Örnek Segmentasyonu

Örnek Segmentasyonu Nasıl Çalışır?

Örnek segmentasyon modelleri, önce potansiyel nesneleri bulmak için bir görüntüyü analiz eder ve ardından tespit edilen her nesne için hangi piksellerin söz konusu örneğe ait olduğunu tahmin eder. Etkili Maske R-CNN mimarisi gibi geleneksel yaklaşımlar genellikle iki aşamalı bir süreç kullanır: ilk olarak, sınırlayıcı kutu önerileri oluşturmak için nesne algılama gerçekleştirirler ve ikinci olarak, önerilen her kutu içinde bir segmentasyon maskesi oluştururlar. Etkili olmakla birlikte, bu yöntemler hesaplama açısından zahmetli olabilir.

gibi modeller de dahil olmak üzere daha yeni yaklaşımlar Ultralytics YOLOgenellikle tek aşamalı boru hatları kullanır. Bu modeller sinir ağından (NN) tek bir geçişte sınırlayıcı kutuları, sınıf etiketlerini ve örnek maskelerini aynı anda tahmin ederek hızda önemli iyileşmeler sağlar ve bu da onları gerçek zamanlı çıkarım için uygun hale getirir. Bu modellerin eğitimi, yaygın olarak kullanılan COCO veri kümesi gibi piksel düzeyinde ek açıklamalara sahip büyük veri kümeleri, özellikle de segmentasyon ek açıklamaları gerektirir. Bu süreç genellikle karmaşık görsel özellikleri öğrenmek için Evrişimsel Sinir Ağlarından (CNN'ler) yararlanan derin öğrenme (DL) tekniklerini içerir.

Örnek Segmentasyonu ve İlgili Görevler

Örnek segmentasyonunu diğer görüntü segment asyon görevlerinden ayırmak önemlidir:

• Nesne Algılama: Sınırlayıcı kutular kullanarak nesnelerin varlığını ve konumunu belirler ancak şekil bilgisi sağlamaz. Örnek segmentasyonu, her nesnenin tam piksellerinin ana hatlarını çizerek daha da ileri gider.
• Anlamsal Segmentasyon: Bir görüntüdeki her piksele bir sınıf etiketi atar (örneğin, "araba", "kişi", "yol"). Ancak, aynı sınıfın farklı örnekleri arasında ayrım yapmaz. Örneğin tüm arabalar aynı "araba" segmentinin bir parçası olacaktır. Örnek segmentasyonu ve semantik segmentasyon hakkında daha fazla bilgi için bu kılavuzu okuyabilirsiniz.
• Panoptik Segmentasyon: Anlamsal ve örnek segmentasyonunu birleştirir. Her piksele bir sınıf etiketi atar (semantik segmentasyon gibi) ve ayrıca her nesne örneğini benzersiz bir şekilde tanımlar (örnek segmentasyonu gibi).

Örnek segmentasyonu, özellikle nesne sınırları ve ayrımı konusunda yüksek doğruluk sağlayarak tek tek nesne örneklerini tespit etmeye ve tanımlamaya odaklanır.

Örnek Segmentasyon Uygulamaları

Tek tek nesneleri hassas bir şekilde tanımlama ve izole etme yeteneği, örnek segmentasyonunu çok sayıda alanda paha biçilmez kılmaktadır:

• Otonom Sürüş: Kendi kendine giden arabalar, çevrelerini doğru bir şekilde algılamak için örnek segmentasyonuna güvenir. Karmaşık veya üst üste binen sahnelerde bile tek tek araçlar, yayalar, bisikletliler ve engeller arasında ayrım yapmak, güvenli navigasyon ve karar verme için kritik öneme sahiptir. Waymo gibi şirketler bu tür teknikleri yaygın olarak kullanmaktadır.
• Tıbbi Görüntü Analizi: Radyoloji ve patolojide örnek segmentasyonu, taramalarda(CT, MRI vb.) tümörler, organlar veya hücreler gibi belirli yapıların ana hatlarının belirlenmesine yardımcı olur. Bu piksel düzeyinde hassasiyet, tanı koymaya, tümör boyutunu ölçmeye, ameliyatları planlamaya ve hastalığın ilerlemesini izlemeye yardımcı olur. Örneğin, tümör tespiti için YOLO11 'in kullanılması, bu uygulamayı sağlık hizmetlerinde daha geniş bir yapay zeka bağlamında sergilemektedir.
• Robotik: Yapılandırılmamış ortamlarda kavrama veya manipülasyon gibi görevleri yerine getiren robotların tek tek nesneleri tam olarak tanımlaması ve konumlandırması gerekir. Örnek segmentasyonu, robotların başarılı bir etkileşim için öğelerin tam şeklini ve sınırlarını anlamasına olanak tanır ve bu konu Robotikte Yapay Zeka'da daha ayrıntılı olarak incelenmiştir.
• Uydu Görüntü Analizi: Ayrıntılı arazi örtüsü haritalama, tek tek binaları tanımlayarak kentsel yayılmayı izleme veya gemi veya araç gibi belirli nesneleri izleme için kullanılır. Bu ayrıntı düzeyi çevresel izleme, kaynak yönetimi ve istihbarat toplamayı destekler. Genel uydu görüntüsü analiz tekniklerini keşfedin.
• Tarımsal İzleme: Tek tek bitkilerin veya meyvelerin sayılmasına, bitki bazında mahsul sağlığının değerlendirilmesine veya hedeflenen müdahale için belirli yabani ot türlerinin belirlenmesine yardımcı olarak hassas tarıma katkıda bulunur.

Ultralytics YOLO ile Örnek Segmentasyonu

Ultralytics , verimli örnek segmentasyonu gerçekleştirebilen son teknoloji modeller sağlar. Gibi modeller YOLOv8 ve YOLO11 örnek segmentasyonu da dahil olmak üzere çeşitli bilgisayarla görme görevlerinde yüksek performans sağlamak için tasarlanmıştır(bkz. segmentasyon görevi ayrıntıları). Kullanıcılar, veri yönetiminden model dağıtımına kadar makine öğrenimi (ML) iş akışını basitleştiren Ultralytics HUB platformu gibi araçları kullanarak önceden eğitilmiş modellerden yararlanabilir veya özel veri kümeleri üzerinde ince ayar yapabilirler. Pratik uygulama için, önceden eğitilmiş Ultralytics YOLOv8 modelleri ile segmentasyon hakkında öğreticiler veya segmentasyon nesnelerini izole etme kılavuzları gibi kaynaklar mevcuttur. Örnek segmentasyonu için Ultralytics YOLO11 ' i nasıl kullanacağınızı da öğrenebilirsiniz. Gibi popüler çerçeveler PyTorch ve TensorFlow bu modelleri geliştirmek ve dağıtmak için yaygın olarak kullanılmaktadır.