Semantic Segmentation

Anlamsal bölütleme, her bir piksele belirli bir sınıf etiketi atayarak bir görüntüyü ayrı bölgelere ayırmayı içeren bir bilgisayarlı görü görevidir. Tüm görüntüye tek bir etiket atayan görüntü sınıflandırma veya nesnelerin etrafına sınırlayıcı kutular çizen nesne algılama gibi daha basit görevlerin aksine, anlamsal bölütleme sahnenin piksel düzeyinde anlaşılmasını sağlar. Bu ayrıntılı analiz, bir nesnenin tam şeklinin ve sınırının, kimliği kadar önemli olduğu uygulamalar için çok önemlidir. Makinelerin dünyayı insanların yaptığına daha benzer şekilde "görmesini" sağlayarak bir yol, bir yaya veya tıbbi bir taramadaki bir tümörü oluşturan tam pikselleri ayırt etmelerine olanak tanır.

Link to this sectionAnlamsal Bölütleme Nasıl Çalışır#

Temelde anlamsal bölütleme, bir görüntüyü sınıflandırılması gereken bir piksel ızgarası olarak ele alır. Derin öğrenme modelleri, özellikle Evrişimli Sinir Ağları (CNN'ler), bu görev için standart mimaridir. Yaygın olarak kullanılan U-Net gibi tipik bir mimari, kodlayıcı-kod çözücü (encoder-decoder) yapısını kullanır. Kodlayıcı, üst düzey özellikleri (dokular ve şekiller gibi) çıkarmak için giriş görüntüsünü sıkıştırırken, kod çözücü bu özellikleri orijinal görüntü çözünürlüğüne geri örnekleyerek hassas bir bölütleme maskesi oluşturur.

Bunu başarmak için modeller, insan açıklayıcıların her bir pikseli sınıfına göre dikkatlice renklendirdiği büyük açıklamalı veri setleri üzerinde eğitilir. Ultralytics Platform gibi araçlar, yüksek kaliteli temel gerçeklik verilerinin oluşturulmasını hızlandıran otomatik açıklama özellikleri sunarak bu süreci kolaylaştırır. Eğitildikten sonra model, her piksel değerinin bir sınıf kimliğine karşılık geldiği bir maske çıktısı verir ve görüntüyü anlamla "boyar".

Link to this sectionİlgili Kavramları Ayırt Etme#

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

• Örnek Bölütleme: Anlamsal bölütleme aynı sınıftaki tüm nesneleri tek bir varlık olarak ele alırken (örneğin, tüm "arabalar" maviye boyanır), örnek bölütleme bireysel nesneleri birbirinden ayırır (örneğin, "Araba A" mavidir, "Araba B" kırmızıdır).
• Panoptik Bölütleme: Bu, her iki kavramı da birleştirir. Her piksele bir sınıf atarken (anlamsal), aynı zamanda sayılabilir nesnelerin bireysel örneklerini ayırarak (örnek) en kapsamlı sahne anlayışını sağlar.

Link to this sectionGerçek Dünya Uygulamaları#

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

• Otomotivde Yapay Zeka: Otonom araçlar, güvenli bir şekilde gezinmek için büyük ölçüde bölütlemeye güvenir. Sürüşe uygun alanları kaldırımlardan ayırt ederek ve yayaları, arabaları ve engelleri hassas bir şekilde ana hatlarıyla belirleyerek, kendi kendine giden sistemler gerçek zamanlı olarak kritik kararlar alabilir.
• Sağlık Sektöründe Yapay Zeka: Tıbbi görüntülemede modeller, BT taramaları ve MR'lardan organları, lezyonları veya tümörleri bölütler. Bu, radyologların tedavi planlaması için tümör hacmini hesaplamalarına veya robotik cerrahi araçlarını aşırı hassasiyetle yönlendirmelerine yardımcı olur.
• Tarımda Yapay Zeka: Çiftçiler, mahsul sağlığını izlemek için hava dronu görüntülerini ve bölütlemeyi kullanır. Pikselleri "sağlıklı mahsul", "yabani ot" veya "toprak" olarak sınıflandırarak, otomatik sistemler herbisit püskürtmeyi hedefleyebilir, kimyasal kullanımını azaltabilir ve verimi optimize edebilir.

Link to this sectionUltralytics ile Bölütleme Uygulaması#

Modern segmentation models need to balance accuracy with speed, especially for real-time inference on edge devices. The Ultralytics YOLO26 model family includes specialized segmentation models (denoted with a -seg suffix) that are natively end-to-end, offering superior performance over older architectures like YOLO11.

Aşağıdaki örnek, ultralytics Python paketini kullanarak bir görüntü üzerinde nasıl bölütleme yapılacağını göstermektedir. Bu, nesne sınırlarını çizen 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()

Link to this sectionZorluklar ve Gelecek Yönelimleri#

Önemli ilerlemelere rağmen, anlamsal bölütleme hesaplama açısından yoğun olmaya devam etmektedir. Her bir piksel için bir sınıflandırma oluşturmak, önemli miktarda GPU kaynağı ve bellek gerektirir. Araştırmacılar, bu modelleri verimlilik için optimize etmek üzere aktif olarak çalışmakta ve ağır ağları cep telefonlarında ve gömülü cihazlarda çalıştırmak için model kuantizasyonu gibi teknikleri araştırmaktadır.

Ayrıca, devasa etiketli veri setlerine olan ihtiyaç bir darboğazdır. Bunu ele almak için endüstri, sentetik veri üretimine ve kendi kendine denetimli öğrenmeye yönelmektedir; bu da modellerin milyonlarca manuel piksel etiketine ihtiyaç duymadan ham görüntülerden öğrenmesini sağlamaktadır. Bu teknolojiler olgunlaştıkça, bölütlemenin akıllı kameralarda, robotikte ve artırılmış gerçeklik uygulamalarında daha da yaygınlaşmasını bekleyebiliriz.