CNN'lerden gerçek dünyadaki AI kullanımlarına kadar görüntü sınıflandırmanın temellerini keşfedin. Ultralytics ile en son teknoloji sınıflandırıcıları eğitmeyi ve kullanmayı öğrenin.
Görüntü sınıflandırma, bilgisayar görme (CV) alanında temel bir görevdir. Bu görevde, bir makine öğrenimi modeli tüm görüntüyü analiz eder ve önceden tanımlanmış bir kategori kümesinden tek bir etiket atar. Esasen, "Bu resmin ana konusu nedir?" sorusuna cevap verir. Yapay zekanın (AI) temel bir bileşeni olan bu süreç, otomatik sistemlerin görsel verileri büyük ölçekte düzenlemesini, kategorize etmesini ve yorumlamasını sağlar. İnsan gözüne basit görünebilir, ancak bilgisayarların kalıpları tanımasını sağlamak için, ham pikseller ile anlamlı kavramlar arasındaki boşluğu doldurmak üzere sofistike makine öğrenimi (ML) algoritmaları gerekir. Bu, yapay zekanın temel bileşenlerinden biri olan
Modern görüntü sınıflandırması, büyük ölçüde Convolutional Neural Networks (CNN) olarak bilinen derin öğrenme (DL) mimarilerine dayanmaktadır. Bu ağlar, biyolojik görme korteksinin bilgiyi işleme şeklini taklit etmek üzere tasarlanmıştır. Özellik çıkarma adı verilen bir süreç aracılığıyla, model erken katmanlarda kenarlar ve dokular gibi düşük seviyeli özellikleri tanımayı öğrenir ve sonunda bunları birleştirerek daha derin katmanlarda karmaşık şekilleri ve nesneleri tanır.
Sınıflandırıcı oluşturmak için geliştiriciler, denetimli öğrenmeyi kullanır ve modele etiketli örnekler içeren büyük miktarda eğitim verisi besler. ImageNet gibi büyük kamu veri kümeleri ImageNet bu sistemlerin doğruluğunun artırılmasında önemli bir rol oynamıştır. Çıkarım aşamasında, model her kategori için bir olasılık puanı verir ve genellikle en olası sınıfı belirlemek için bir softmax fonksiyonu kullanır .
Görüntü sınıflandırmasını ilgili bilgisayar görme yeteneklerinden ayırmak önemlidir, çünkü teknik seçimi belirli soruna bağlıdır:
Görüntü sınıflandırma, çeşitli sektörlerde çok çeşitli gerçek dünya AIuygulamalarına güç sağlar:
Tıp alanında, sınıflandırma modelleri radyologlara tanı amaçlı taramaları analiz ederek yardımcı olur. Tıbbi görüntü analiz araçları, X-ışınlarını veya MRG'leri "normal" veya "anormal" olarak hızla sınıflandırabilir veya tümör tespiti gibi belirli durumları tanımlayabilir, böylece hastaların daha hızlı bir şekilde triyaj ve tanı süreçlerinden geçmesini sağlar.
Fabrikalar, ürün standartlarını korumak için otomatik görsel inceleme kullanmaktadır. Montaj hatlarındaki kameralar bileşenlerin görüntülerini yakalar ve sınıflandırma modelleri görünür kusurlara göre bunları anında "geçti" veya "kaldı" olarak etiketler. Bu otomatik kalitekontrolü , yalnızca kusursuz ürünlerin paketleme aşamasına ulaşmasını sağlar.
Çiftçiler, tarımda yapay zekayı kullanarak mahsulün sağlığını izliyor. Dronlar veya akıllı telefonlarla çekilen görüntüleri sınıflandırarak, sistemler hastalık belirtilerini, besin eksikliğini veya haşere istilasını tespit edebiliyor ve böylece hedefli hassas tarım müdahaleleri yapılabiliyor.
Ultralytics çerçevesi, algılama ile ünlü olmakla birlikte, görüntü sınıflandırma görevleri için son teknoloji performansı sunar. Mimarisi hız ve doğruluk için optimize edilmiştir, bu da onu gerçek zamanlı uygulamalar için uygun hale getirir.
classify ceden eğitilmiş bir modeli yükleme ve
ultralytics Python paketi:
from ultralytics import YOLO
# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")
# Run inference on an image source
results = model("https://ultralytics.com/images/bus.jpg")
# Print the top predicted class name
print(f"Prediction: {results[0].names[results[0].probs.top1]}")
İş akışını kolaylaştırmak isteyen ekipler için Ultralytics tüm süreci basitleştirir. Kullanıcıların sınıflandırma veri kümelerini yönetmesine, bulut tabanlı eğitim gerçekleştirmesine ve modelleri ONNX veya TensorRT gibi çeşitli formatlara dağıtmalarını sağlar.
.webp)