U-Net

U-Net, derin öğrenme alanında hassas görüntü segmentasyonu görevleri için özel olarak tasarlanmış, kendine özgü bir mimaridir. Başlangıçta biyomedikal görüntü analizi için geliştirilen bu evrişimli sinir ağı (CNN), piksel düzeyinde sınıflandırma gerektiren tüm uygulamalar için bir standart hâline gelmiştir. Görüntünün tamamına tek bir etiket atayan standart görüntü sınıflandırmasının aksine U-Net, her bir pikseli sınıflandırarak modelin nesnelerin tam şeklini ve konumunu belirlemesini sağlar. Sınırlı eğitim verileriyle etkili bir şekilde çalışabilmesi, büyük veri kümelerinin az olduğu uzmanlık gerektiren alanlarda onu son derece değerli kılar.

Benzersiz "U" Mimarisi#

"U-Net" adı, U harfine benzeyen simetrik şeklinden türemiştir. Mimari iki ana yoldan oluşur: daralan yol (kodlayıcı) ve genişleyen yol (kod çözücü). Daralan yol, diğer görüntü modellerindeki standart bir omurga gibi görüntünün uzamsal boyutlarını azaltarak görüntünün bağlamını yakalar. Genişleyen yol ise hassas konumlandırma için özellik haritasını etkili bir şekilde üst örnekleyerek orijinal görüntü boyutunu geri kazandırır.

U-Net'in belirleyici özelliklerinden biri atlama bağlantılarının kullanılmasıdır. Bu bağlantılar kodlayıcı ile kod çözücü arasındaki boşluğu kapatarak yüksek çözünürlüklü özellikleri daralan yoldan doğrudan genişleyen yola aktarır. Bu mekanizma, ağın bağlamsal bilgileri ayrıntılı uzamsal bilgilerle birleştirmesini sağlar ve alt örnekleme sırasında sıklıkla meydana gelen ince ayrıntı kaybını önler. Bu yapı, kaybolan gradyan problemi gibi sorunları azaltarak sağlam bir öğrenme süreci sağlar.

Gerçek Dünya Uygulamaları#

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

• Tıbbi Tanı: U-Net, BT taramalarındaki ve MRI görüntülerindeki anormallikleri belirlemek için sağlık hizmetlerinde yapay zekâ alanında yaygın olarak kullanılır. Örneğin, beyin tümörlerinin hassas segmentasyonunu veya cerrahi planlama için organların sınırlarının belirlenmesini sağlar. Modelin yüksek doğruluğu burada kritik öneme sahiptir; çünkü piksel düzeyinde kusursuz sınırlar tanı ve tedaviyi önemli ölçüde etkileyebilir.
• Uydu Görüntüsü Analizi: Coğrafi analizde U-Net, ormansızlaşmayı izleme veya kentsel planlama gibi görevlerde uydu görüntüsü analizi için kullanılır. Model, arazi örtüsü sınıflandırması gerçekleştirerek su kütleleri, ormanlar ve kentsel alanlar arasında ayrım yapabilir; bu da bilim insanlarının iklim değişikliğini ve çevresel değişimleri zaman içinde izlemesine yardımcı olur.

U-Net ve Diğer Segmentasyon Modelleri#

U-Net'i diğer bilgisayarlı görü terimlerinden ayırmak önemlidir. U-Net, aynı sınıftaki birden fazla nesneyi (ör. iki farklı otomobil) tek bir varlık ("otomobil" sınıfı maskesi) olarak ele alan semantik segmentasyon gerçekleştirir. Buna karşılık örnek segmentasyonu, her bir bağımsız nesne örneğini tanımlar ve birbirinden ayırır.

YOLO26 segmentasyon modelleri gibi modern mimariler, birçok endüstriyel uygulama için geleneksel U-Net'e kıyasla daha hızlı, gerçek zamanlı bir alternatif sunar. U-Net, küçük veri kümelerindeki hassasiyeti sayesinde tıbbi araştırmalarda üstün performans gösterirken YOLO tabanlı segmentasyon, çıkarım hızının büyük önem taşıdığı uç cihazlara dağıtım için genellikle tercih edilir.

Segmentasyonu Uygulama#

Segmentasyon görevlerini verimli bir şekilde gerçekleştirmek isteyen kullanıcılar için modern çerçeveler kullanıma hazır araçlar sunar. Kapsamlı kodlama yapmadan segmentasyon veri kümelerine açıklama eklemek ve modeller eğitmek için Ultralytics Platformu'nu kullanabilirsin.

ultralytics paketindeki önceden eğitilmiş bir segmentasyon modelini kullanarak çıkarımın nasıl çalıştırılacağına dair kısa bir örneği aşağıda bulabilirsin:

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

Temel Kavramlar ve Optimizasyon#

Bir U-Net veya benzer segmentasyon mimarisinden en iyi performansı elde etmek için uygulayıcılar genellikle veri artırma yöntemini kullanır. Döndürme, ölçekleme ve elastik deformasyonlar gibi teknikler, modelin değişmezliği öğrenmesine ve özellikle eğitim verileri sınırlı olduğunda önemli olan aşırı öğrenmeyi önlemesine yardımcı olur.

Ayrıca doğru kayıp fonksiyonunu tanımlamak hayati önem taşır. Yaygın seçenekler arasında, standart çapraz entropiye kıyasla sınıf dengesizliğini daha iyi ele alan Dice katsayısı veya odaklanmış kayıp bulunur; bunlar modelin sınıflandırılması zor piksellere odaklanmasını sağlar. Geçmiş ve teknik ayrıntılar hakkında daha fazla bilgi edinmek için U-Net mimarisi hakkındaki ayrıntılı rehberimizi okuyabilirsin.