XML

Genel olarak XML olarak adlandırılan Extensible Markup Language, yapılandırılmış verileri depolamak, taşımak ve düzenlemek için tasarlanmış esnek, metin tabanlı bir formattır. Bilgilerin bir web sayfasında nasıl görüntülendiğine odaklanan HTML'in aksine, XML, verilerin neyi temsil ettiğini özel etiketlerden oluşan hiyerarşik bir yapı aracılığıyla tanımlamaya adanmıştır. Bu çok yönlülük, onu çeşitli bilişim sistemleri ve internet genelinde veri değişimi için temel bir standart haline getirir. Makine öğrenimi (ML) bağlamında XML, veri kümelerini ve yapılandırma dosyalarını yönetmede kritik bir rol oynar; karmaşık bilgilerin, World Wide Web Consortium (W3C) tarafından tanımlanan katı doğrulama standartlarına bağlı kalırken hem insanlar hem de makineler için okunabilir kalmasını sağlar.

Link to this sectionYapay Zekada XML'in Rolü#

Yapay zeka (AI) alanının hızla gelişen dünyasında, yapılandırılmış veriler gelişmiş algoritmalar için yakıt görevi görür. XML, veri etiketleme için sağlam bir çerçeve sunarak mühendislerin görüntüler veya metinler gibi ham medyayı zengin, açıklayıcı meta verilerle kapsüllemelerine olanak tanır. Bu yapılandırılmış yaklaşım, modellerin desenleri ve özellikleri tanımlamak için açıkça etiketlenmiş örneklere ihtiyaç duyduğu denetimli öğrenme için şarttır.

Modern iş akışları, bulut tabanlı sorunsuz etiketleme ve eğitim için genellikle Ultralytics Platform kullanırken, XML eski sistemlerde ve belirli akademik veri kümelerinde derinlemesine gömülü kalmaya devam etmektedir. Katı sözdizimi veri bütünlüğünü garanti eder ve bu da onu, doğrulamanın çok önemli olduğu kurumsal entegrasyon ve karmaşık bilgisayarlı görü görevleri için tercih edilen bir seçenek haline getirir.

Link to this sectionAI/ML'de Gerçek Dünya Uygulamaları#

XML, özellikle veri standardizasyonu, taşınabilirlik ve ayrıntılı meta verilerin kritik gereksinimler olduğu çeşitli pratik uygulamalarda etkilidir.

• Nesne Algılama Veri Kümeleri (PASCAL VOC): XML'in bilgisayarlı görüdeki en kalıcı kullanımlarından biri PASCAL Visual Object Classes (VOC) formatıdır. Bu standartta, bir veri kümesindeki her görüntü, açıklama ayrıntılarını içeren bir XML dosyası ile eşleştirilir. Bu dosyalar, her nesne için bounding box koordinatlarını (xmin, ymin, xmax, ymax) ve sınıf etiketlerini tanımlar. YOLO26 gibi en gelişmiş modeller, object detection alanında temel bir süreç olan nesnelerin yerini belirlemeyi öğrenmek için bu açıklamaları (genellikle dönüştürme işleminden sonra) işleyebilir.
• Tıbbi Görüntüleme ve Sağlık Hizmetleri: AI in healthcare alanında birlikte çalışabilirlik hayati önem taşır. Tıbbi taramalar için evrensel olarak kullanılan Digital Imaging and Communications in Medicine (DICOM) standardı, karmaşık hasta üst verilerini işlemek için sıklıkla XML ile etkileşime girer. XML, tanısal sonuçların ve çalışma parametrelerinin yapılandırılmış şekilde raporlanmasına olanak tanıyarak hassas medical image analysis süreçlerini kolaylaştırır. Bu, bu veriler üzerinde eğitilen yapay zeka modellerinin Health Level Seven (HL7) gibi sağlık verisi standartlarına sıkı sıkıya uyum sağlamasını güvence altına alır.

Link to this sectionXML ve JSON ve YAML Karşılaştırması#

XML güçlü olmasına rağmen, genellikle ML iş akışlarında kullanılan diğer veri serileştirme formatlarıyla karşılaştırılır. Aralarındaki farkları anlamak, iş için doğru aracı seçmeye yardımcı olur.

• XML ve JSON: JavaScript Object Notation (JSON), web uygulamaları için genellikle daha hafif ve ayrıştırılması daha kolaydır. JSON, API yanıtları ve birçok modern veri kümesi (COCO gibi) için standart haline gelmiş olsa da, XML doküman merkezli veriler ve şema doğrulaması gerektiren ortamlar için hala tercih edilmektedir. Web veri yapılarına daha derin bir bakış için Mozilla Developer Network gibi kaynaklar mükemmel karşılaştırmalar sunmaktadır.
• XML ve YAML: YAML, etiketler yerine girintilere dayanan, insan tarafından okunabilirliği ve minimal sözdizimi ile bilinir. Bu, YAML'i, düzenleme kolaylığının çok önemli olduğu Ultralytics YOLO gibi çerçevelerdeki model YAML yapılandırma dosyaları için tercih edilen seçenek haline getirir. Buna karşılık XML daha ayrıntılıdır ancak daha güçlü bir yapı zorunluluğu sunar.

Link to this sectionModel Eğitimi İçin XML Ayrıştırma#

PASCAL VOC formatı gibi eski veri kümeleriyle çalışırken, geliştiricilerin eğitim için sınırlayıcı kutu koordinatlarını çıkarmak amacıyla genellikle XML dosyalarını ayrıştırmaları gerekir. Python'ın yerleşik kütüphaneleri bu süreci basit hale getirir.

Aşağıdaki örnek, Python ElementTree API kullanarak nesne sınıfı adlarını ve sınırlayıcı kutu koordinatlarını çıkarmak için basit bir XML etiketleme dizisinin nasıl ayrıştırılacağını göstermektedir.

import xml.etree.ElementTree as ET

# Example XML string simulating a PASCAL VOC annotation
voc_xml_data = """


        person

            50
            30
            200
            400



"""

# Parse the XML structure
root = ET.fromstring(voc_xml_data)

# Extract and print object details
for obj in root.findall("object"):
    class_name = obj.find("name").text
    bbox = obj.find("bndbox")
    # Convert coordinates to integers
    coords = [int(bbox.find(tag).text) for tag in ["xmin", "ymin", "xmax", "ymax"]]
    print(f"Detected Class: {class_name}, Bounding Box: {coords}")

Bu formatların nasıl işleneceğini anlamak, eğitim verilerini hazırlamak için çok önemlidir. Ultralytics Platform üzerindeki otomatik araçlar bu dönüşümleri gerçekleştirebilse de, manuel ayrıştırma bilgisi hata ayıklama ve özel veri hatları için değerini korur. Veri yapıları üzerine daha fazla okuma yapmak istersen, IBM XML Guide kurumsal kullanıma dair kapsamlı bir genel bakış sunmaktadır.