Görüntü Segmentasyonu
Ultralytics YOLO ile görüntü segmentasyonunun gücünü keşfedin. Piksel düzeyinde hassasiyeti, türleri, uygulamaları ve gerçek dünyadaki yapay zeka kullanım örneklerini keşfedin.
Görüntü segmentasyonu, dijital bir görüntünün birden fazla farklı bölgeye veya segmente bölünmesini içeren temel bir bilgisayarla görme (CV) görevidir. Amaç, bir görüntüdeki her piksele belirli bir etiket atayarak nesnelerin ve arka planın piksel düzeyinde bir haritasını etkin bir şekilde oluşturmaktır. Bir nesnenin konumunu basit bir kutuyla tanımlayabilen diğer CV görevlerinin aksine, görüntü segmentasyonu her nesnenin kesin şeklini ana hatlarıyla belirleyerek çok daha ayrıntılı bir anlayış sağlar. Bu granüler ayrıntı, sahnenin geometrisi ve kompozisyonunun derinlemesine anlaşılmasını gerektiren uygulamalar için çok önemlidir. Bu süreç, birçok gelişmiş yapay zeka uygulamasının temelini oluşturur.
Görüntü Segmentasyon Türleri
Görüntü segmentasyonu, her biri farklı bir ayrıntı düzeyi sunan ve farklı amaçlara hizmet eden üç ana türe ayrılabilir:
- Anlamsal Segmentasyon: Bu teknik, bir görüntüdeki her pikseli "araba", "yol" veya "gökyüzü" gibi önceden tanımlanmış bir kategoriye sınıflandırır. Aynı nesne sınıfının tüm örnekleri tek bir etiket altında gruplandırılır. Örneğin, birden fazla arabanın bulunduğu bir görüntüde, anlamsal segmentasyon herhangi bir arabaya ait tüm pikselleri, bir arabayı diğerinden ayırmadan sadece "araba" olarak etiketleyecektir.
- Örnek Segmentasyonu: Bu yöntem segmentasyonu bir adım öteye taşıyarak sadece her bir pikseli sınıflandırmakla kalmaz, aynı zamanda aynı sınıfın farklı örnekleri arasında da ayrım yapar. Aynı sokak sahnesinde, örnek segmentasyonu her arabayı benzersiz bir nesne olarak tanımlar ve "araba 1", "araba 2" vb. için ayrı bir maske atar. Bu, özellikle tek tek nesnelerin sayılması veya izlenmesi gerektiğinde kullanışlıdır.
- Panoptik Segmentasyon: Hibrit bir yaklaşım olan panoptik segmentasyon, hem semantik hem de örnek segmentasyonun güçlü yönlerini birleştirir. Her bir piksele bir sınıf etiketi atayarak (semantik segmentasyon gibi) ve aynı zamanda her bir nesne örneğini benzersiz bir şekilde tanımlayarak (örnek segmentasyonu gibi) bir sahnenin eksiksiz ve birleşik bir anlayışını oluşturmayı amaçlamaktadır. Bu, mevcut en kapsamlı sahne analizini sağlar.
Görüntü Segmentasyonunun Diğer CV Görevlerinden Farkı
Görüntü segmentasyonunu diğer yaygın bilgisayarla görme görevlerinden ayırmak önemlidir:
- Görüntü Sınıflandırma: Bir görüntünün tamamına tek bir etiket atamaya odaklanır (örneğin, "bu bir plaj fotoğrafıdır"). Görüntüde ne olduğunu anlar ancak nerede olduğunu anlamaz.
- Nesne Algılama: Bir görüntüdeki nesneleri, genellikle etraflarına bir sınırlayıcı kutu çizerek tanımlar ve konumlarını belirler. Size hangi nesnelerin mevcut olduğunu ve yaklaşık konumlarını söyler ancak tam şekillerini söylemez.
- Görüntü Segmentasyonu: Her nesnenin tam sınırını piksel düzeyinde belirleyerek en fazla ayrıntıyı sağlar ve nesne şekli ve konumunun kesin bir şekilde anlaşılmasını sağlar.
Uygulamalar ve Kullanım Örnekleri
Görüntü segmentasyonunun ayrıntılı çıktısı, onu çok sayıda alanda paha biçilmez kılmaktadır.
- Otonom Araçlar: Sürücüsüz araçların güvenli bir şekilde yol alabilmeleri için çevrelerini tam olarak anlamaları gerekir. Segmentasyon modelleri yolun, şeritlerin, yayaların, diğer araçların ve engellerin kesin sınırlarını belirleyerek daha iyi yol planlaması ve karar verme olanağı sağlar. Yapay zekanın otomotiv sektöründeki rolü hakkında daha fazla bilgi edinebilirsiniz.
- Tıbbi Görüntü Analizi: Sağlık hizmetlerinde segmentasyon, MRI veya CT taramaları gibi tıbbi taramaları analiz etmek için kullanılır. Tümörleri, organları veya anomalileri kesin bir şekilde belirleyerek doktorlara doğru teşhis, cerrahi planlama ve hastalığın ilerlemesini izleme konusunda yardımcı olabilir. Bu, biyomedikal bağlamlarda mükemmel olan U-Net gibi mimariler için önemli bir uygulama olmuştur.
- Uydu Görüntü Analizi: Segmentasyon modelleri, ormansızlaşma veya kentleşme gibi çevresel değişiklikleri izlemek için uydu görüntülerini işler. Arazi örtüsünü (örneğin orman, su, kentsel alanlar) sınıflandırabilir ve haritacılık ve istihbarat toplama için binalar veya gemiler gibi tek tek nesneleri tespit edebilirler.
- Üretim ve Robotik: Otomatik fabrikalarda segmentasyon, robotların montaj için bir konveyör bandındaki belirli parçaları tanımlamasına veya kusurları yüksek hassasiyetle tespit ederek kalite kontrol gerçekleştirmesine yardımcı olur. Çatlak segmentasyonundaki kullanımı hakkında daha fazla bilgi edinebilirsiniz.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
VI
AR
.webp)
