Örnek Segmentasyonu

Örnek segmentasyonu, bir görüntüdeki nesneleri piksel düzeyinde tek tek tanımlayan ve tasvir eden gelişmiş bir bilgisayarla görme (CV) görevidir. Diğer görme görevlerinin aksine, sadece bir görüntüyü sınıflandırmaz veya nesnelerin etrafına sınırlayıcı bir kutu çizmez; bunun yerine, her bir farklı nesne örneği için piksel bazında hassas bir maske oluşturur. Bu teknik, aynı sınıftaki örtüşen nesneler arasında ayrım yapabildiği için bir sahnenin çok daha derinlemesine anlaşılmasını sağlar.

Örnek ve Anlamsal ve Nesne Algılama

Örnek segmentasyonunu diğer ilgili bilgisayarla görme görevlerinden ayırmak önemlidir.

• Nesne Algılama: Bu görev, tipik olarak etraflarına dikdörtgen sınırlayıcı kutular çizerek ve bir sınıf etiketi atayarak nesnelerin varlığını ve konumunu belirler. "Görüntüde ne var ve nerede?" sorularına yanıt verir ancak şekil bilgisi sağlamaz.
• Anlamsal Segmentasyon: 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 aittir?" sorusuna yanıt verir.
• Örnek Segmentasyonu: Bu, nesne algılama ve anlamsal segmentasyon yeteneklerini birleştirir. Her nesne örneğini tespit eder ve bunun için benzersiz bir segmentasyon maskesi oluşturur. Üç arabalı bir görüntüde, örnek segmentasyonu her biri belirli bir arabaya karşılık gelen üç ayrı maske üretecektir.
• Panoptik Segmentasyon: Bu, anlamsal ve örnek segmentasyonunu birleştiren segmentasyon görevlerinin en kapsamlısıdır. Her piksele bir sınıf etiketi ve benzersiz bir örnek kimliği atayarak sahnenin eksiksiz ve birleşik bir şekilde anlaşılmasını sağlar.

Örnek Segmentasyonu Nasıl Çalışır?

Örnek segmentasyon modelleri tipik olarak iki ana işlevi yerine getirir: birincisi, bir görüntüdeki tüm nesne örneklerini tespit ederler ve ikincisi, tespit edilen her örnek için bir segmentasyon maskesi oluştururlar. Bu süreç, ilgilenilen her bölge için ikili bir maske tahmin eden paralel bir dal ekleyerek Faster R-CNN gibi nesne dedektörlerini genişleten Mask R-CNN gibi mimariler tarafından popüler hale getirilmiştir. Modern modeller, daha iyi hız ve doğruluk için bu süreci daha da geliştirerek birçok uygulamada gerçek zamanlı çıkarım yapılmasını sağlamıştır. Geliştirme genellikle PyTorch ve TensorFlow gibi güçlü derin öğrenme çerçevelerine dayanır.

Gerçek Dünya Uygulamaları

Örnek segmentasyonu tarafından sağlanan ayrıntılı nesne ana hatları birçok alanda değerlidir.

• Otonom Araçlar: Sürücüsüz araçlar, yayaların, araçların ve bisikletlilerin şeklini ve konumunu tam olarak belirlemek için örnek segmentasyonuna güvenir. Bu ayrıntılı bilgi, özellikle üst üste binen birçok nesnenin bulunduğu karmaşık kentsel ortamlarda güvenli navigasyon ve yol planlaması için kritik öneme sahiptir. Şehir Manzaraları gibi veri kümeleri bu alanda ilerleme kaydedilmesinde etkili olmuştur.
• Tıbbi Görüntü Analizi: Radyolojide örnek segmentasyonu, CT veya MRI taramalarından tümörleri, lezyonları ve organları yüksek hassasiyetle tanımlamak için kullanılır. Bu, doktorların bir tümörün boyutunu ölçmesine, ameliyatları planlamasına ve tedavi etkinliğini izlemesine yardımcı olur. Tümör tespiti için YOLO11 kullanımı hakkındaki blog yazımızdan bu konuda daha fazla bilgi edinebilirsiniz.
• Robotik: Robotlar çevrelerini anlamak, kavrayacakları belirli nesneleri belirlemek ve engellerden daha yüksek doğrulukla kaçınmak için örnek segmentasyonunu kullanır. Bu, üretim ve lojistik alanındaki görevler için çok önemlidir.
• Uydu Görüntüleri Analizi: Bu teknik, bir ormandaki ağaçları tek tek saymak, bir şehirdeki binaları haritalamak veya NASA gibi kuruluşlardan alınan verilerle zaman içinde arazi kullanımındaki değişiklikleri izlemek için kullanılır.
• Tarım: Verim tahmini için tek tek meyveleri tanımlamak ve saymak veya hassas tarımın önemli bir parçası olan hedefli herbisit uygulaması için belirli yabani otları tespit etmek için kullanılabilir.

Ultralytics YOLO ile Örnek Segmentasyonu

Ultralytics, verimli örnek segmentasyonu gerçekleştirebilen son teknoloji modeller sağlar. YOLOv8 ve en yeni YOLO11 gibi modeller, örnek segmentasyonu da dahil olmak üzere çeşitli görme görevlerinde yüksek performans sağlamak için tasarlanmıştır. Segmentasyon görevine ilişkin belgelerimizde daha fazla ayrıntı bulabilirsiniz. Kullanıcılar, veri yönetiminden model dağıtımına kadar makine öğrenimi (ML) iş akışını basitleştiren Ultralytics HUB platformu gibi araçları kullanarak önceden eğitilmiş modellerden yararlanabilir veya COCO gibi özel veri kümeleri üzerinde ince ayar yapabilirler. Pratik uygulama için, önceden eğitilmiş Ultralytics YOLOv8 modelleri ile segmentasyon eğitimimiz veya segmentasyon nesnelerini izole etme kılavuzumuz gibi kaynaklar mevcuttur. Örnek segmentasyonu için Ultralytics YOLO11'i nasıl kullanacağınızı da öğrenebilirsiniz.