Örnek Bölütleme

Örnek segmentasyonu, bilgisayar görme (CV) alanında, bir görüntüdeki her bir farklı nesneyi piksel düzeyinde tanımlayan ve ayrıştıran sofistike bir tekniktir. Standart nesne algılama, nesneleri dikdörtgen sınırlayıcı kutular kullanarak konumlandırırken, örnek segmentasyonu, algılanan her nesne için hassas bir maske oluşturarak analizi daha derinleştirir. Bu özellik, yapay zeka (AI) modellerinin aynı sınıftaki tek tek nesneleri ayırt etmesini sağlar (örneğin, üst üste binen iki kişiyi ayırmak gibi) ve daha basit sınıflandırma yöntemlerine kıyasla görsel sahneyi daha zengin ve ayrıntılı bir şekilde anlamayı sağlar.

Segmentasyon Türlerini Ayırt Etme

Örnek segmentasyonun yararını tam olarak kavramak için, onu diğer ilgili görüntü işleme görevlerinden ayırmak yararlıdır. Her yöntem, uygulama gereksinimlerine bağlı olarak farklı bir ayrıntı düzeyi sunar.

• Anlamsal Segmentasyon: Bu yaklaşım, bir görüntüdeki her pikseli bir kategoriye (örneğin, "yol", "gökyüzü", "araba") sınıflandırır. Ancak, aynı kategorideki ayrı nesneler arasında ayrım yapmaz. Üç araba birbirinin yanında park edilmişse, anlamsal segmentasyon bunları tek bir "araba" bölgesi olarak görür.
• Örnek Segmentasyonu: Bu yöntem her nesneyi benzersiz bir varlık olarak ele alır. Tek tek örnekleri algılar ve her birinin piksellerine benzersiz bir etiket atar . Park halindeki arabalar örneğinde, örnek segmentasyonu "Araba A", "Araba B" ve "Araba C"yi ayrı ayrı tanımlayan üç farklı maske oluşturur.
• Panoptik Segmentasyon: anlamsal segmentasyonun arka plan etiketleme ile örnek segmentasyonun sayılabilir nesne tanımlamasını birleştiren hibrit bir yaklaşım.

Piksel Düzeyinde Analizin Mekanizması

Modern örnek segmentasyon modelleri genellikle gelişmiş derin öğrenme (DL) mimarilerine, özellikle de Convolutional Neural Networks (CNN) ağlarına dayanır. Bu ağlar, bir nesnenin sınıfını ve uzamsal konturunu tahmin etmek için bir görüntüden özellikler çıkarır. Tarihsel olarak, Mask R-CNN gibi iki aşamalı mimariler standarttı; önce ilgi alanlarını öneriyor, ardından bunları maskelere dönüştürüyorlardı.

Ancak, son gelişmeler, algılama ve segmentasyonu aynı anda gerçekleştiren YOLO26 gibi tek aşamalı dedektörlerin ortaya çıkmasına neden olmuştur. Bu "uçtan uca" yaklaşım, gerçek zamanlı çıkarım hızlarını önemli ölçüde artırarak, tüketici donanımlarında canlı video akışlarına yüksek hassasiyetli segmentasyonun uygulanmasını mümkün kılar.

Gerçek Dünya Uygulamaları

Örnek segmentasyonunun sağladığı kesin sınırlar, karar verme için bir nesnenin tam şeklini ve konumunu anlamanın gerekli olduğu endüstriler için çok önemlidir. Örnek segmentasyonunun sağladığı kesin sınırlar, karar verme için bir nesnenin tam şeklini ve konumunu anlamanın gerekli olduğu endüstriler için çok önemlidir.

• Sağlık Hizmetlerinde Yapay Zeka: Tıbbi tanıda, tümörlerin veya lezyonların tam boyutunu ve şeklini belirlemek hayati önem taşır. Örnek segmentasyonu, modellerin MRItaramalarındaki anormallikleri yüksek hassasiyetle belirlemesine olanak tanıyarak, radyologların tedavi planlamasına ve hastalık ilerlemesinin izlenmesine yardımcı olur.
• Otonom Araçlar: Otonom araçlar, karmaşık ortamlarda gezinmek için segmentasyona dayanır. Cityscapes gibi veri setlerini kullanarak araçlar, sürülebilir yüzeyleri tanımlayabilir, şerit işaretlerini tanıyabilir ve kalabalık yaya geçitlerinde tek tek yayaları ayırt ederek güvenliği sağlayabilir.
• Tarımda Yapay Zeka: Hassas tarım, segmentasyon kullanarak mahsulün sağlığını izler. Görme sistemleriyle donatılmış robotlar, otomatik hasat için tek tek meyveleri tanıyabilir veya hedefli herbisit uygulaması için detect yabani otları detect , böylece kimyasal kullanımını azaltır ve verimi optimize eder.

Python ile Segmentasyon Uygulaması

Geliştiriciler, örnek segmentasyonunu kolayca uygulayabilir ultralytics kütüphane. Aşağıdaki örnek, önceden eğitilmiş bir modeli nasıl yükleyeceğinizi gösterir. YOLO26 model ve bir görüntü için segmentasyon maskeleri oluşturun.

from ultralytics import YOLO

# Load a pre-trained YOLO26 instance segmentation model
# The 'n' suffix denotes the nano version, optimized for speed
model = YOLO("yolo26n-seg.pt")

# Run inference on an image
# This predicts classes, bounding boxes, and masks
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
# Displays the image with overlaid segmentation masks
results[0].show()

Zorluklar ve Model Eğitimi

Güçlü olmasına rağmen, örnek segmentasyonu basit sınırlayıcı kutu algılamaya kıyasla hesaplama açısından yoğundur. Piksel mükemmelliğinde maskeler oluşturmak için önemli miktarda GPU ve hassas veri açıklaması gerekir. Bu görevler için veri açıklaması yapmak, her nesnenin etrafına sıkı poligonlar çizmeyi gerektirir ve bu da zaman alıcı olabilir.

Bu süreci kolaylaştırmak için ekipler genellikle veri kümesi yönetimi, otomatik açıklama ve bulut tabanlı eğitim özellikleri sunan Ultralytics gibi araçlar kullanır. Bu, geliştiricilerin belirli endüstriyel parçalar veya biyolojik numuneler gibi özel veriler üzerinde modelleri ince ayarlamasına ve bunları ONNX veya TensorRTgibi optimize edilmiş formatlar kullanarak verimli bir şekilde dağıtmalarını sağlar.