Örnek Bölütleme

Örnek segmentasyonu, bir görüntüdeki bireysel nesneleri piksel düzeyinde tanımlayan ve sınırlarını çizen gelişmiş bir bilgisayarlı görü (CV) görevidir. Diğer görme görevlerinden farklı olarak, yalnızca bir görüntüyü sınıflandırmak veya nesnelerin etrafına bir sınırlayıcı kutu çizmekle kalmaz; bunun yerine, her bir farklı nesne örneği için kesin bir piksel bazlı maske oluşturur. Bu teknik, aynı sınıfa ait örtüşen nesneler arasında ayrım yapabildiği için bir sahnenin çok daha derinlemesine anlaşılmasını sağlar.

Örnek - Semantik ve Nesne Tespiti Karşılaştırması

Örnek segmentasyonunu diğer ilgili bilgisayarla görü görevlerinden ayırmak önemlidir.

• Nesne Tespiti: Bu görev, nesnelerin varlığını ve konumunu, tipik olarak etraflarına dikdörtgen sınırlayıcı kutular çizerek ve bir sınıf etiketi atayarak tanımlar. "Görüntüde ne var ve nerede?" sorusunu yanıtlar, ancak şekil bilgisi sağlamaz.
• Semantik Bölütleme (Semantic Segmentation): Bu görev, bir görüntüdeki her pikseli belirli bir kategoriye sınıflandırır. Örneğin, arabalara ait tüm pikselleri "araba" olarak etiketler, ancak görüntüdeki iki farklı araba arasında ayrım yapmaz. "Her piksel hangi kategoriye ait?" sorusunu yanıtlar.
• Örnek Bölütleme: Bu, nesne tespiti ve semantik bölütleme yeteneklerini birleştirir. Her nesne örneğini algılar ve bunun için benzersiz bir bölütleme maskesi oluşturur. Üç araba içeren bir görüntüde, örnek bölütleme, her biri belirli bir arabaya karşılık gelen üç ayrı maske çıkarır.
• Panoptik Bölütleme (Panoptic Segmentation): Bu, semantik ve örnek bölütlemeyi birleştiren, bölütleme görevlerinin en kapsamlısıdır. Her piksele bir sınıf etiketi ve benzersiz bir örnek kimliği atayarak sahnenin eksiksiz, birleşik bir şekilde anlaşılmasını sağlar.

Örnek Bölütleme Nasıl Çalışır?

Örnek segmentasyon modelleri tipik olarak iki ana işlevi yerine getirir: ilk olarak, bir görüntüdeki tüm nesne örneklerini algılarlar ve ikinci olarak, algılanan her örnek için bir segmentasyon maskesi oluştururlar. Bu süreç, Faster R-CNN gibi nesne dedektörlerini, her bir ilgi alanı için ikili bir maske tahmin eden paralel bir dal ekleyerek genişleten Mask R-CNN gibi mimariler tarafından meşhur edilmiştir. Modern modeller, birçok uygulamada gerçek zamanlı çıkarım sağlayarak daha iyi hız ve doğruluk için bu süreci daha da geliştirmiştir. Geliştirme genellikle PyTorch ve TensorFlow gibi güçlü derin öğrenme çerçevelerine dayanır.

Gerçek Dünya Uygulamaları

Örnek segmentasyonu tarafından sağlanan ayrıntılı nesne ana hatları, çok sayıda alanda değerlidir.

• Otonom Araçlar: Sürücüsüz otomobiller, tekil yayaların, araçların ve bisikletlilerin şeklini ve konumunu hassas bir şekilde belirlemek için örnek segmentasyonuna (instance segmentation) güvenir. Bu ayrıntılı bilgi, özellikle birçok örtüşen nesnenin bulunduğu karmaşık kentsel ortamlarda güvenli navigasyon ve yol planlaması için kritik öneme sahiptir. Cityscapes gibi veri kümeleri, bu alanın geliştirilmesinde etkili olmuştur.
• Tıbbi Görüntü Analizi: Radyolojide, örnek segmentasyonu, tümörleri, lezyonları ve organları BT veya MR taramalarından yüksek hassasiyetle ayırmak için kullanılır. Bu, doktorların bir tümörün boyutunu ölçmesine, ameliyatları planlamasına ve tedavi etkinliğini izlemesine yardımcı olur. Tümör tespiti için YOLO11 kullanımı hakkındaki blog yazımızda bu konuda daha fazla bilgi edinebilirsiniz.
• Robotik: Robotlar, çevrelerini anlamak, kavranacak belirli nesneleri tanımlamak ve engellerden daha yüksek doğrulukla kaçınmak için örnek segmentasyonu kullanır. Bu, üretim ve lojistik'teki görevler için çok önemlidir.
• Uydu Görüntüleme Analizi: Bu teknik, bir ormandaki tek tek ağaçları saymak, bir şehirdeki binaları haritalamak veya NASA gibi kuruluşlardan elde edilen verilerle zaman içindeki arazi kullanımındaki değişiklikleri izlemek için kullanılır.
• Tarım (Agriculture): Verim tahmini için tek tek meyveleri tanımlamak ve saymak veya hedeflenen herbisit uygulaması için belirli yabani otları tespit etmek için kullanılabilir; bu da hassas tarımın (precision agriculture) önemli bir parçasıdır.

Ultralytics YOLO ile Örnek Bölütleme

Ultralytics, verimli örnek segmentasyonu gerçekleştirebilen son teknoloji modeller sunar. YOLOv8 ve en son YOLO11 gibi modeller, örnek segmentasyonu da dahil olmak üzere çeşitli görüntü işleme görevlerinde yüksek performans sağlamak üzere tasarlanmıştır. Daha fazla ayrıntıyı segmentasyon göreviyle ilgili belgelerimizde bulabilirsiniz. Kullanıcılar, önceden eğitilmiş modelleri kullanabilir veya ince ayar (fine-tuning) uygulayarak COCO gibi özel veri kümeleri (datasets) üzerinde Ultralytics HUB platformu gibi araçları kullanarak makine öğrenimi (ML) iş akışını veri yönetiminden model dağıtımına (model deployment) kadar basitleştirebilir. Pratik uygulama için, önceden eğitilmiş Ultralytics YOLOv8 modelleriyle segmentasyon veya segmentasyon nesnelerini izole etme hakkındaki eğitimimiz gibi kaynaklar mevcuttur. Ayrıca, Ultralytics YOLO11'i örnek segmentasyonu için nasıl kullanacağınızı da öğrenebilirsiniz.