Instance Segmentation

Örneklem segmentasyonu, bir görüntüdeki her bir farklı nesneyi piksel düzeyinde tanımlayan ve sınırlarını çizen bilgisayarlı görü (CV) alanında gelişmiş bir tekniktir. Standart nesne algılama öğeleri dikdörtgen sınırlayıcı kutular kullanarak konumlandırırken, örneklem segmentasyonu tespit edilen her varlık için hassas bir maske oluşturarak analizi daha derinlemesine gerçekleştirir. Bu yetenek, yapay zeka (AI) modellerinin aynı sınıftaki bireysel nesneleri ayırt etmesini sağlar —örneğin üst üste binen iki kişiyi birbirinden ayırmak gibi— ve daha basit sınıflandırma yöntemlerine kıyasla görsel sahnenin daha zengin ve ayrıntılı bir şekilde anlaşılmasını sağlar.

Bölütleme 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 Segmentasyon: Bu yaklaşım, bir görüntüdeki her pikseli bir kategoriye (örn. "yol", "gökyüzü", "araba") sınıflandırır. Ancak aynı kategorideki ayrı nesneleri birbirinden ayırt etmez. Üç araba yan yana park edilmişse, anlamsal segmentasyon bunları tek bir "araba" bölgesi olarak görür.
• Örneklem Segmentasyonu: Bu yöntem her nesneyi benzersiz bir varlık olarak ele alır. Bireysel örnekleri tespit eder ve her birinin piksellerine benzersiz bir etiket atar. Park edilmiş arabalar örneğinde, örneklem segmentasyonu "Araba A", "Araba B" ve "Araba C"yi ayrı ayrı tanımlayarak üç farklı maske oluşturur.
• Panoptik Segmentasyon: Anlamsal segmentasyonun arka plan etiketlemesini, örneklem segmentasyonunun sayılabilir nesne tanımlamasıyla birleştiren hibrit bir yaklaşım.

Piksel Düzeyi Analizinin Mekanikleri#

Modern örneklem segmentasyonu modelleri genellikle gelişmiş derin öğrenme (DL) mimarilerine, özellikle de Evrişimli Sinir Ağlarına (CNN'ler) dayanır. Bu ağlar, bir nesnenin hem sınıfını hem de mekansal konturunu tahmin etmek için bir görüntüden özellikler çıkarır. Tarihsel olarak, Mask R-CNN gibi iki aşamalı mimariler standarttı; önce ilgi alanları önerilir ve ardından bunlar maskelere dönüştürülerek geliştirilirdi.

Ancak son gelişmeler, algılama ve segmentasyonu aynı anda gerçekleştiren YOLO26 gibi tek aşamalı dedektörlere yol açmıştır. Bu "uçtan uca" yaklaşım, gerçek zamanlı çıkarım hızlarını önemli ölçüde artırarak tüketici donanımında canlı video akışlarına yüksek hassasiyetli segmentasyon uygulanmasını mümkün kılar.

Gerçek Dünya Uygulamaları#

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

• Sağlıkta Yapay Zeka: Tıbbi teşhislerde tümörlerin veya lezyonların tam boyutunu ve şeklini belirlemek hayati önem taşır. Örneklem segmentasyonu, modellerin MRI taramalarındaki anormallikleri yüksek hassasiyetle özetlemesine olanak tanır ve radyologlara tedavi planlamasında ve hastalık ilerlemesini izlemede yardımcı olur.
• Otonom Araçlar: Kendi kendine giden arabalar karmaşık ortamlarda gezinmek için segmentasyona güvenir. Cityscapes gibi veri setlerini kullanarak araçlar sürülebilir yüzeyleri belirleyebilir, şerit çizgilerini tanıyabilir ve güvenliği sağlamak için kalabalık yaya geçitlerindeki bireysel yayaları ayırabilir.
• Tarımda Yapay Zeka: Hassas tarım, mahsul sağlığını izlemek için segmentasyonu kullanır. Görüntü sistemleriyle donatılmış robotlar, otomatik hasat için tekil meyveleri tanımlayabilir veya hedef odaklı herbisit uygulaması için belirli yabani otları tespit ederek kimyasal kullanımını azaltabilir ve verimi optimize edebilir.

Python ile Bölütleme Uygulama#

Geliştiriciler ultralytics kütüphanesini kullanarak örneklem segmentasyonunu kolayca uygulayabilir. Aşağıdaki örnek, önceden eğitilmiş bir YOLO26 modelinin nasıl yükleneceğini ve bir görüntü için segmentasyon 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()

Zorluklar ve Model Eğitimi#

Güçlü olmasına rağmen örneklem segmentasyonu, basit sınırlayıcı kutu algılamasına kıyasla hesaplama açısından yoğundur. Piksel mükemmelliğinde maskeler oluşturmak önemli miktarda GPU kaynağı ve hassas veri etiketleme gerektirir. Bu görevler için verileri etiketlemek, her nesnenin etrafında sıkı çokgenler çizmeyi gerektirir ve bu da zaman alıcı olabilir.

Bu süreci kolaylaştırmak için ekipler genellikle veri seti yönetimi, otomatik etiketleme ve bulut tabanlı eğitim için özellikler sunan Ultralytics Platform gibi araçları kullanır. Bu, geliştiricilerin modelleri özel veriler üzerinde —belirli endüstriyel parçalar veya biyolojik örnekler gibi— ince ayar yapmasına ve ONNX veya TensorRT gibi optimize edilmiş formatları kullanarak uç yapay zeka cihazlarına verimli bir şekilde dağıtmasına olanak tanır.