekâ: Tıbbi tanıda tümörlerin veya lezyonların tam boyutunu ve şeklini belirlemek hayati önem taşır. Örnek segmentasyonu, MR taramalarındaki anormallikleri yüksek hassasiyetle ana hatlarıyla belirleyerek radyologlara tedavi planlama ve hastalığın ilerlemesini izleme süreçlerinde yardımcı olur.
• Otonom Araçlar: Sürücüsüz araçlar, karmaşık ortamlarda yol almak için segmentasyona güvenir. Cityscapes gibi veri kümelerinden yararlanan araçlar, sürülebilir yüzeyleri belirleyebilir, şerit işaretlerini tanıyabilir ve güvenliği sağlamak için kalabalık yaya geçitlerindeki yayaları tek tek ayırabilir.
• Tarımda Yapay Zekâ: Hassas tarım, ürün sağlığını izlemek için segmentasyonu kullanır. Görüntü sistemleriyle donatılmış robotlar, otomatik hasat için tek tek meyveleri belirleyebilir veya hedefli herbisit uygulaması için belirli yabani otları algılayabilir; böylece kimyasal kullanımını azaltır ve verimi optimize eder.

Python ile Segmentasyon Uygulama#

Geliştiriciler, ultralytics kütüphanesini kullanarak örnek segmentasyonunu kolayca uygulayabilir. Aşağıdaki örnek, önceden eğitilmiş bir YOLO26 modelinin nasıl yükleneceğini ve bir görüntü için segmentasyon maskelerinin nasıl oluşturulacağını gösterir.

from ultralytics import YOLO

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

# Run inference on an image
# This predicts classes, bounding boxes, and masks
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
# Displays the image with overlaid segmentation masks
results[0].show()

Zorluklar ve Model Eğitimi#

Örnek segmentasyonu güçlü olsa da basit sınırlayıcı kutu algılamaya kıyasla hesaplama açısından yoğundur. Piksel düzeyinde kusursuz maskeler oluşturmak, önemli miktarda GPU kaynağı ve hassas veri açıklaması gerektirir. Bu görevler için veri açıklaması yapmak, her nesnenin çevresine sıkı poligonlar çizmeyi gerektirir ve bu işlem zaman alabilir.

Bu süreci kolaylaştırmak için ekipler genellikle veri kümesi yönetimi, otomatik açıklama ve bulut tabanlı eğitim özellikleri sunan Ultralytics Platform gibi araçları kullanır. Bu sayede geliştiriciler, belirli endüstriyel parçalar veya biyolojik örnekler gibi özel veriler üzerinde modellerde ince ayar yapabilir ve bunları ONNX veya TensorRT gibi optimize edilmiş formatları kullanarak uç AI cihazlarına verimli bir şekilde dağıtabilir.