Örnek segmentasyonunun nesne algılamayı piksel düzeyinde hassasiyetle nasıl iyileştirdiğini ve yapay zeka uygulamaları için ayrıntılı nesne maskeleri sağladığını keşfedin.
Örnek segmentasyonu, bir görüntüdeki nesneleri tanımlayan ve her bir örneğin kesin sınırlarını piksel düzeyinde belirleyen gelişmiş bir bilgisayarla görme (CV) tekniğidir. Nesnelerin etrafına yalnızca kutular yerleştiren yöntemlerin aksine, örnek segmentasyonu, aynı sınıfa ait olsalar bile tespit edilen her nesne için benzersiz bir maske oluşturarak bir sahnenin çok daha ayrıntılı bir şekilde anlaşılmasını sağlar. Bu özellik, özellikle nesneler çakıştığında farklı nesnelerin tam şeklini, boyutunu ve uzamsal kapsamını bilmenin gerekli olduğu gelişmiş yapay zeka (AI) uygulamaları için çok önemlidir.
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 segmentasyonunu diğer görüntü segment asyon görevlerinden ayırmak önemlidir:
Örnek segmentasyonu, özellikle nesne sınırları ve ayrımı konusunda yüksek doğruluk sağlayarak tek tek nesne örneklerini tespit etmeye ve tanımlamaya odaklanır.
Tek tek nesneleri hassas bir şekilde tanımlama ve izole etme yeteneği, örnek segmentasyonunu çok sayıda alanda paha biçilmez kılmaktadır:
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.