Instance Segmentation

Örnek bölütleme, bir görüntüdeki her bir nesneyi piksel düzeyinde tanımlayan ve sınırlarını belirleyen bilgisayarlı görü (CV) alanındaki sofistike bir tekniktir. Standart nesne tespiti dikdörtgen sınırlayıcı kutular kullanarak öğeleri yerelleştirirken, örnek bölütleme tespit edilen her bir varlık için kesin bir maske oluşturarak analizi daha derinlemesine yapar. Bu yetenek, yapay zeka (AI) modellerinin, birbirinin üzerine binen iki insanı ayırmak gibi, aynı sınıftaki bireysel nesneleri birbirinden ayırt etmesini sağlar ve daha basit sınıflandırma yöntemlerine kıyasla görsel sahnenin çok daha zengin ve ayrıntılı bir şekilde anlaşılmasına olanak tanır.

Link to this sectionBölütleme Türlerini Ayırt Etme#

Örnek bölütlemenin faydasını tam olarak kavramak için onu ilgili diğer görüntü işleme görevlerinden ayırt etmek yararlıdır. Her yöntem, uygulama gereksinimlerine bağlı olarak farklı bir ayrıntı düzeyi sunar.

• Anlamsal Bölütleme: Bu yaklaşım, bir görüntüdeki her bir pikseli bir kategoriye (örneğin, "yol", "gökyüzü", "araba") göre sınıflandırır. Ancak, aynı kategorideki ayrı nesneleri birbirinden ayırt etmez. Eğer yan yana park etmiş üç araba varsa, anlamsal bölütleme bunları tek bir "araba" bölgesi olarak görür.
• Örnek Bölütleme: Bu yöntem her nesneyi benzersiz bir varlık olarak ele alır. Bireysel örnekleri tespit eder ve her birinin piksellerine benzersiz bir etiket atar. Park halindeki arabalar örneğinde, örnek bölütleme "Araba A", "Araba B" ve "Araba C"yi ayrı ayrı tanımlayarak üç farklı maske oluşturur.
• Panoptik Bölütleme: Anlamsal bölütlemenin arka plan etiketlemesini örnek bölütlemenin sayılabilir nesne tanımlamasıyla birleştiren hibrit bir yaklaşımdır.

Link to this sectionPiksel Düzeyi Analizinin Mekanikleri#

Modern örnek bölütleme modelleri genellikle ileri düzey derin öğrenme (DL) mimarilerine, özellikle de Evrişimli Sinir Ağlarına (CNN'ler) dayanır. Bu ağlar, bir nesnenin hem sınıfını hem de uzamsal konturunu tahmin etmek için görüntüden öznitelikler çıkarır. Tarihsel olarak, Mask R-CNN gibi iki aşamalı mimariler standarttı; önce ilgi alanları önerilir, ardından bunlar maskelere dönüştürülerek iyileştirilirdi.

Ancak, son gelişmeler YOLO26 gibi tespiti ve bölütlemeyi aynı anda gerçekleştiren tek aşamalı dedektörlerin ortaya çıkmasını sağladı. Bu "uçtan uca" yaklaşım, gerçek zamanlı çıkarım hızlarını önemli ölçüde artırarak tüketici donanımlarında canlı video akışlarına yüksek hassasiyetli bölütleme uygulanmasını mümkün kıldı.

Link to this sectionGerçek Dünya Uygulamaları#

Örnek bölütlemenin sağladığı kesin sınırlar, bir nesnenin tam şeklini ve konumunu anlamanın karar verme süreci için gerekli olduğu endüstrilerde kritik öneme sahiptir.

• Sağlık Sektöründe AI: Tıbbi teşhiste, tümörlerin veya lezyonların tam boyutunu ve şeklini belirlemek hayati önem taşır. Örnek bölütleme, modellerin MRI taramalarındaki anormallikleri yüksek hassasiyetle çizmesine olanak tanır, bu da radyologlara tedavi planlamasında ve hastalığın ilerleyişinin izlenmesinde yardımcı olur.
• Otonom Araçlar: Sürücüsüz araçlar, karmaşık ortamlarda gezinmek için bölütlemeye güvenir. Cityscapes gibi veri kümelerinden yararlanan araçlar, sürülebilir yüzeyleri tanımlayabilir, şerit işaretlerini tanıyabilir ve güvenliği sağlamak için kalabalık yaya geçitlerindeki bireysel yayaları birbirinden ayırabilir.
• Tarımda AI: Hassas tarım, mahsul sağlığını izlemek için bölütlemeyi kullanır. Görüş sistemleriyle donatılmış robotlar, otomatik hasat için bireysel meyveleri tanımlayabilir veya hedeflenmiş herbisit uygulaması için belirli yabani otları tespit ederek kimyasal kullanımını azaltabilir ve verimi optimize edebilir.

Link to this sectionPython ile Bölütleme Uygulama#

Geliştiriciler, ultralytics kütüphanesini kullanarak örnek bölütlemeyi kolayca uygulayabilirler. Aşağıdaki örnek, önceden eğitilmiş bir YOLO26 modelinin nasıl yükleneceğini ve bir görüntü için bölütleme maskelerinin nasıl oluşturulacağını göstermektedir.

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()

Link to this sectionZorluklar ve Model Eğitimi#

Güçlü olmasına rağmen, örnek bölütleme basit sınırlayıcı kutu tespitine kıyasla hesaplama açısından yoğundur. Piksel düzeyinde mükemmel maskeler oluşturmak ciddi GPU kaynakları ve hassas veri etiketleme gerektirir. Bu görevler için veri etiketlemek, her nesnenin etrafına sıkı çokgenler çizmeyi içerir ki bu da zaman alıcı olabilir.

To streamline this process, teams often use tools like the Ultralytics Platform, which offers features for dataset management, auto-annotation, and cloud-based training. This allows developers to fine-tune models on custom data—such as specific industrial parts or biological specimens—and deploy them efficiently to edge AI devices using optimized formats like ONNX or TensorRT.