Interactive Segmentation

Etkileşimli segmentasyon, bir insan kullanıcının, bir görüntüdeki belirli nesneleri izole etmesi için yapay zeka modeline rehberlik etmek üzere tıklamalar, sınırlayıcı kutular (bounding boxes) veya metin komutları gibi sürekli ya da tek seferlik girdiler sağladığı, bilgisayarlı görü alanına yönelik son derece iş birlikçi bir yaklaşımdır. Tamamen otomatik yöntemlerin aksine, bu insan döngülü (human-in-the-loop) teknik, kullanıcıların neyin segmente edilmesi gerektiğini tam olarak tanımlamasına olanak tanır; bu da onu özellikle belirsiz görsel verilerle, örtüşen nesnelerle veya daha önce görülmemiş sınıflarla uğraşırken değerli kılar. Son birkaç yılda temel modellerin tanıtılması, bu sürecin hızını ve doğruluğunu önemli ölçüde artırarak onu veri etiketleme ve hassas görüntüleme için hayati bir araç haline getirdi.

Link to this sectionEtkileşimli Segmentasyon Nasıl Çalışır?#

İş akışının temelinde, modelin piksel mükemmelliğinde bir maske oluşturmak için kullanıcı rehberliğini yorumladığı komut istemiyle kavram segmentasyonu yatar. Bir kullanıcı, seçmek istediği ön plan nesnesine "pozitif" bir tıklama, hariç tutmak istediği arka plan alanlarına ise "negatif" bir tıklama yapabilir. Segment Anything Model (SAM) ve onun devamı olan Meta SAM 3 gibi gelişmiş modeller, görsel aramayı temellendirmek için çeşitli hareket türlerini [1], sınırlayıcı kutuları ve hatta metin açıklamalarını kabul ederek bunu daha da ileri taşır. Model, bu komutlara dayanarak en uygun sınırı hesaplar ve kullanıcı, istenen doğruluk elde edilene kadar ek tıklamalarla maskeyi yinelemeli olarak iyileştirebilir.

Link to this sectionGerçek Dünya Uygulamaları#

Etkileşimli segmentasyon, insan uzmanlığını yapay zeka verimliliğiyle harmanlayarak sayısız endüstrideki iş akışlarını dönüştürüyor.

• Tıbbi Görüntüleme: Sağlık hizmetlerinde yapay zeka alanında, doktorlar ve radyologlar MRI ve CT taramalarındaki tümörleri, lezyonları veya belirli organları izole etmek için etkileşimli araçlar kullanırlar. Tıbbi görüntüler için uzamsal modelleme [2] üzerine yapılan araştırmalar, etkileşimli tıklamaların tıp uzmanlarının yapay zeka tahminlerini hızlı bir şekilde düzeltmesine olanak tanıdığını ve hasta teşhisi için gereken titiz hassasiyeti sağladığını göstermektedir.
• Coğrafi ve Uydu Haritalama: Şehir plancıları ve çevre bilimcileri, GIS özellik çıkarımını [3] hızlandırmak için etkileşimli modeller kullanırlar. Karmaşık kıyı şeritlerini, tarımsal sınırları veya yeni altyapıları manuel olarak izlemek yerine, analistler anında doğru coğrafi çokgenler oluşturmak için birkaç stratejik tıklama yapabilirler.
• Endüstriyel Kusur Tespiti: Üretimde yapay zeka için kalite kontrol mühendisleri, üretim hatlarındaki mikroskobik kusurları vurgulamak üzere etkileşimli komutları kullanabilir ve sistemi tüm modeli yeniden eğitmek zorunda kalmadan yeni kusur türlerine dinamik olarak uyarlayabilirler.

Link to this sectionEtkileşimli Segmentasyon ve Örnek (Instance) Segmentasyonu Karşılaştırması#

Her iki kavram da nesneleri piksel düzeyinde ayırmayı içerse de, farklı operasyonel amaçlara hizmet ederler. Örnek segmentasyonu, Ultralytics YOLO26 gibi bir modelin önceden tanımlanmış sınıfları (örneğin, "araba", "kişi", "köpek") kullanıcı müdahalesi olmadan tespit edip ana hatlarını belirlediği, tipik olarak tamamen otomatik bir süreçtir. Bunun nasıl çalıştığı hakkında örnek segmentasyonu rehberimizden daha fazla bilgi edinebilirsin.

Conversely, interactive segmentation does not strictly rely on predefined classes. It is class-agnostic, meaning it segments whatever the user points to, making it an excellent fit for active learning pipelines where novel objects need to be rapidly annotated and added to custom datasets using tools like the Ultralytics Platform.

Link to this sectionUltralytics Kullanarak Örnek#

PyTorch ve ultralytics Python paketini kullanarak kendi projelerinde kolayca etkileşimli segmentasyon uygulayabilirsin. Bu örnekte, sınırlayıcı kutu komutu sağlayarak belirli bir nesneyi segmente etmek için FastSAM kullanıyoruz.

from ultralytics import FastSAM

# Load a pretrained FastSAM model
model = FastSAM("FastSAM-s.pt")

# Perform interactive segmentation using a bounding box prompt [x1, y1, x2, y2]
results = model("path/to/image.jpg", bboxes=[100, 100, 300, 300])

# Display the segmented result on screen
results[0].show()

Bu kod parçacığı, basit bir uzamsal komutun, karmaşık görüntü segmentasyonu görevlerini minimum kodla kolaylaştırarak modeli ilgi alanını izole etmeye nasıl doğrudan yönlendirdiğini göstermektedir.