Semantic Segmentation

Anlamsal segmentasyon, her bir bireysel piksele belirli bir sınıf etiketi atayarak bir görüntüyü farklı bölgelere ayırmayı içeren bir bilgisayarlı görü görevidir. Tüm görüntüye tek bir etiket atayan image classification gibi daha basit görevlerin veya nesnelerin etrafına sınırlayıcı kutular çizen object detection görevlerinin aksine anlamsal segmentasyon sahnenin piksel düzeyinde anlaşılmasını sağlar. Bu ayrıntılı analiz, bir nesnenin kesin şeklinin ve sınırının kimliği kadar önemli olduğu uygulamalar için çok önemlidir. Makinelerin dünyayı insanların yaptığına daha yakın bir şekilde "görmesini" sağlar ve bir yolu, bir yaya tümörünü ya da tıbbi taramadaki bir tümörü oluşturan kesin pikselleri birbirinden ayırır.

Anlamsal Bölütleme Nasıl Çalışır#

Anlamsal segmentasyon özünde bir görüntüyü sınıflandırılması gereken bir piksel ızgarası olarak ele alır. Derin öğrenme modelleri, özellikle Convolutional Neural Networks (CNNs), bu görev için standart mimaridir. Yaygın olarak kullanılan U-Net gibi tipik bir mimari, bir kodlayıcı-kod çözücü yapısı kullanır. Kodlayıcı, yüksek düzeyli özellikleri (dokular ve şekiller gibi) çıkarmak için giriş görüntüsünü sıkıştırırken kod çözücü, hassas bir segmentation mask oluşturmak için bu özellikleri orijinal görüntü çözünürlüğüne geri yükseltir.

Bunu başarmak için modeller, insan etiketleyicilerin her bir pikseli sınıfına göre dikkatlice renklendirdiği büyük annotated datasets üzerinde eğitilir. Ultralytics Platform gibi araçlar, yüksek kaliteli zemin gerçeği verilerinin oluşturulmasını hızlandıran otomatik etiketleme özellikleri sunarak bu süreci kolaylaştırır. Eğitildikten sonra model, her piksel değerinin bir sınıf kimliğine karşılık geldiği bir maske çıktısı verir ve görüntüyü etkili bir şekilde anlamla "boyar".

İlgili Kavramları Ayırt Etme#

Anlamsal bölütlemeyi diğer piksel düzeyindeki görevlerle karıştırmak yaygındır. Farklılıkları anlamak, bir proje için doğru yaklaşımı seçmenin anahtarıdır:

• Instance Segmentation: Anlamsal segmentasyon aynı sınıftaki tüm nesneleri tek bir varlık olarak ele alırken (ör. tüm "arabalar" mavi renklidir), örnek segmentasyonu bireysel nesneleri birbirinden ayırır (ör. "Araba A" mavi, "Araba B" kırmızıdır).
• Panoptic Segmentation: Bu, her iki kavramı birleştirir. Sayılabilir nesnelerin bireysel örneklerini ayırırken (örnek) her piksele bir sınıf atar (anlamsal) ve en kapsamlı sahne anlayışını sağlar.

Gerçek Dünya Uygulamaları#

Görsel verileri piksel mükemmelliğinde doğrulukla ayrıştırma yeteneği, birçok yüksek riskli sektörde inovasyonu yönlendirir:

• AI in Automotive: Otonom araçlar güvenli bir şekilde seyretmek için büyük ölçüde segmentasyona güvenir. Sürüş sistemleri; drivable areas ile kaldırımları tanımlayarak ve yayaları, arabaları ile engelleri hassas bir şekilde çevreleyerek gerçek zamanlı olarak kritik kararlar alabilir.
• AI in Healthcare: Tıbbi görüntülemede modeller BT taramalarından ve MR'lardan organları, lezyonları veya tümörleri segmentlere ayırır. Bu durum, radyologların tedavi planlaması için tümör hacmini hesaplamasına veya robotik cerrahi araçlarını aşırı hassasiyetle yönlendirmesine yardımcı olur.
• AI in Agriculture: Çiftçiler ürün sağlığını izlemek için havadan drone görüntüleri ve segmentasyon kullanır. Pikselleri "sağlıklı ürün", "yabani ot" veya "toprak" olarak sınıflandıran otomatik sistemler, herbisit püskürtmeyi hedefleyebilir, kimyasal kullanımını azaltabilir ve verimi optimize edebilir.

Ultralytics ile Bölütleme Uygulaması#

Modern segmentasyon modellerinin, özellikle uç cihazlardaki real-time inference için doğruluk ile hızı dengelemesi gerekir. Ultralytics YOLO26 model ailesi, YOLO11 gibi eski mimarilere kıyasla üstün performans sunan, yerel olarak uçtan uca olan ve özel segmentasyon modelleri (bir -seg uzantısıyla belirtilen) içeren bir yapıya sahiptir.

ultralytics Python paketi kullanılarak bir görüntü üzerinde nasıl segmentasyon gerçekleştirileceğini aşağıdaki örnek göstermektedir. Bu işlem, nesne sınırlarını belirleyen ikili maskeler üretir.

from ultralytics import YOLO

# Load a pre-trained YOLO26 segmentation model
model = YOLO("yolo26n-seg.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
# This will display the image with the segmentation masks overlaid
results[0].show()

Zorluklar ve Gelecek Yönelimleri#

Önemli ilerlemelere rağmen anlamsal segmentasyon hesaplama açısından yoğun olmaya devam etmektedir. Her bir piksel için bir sınıflandırma üretmek önemli ölçüde GPU resources ve bellek gerektirir. Araştırmacılar, cep telefonlarında ve gömülü cihazlarda ağır ağları çalıştırmak için model quantization gibi teknikleri keşfederek bu modelleri verimlilik açısından optimize etmek üzere aktif olarak çalışmaktadır.

Ayrıca büyük etiketli veri setlerine olan ihtiyaç bir darboğaz olmaya devam etmektedir. Bu sorunu çözmek için sektör, synthetic data üretimine ve self-supervised learning yaklaşımına yönelmekte ve modellerin milyonlarca manuel piksel etiketine ihtiyaç duymadan ham görüntülerden öğrenmesine olanak tanımaktadır. Bu teknolojiler olgunlaştıkça akıllı kameralarda, robotikte ve artırılmış gerçeklik uygulamalarında segmentasyonun daha da yaygınlaşmasını bekleyebiliriz.