U-Net

U-Net, derin öğrenme alanında özellikle hassas görüntü bölümleme görevleri için tasarlanmış kendine özgü bir mimaridir. Başlangıçta biyomedikal görüntü analizi için geliştirilen bu konvolüsyonel sinir ağı (CNN), piksel düzeyinde sınıflandırma gerektiren tüm uygulamalar için bir standart haline gelmiştir. Tüm görüntüye tek bir etiket atayan standart görüntü sınıflandırmasının aksine, U-Net her bir pikseli sınıflandırarak modelin nesnelerin tam şeklini ve konumunu belirlemesini sağlar. Sınırlı eğitim verisi ile etkili bir şekilde çalışma yeteneği, onu büyük veri kümelerinin az olduğu özel alanlarda oldukça değerli kılar.

Link to this sectionBenzersiz "U" Mimarisi#

U-Net ismi, U harfine benzeyen simetrik şeklinden türetilmiştir. Mimari iki ana yoldan oluşur: daralan bir yol (kodlayıcı) ve genişleyen bir yol (kod çözücü). Daralan yol, diğer görüntü modellerindeki standart bir omurga yapısına benzer şekilde, mekansal boyutlarını küçülterek görüntünün bağlamını yakalar. Genişleyen yol ise hassas konumlandırma için orijinal görüntü boyutunu geri yüklemek amacıyla özellik haritasını etkili bir şekilde yukarı örnekler.

U-Net'in belirleyici bir özelliği, atlama bağlantılarının kullanılmasıdır. Bu bağlantılar, kodlayıcı ve kod çözücü arasındaki boşluğu kapatarak yüksek çözünürlüklü özellikleri daralan yoldan doğrudan genişleyen yola aktarır. Bu mekanizma, ağın bağlamsal bilgileri ayrıntılı mekansal bilgilerle birleştirmesine olanak tanır ve genellikle aşağı örnekleme sırasında meydana gelen ince detayların kaybolmasını önler. Bu yapı, kaybolan gradyan sorunu gibi problemleri hafifletmeye yardımcı olarak sağlam bir öğrenme sağlar.

Link to this sectionGerçek Dünya Uygulamaları#

U-Net tıp alanında ortaya çıkmış olsa da, çok yönlülüğü çeşitli endüstrilerde benimsenmesini sağlamıştır.

• Tıbbi Teşhis: U-Net, BT taramaları ve MRI görüntülerindeki anomalileri tanımlamak için sağlık hizmetlerinde yapay zeka alanında yaygın olarak kullanılır. Örneğin, beyin tümörlerinin hassas bölümlenmesini veya cerrahi planlama için organların ana hatlarının çizilmesini sağlar. Modelin yüksek doğruluğu burada kritiktir, çünkü piksel mükemmelliğindeki sınırlar teşhis ve tedaviyi önemli ölçüde etkileyebilir.
• Uydu Görüntüsü Analizi: Coğrafi analizde U-Net, ormansızlaşmayı takip etmek veya şehir planlaması gibi görevler için uydu görüntüsü analizi yapmaya yardımcı olur. Arazi örtüsü sınıflandırması gerçekleştirerek model su kütlelerini, ormanları ve kentsel alanları birbirinden ayırt edebilir ve bilim insanlarının iklim değişikliğini ve çevresel değişimleri zaman içinde izlemesine yardımcı olur.

Link to this sectionU-Net ve Diğer Bölümleme Modelleri#

U-Net'i diğer bilgisayarlı görü terimlerinden ayırmak önemlidir. U-Net, aynı sınıftaki birden fazla nesneyi (örneğin iki farklı araba) tek bir varlık ("araba" sınıfı maskesi) olarak ele alan anlamsal bölümleme yapar. Buna karşılık, örnek bölümleme her bir nesne örneğini tanımlar ve birbirinden ayırır.

Modern mimariler, örneğin YOLO26 bölümleme modelleri, birçok endüstriyel uygulama için geleneksel U-Net'e daha hızlı ve gerçek zamanlı bir alternatif sunar. U-Net, küçük veri kümelerindeki hassasiyeti nedeniyle tıbbi araştırmalarda mükemmel sonuçlar verse de, çıkarım hızının en önemli olduğu uç cihazlarda dağıtım için YOLO tabanlı bölümleme genellikle tercih edilir.

Link to this sectionBölümlemeyi Uygulama#

Bölümleme görevlerini verimli bir şekilde gerçekleştirmek isteyen kullanıcılar için modern çerçeveler kolaylaştırılmış araçlar sunar. Bölümleme veri kümelerini etiketlemek ve kapsamlı kodlama yapmadan modelleri eğitmek için Ultralytics Platformunu kullanabilirsin.

ultralytics paketinden önceden eğitilmiş bir bölümleme modelini kullanarak nasıl çıkarım yapacağına dair kısa bir örnek:

from ultralytics import YOLO

# Load a YOLO26 segmentation model (a fast alternative for segmentation tasks)
model = YOLO("yolo26n-seg.pt")

# Run inference on an image to generate segmentation masks
results = model.predict("path/to/image.jpg", save=True)

# Process the results (e.g., access masks)
for result in results:
    masks = result.masks  # Access the segmentation masks object

Link to this sectionTemel Kavramlar ve Optimizasyon#

Bir U-Net veya benzeri bölümleme mimarisinden en iyi performansı almak için uygulayıcılar genellikle veri artırma yöntemini kullanırlar. Döndürme, ölçeklendirme ve elastik deformasyonlar gibi teknikler, modelin değişmezliği öğrenmesine ve özellikle eğitim verisinin sınırlı olduğu durumlarda önemli olan aşırı öğrenmeyi önlemesine yardımcı olur.

Ayrıca, doğru kayıp fonksiyonunu tanımlamak hayati önem taşır. Yaygın seçenekler arasında, standart çapraz entropiden daha iyi sınıf dengesizliğini yöneten ve modelin sınıflandırılması zor piksellere odaklanmasını sağlayan Dice katsayısı veya odaklanma kaybı yer alır. Geçmişi ve teknik ayrıntılar hakkında daha fazla bilgi edinmek için U-Net mimarisi rehberimizi okuyabilirsin.