Bilgisayarlı görü nedir ve nasıl çalışır?
Kısa cevap
Bilgisayarlı görü, bilgisayarların dijital görüntü veya videolardan anlamlı bilgi çıkarmasını hedefleyen disiplinler arası bir alandır. Mühendislik açısından insan görsel sisteminin yaptığı görevleri otomatikleştirme amacını taşır. Tıbbi görüntüleme, nesne tespiti ve otomasyon gibi alanlarda kullanılır.
Ana maddeler
- Girdi görüntü veya video, çıktı analiz, etiket veya sistem davranışı olabilir.
- Temel görevler arasında görüntü sınıflandırma, nesne tespiti ve görüntü bölütleme bulunur.
- Model kalitesi veri kalitesine, etiket doğruluğuna ve veri çeşitliliğine bağlıdır.
- Görüntü işleme ile örtüşür; fark çıktı türünde ve amaçta ortaya çıkar.
Bilgisayarlı görü nedir?
Bilgisayarlı görü, bilgisayarların dijital görüntü veya videolardan üst düzey anlam çıkarmasını amaçlayan disiplinler arası bir alandır. Mühendislik bakış açısıyla insan görsel sisteminin üstlendiği görevleri otomatikleştirmeyi hedefler. Bilimsel açıdan ise görüntülerden bilgi çıkaran yapay sistemlerin kuramsal temellerini inceler.
Görüntü verisi birçok biçimde olabilir. Teknolojik açıdan bu kuram ve modeller, çalışan sistemlerin geliştirilmesinde kullanılır.
Bu alan, makinelerin görüntü ve videoları yorumlamasını ve anlamasını sağlayan bir yapay zekâ alt alanıdır. Nesneleri tespit etmek ve görsel veriden anlamlı içgörüler çıkarmak için görüntü işleme teknikleri ile derin öğrenme modellerinden yararlanır.
Bilgisayarlı görü nasıl çalışır?
Süreç çoğunlukla veri toplamayla başlar. Örneğin bir hastane, zatürre tanısı için göğüs röntgeni arşivlerinden eğitim verisi derleyebilir. Algoritmanın bir röntgenin zatürreyi gösterip göstermediğini sınıflandırması amaçlanıyorsa, her tarama normal veya zatürre olarak etiketlenir.
Modelin başarısı büyük ölçüde veri kalitesine bağlıdır. Ön işleme; veri temizleme, parlaklık veya kontrast ayarı, görüntüyü keskinleştirme, yeniden boyutlandırma ve yumuşatma gibi adımlarla kaliteyi artırabilir. Veri kümesi yeterince büyük ve çeşitli olmalıdır. Sentetik veri üretimi ve veri artırma, küme boyutunu ve çeşitliliğini genişletmeye yardımcı olur. Örneğin göğüs röntgeni görüntülerini sola veya sağa döndürmek ya da ters çevirmek, veri artırmaya bir örnektir.
Model eğitildikten sonra yeni görüntüler üzerinde tahmin yapar. Çıktı; etiket, nesne konumu, maske veya sistemin bu analize dayalı davranış olabilir. Derin öğrenme nedir ve nasıl çalışır? sayfası, bu modellerin temelini oluşturan yöntemleri açıklar. Makine Öğrenmesi Nedir ve Nasıl Çalışır? konusu da modelin veriden örüntü öğrenmesini anlatır.
Temel görevler nelerdir?
Görüntü tanıma, bilgisayarlı görü içinde en geniş kapsamlı görevdir. İnsanları, nesneleri ve benzeri varlıkları dijital görüntülerde tanımlamayı kapsar. Görüntü sınıflandırma, nesne tespiti ve görüntü bölütleme gibi görevlerin temelini oluşturur.
Görüntü sınıflandırma, görüntüleri önceden tanımlanmış gruplara veya sınıflara ayırır. Bir görüntüye veya görüntü içindeki nesnelere en uygun etiketi tahmin eder. Göğüs röntgenlerinden zatürre tanısı bu görevin örneğidir.
Nesne tespiti, görüntüdeki nesneleri bulur ve konumlarını belirler. Görüntü bölütleme ise görüntüyü anlamlı bölgelere ayırır. Bu görevler birçok uygulamanın temelini oluşturur.
Görüntü işleme ve makine görüşü ile farkı nedir?
Bilgisayarlı görü; görüntü işleme, görüntü analizi ve makine görüşü ile yakından ilişkilidir. Kullanılan teknikler ve uygulama alanları büyük ölçüde örtüşür. Temel teknikler benzer olduğundan bu alanların tek bir alanın farklı adları gibi anıldığı söylenebilir.
Bununla birlikte aralarında bir ayrım da vardır: görüntü işlemede girdi ve çıktı her ikisi de görüntüdür; bilgisayarlı görüde girdi görüntü veya video olur, çıktı ise gelişmiş görüntü, içeriğin analizi veya bu analize dayalı sistem davranışı olabilir.
| Alan | Girdi | Çıktı |
|---|---|---|
| Görüntü işleme | Görüntü | Görüntü |
| Bilgisayarlı görü | Görüntü veya video | Analiz, etiket veya davranış |
Sinyal işleme de ilişkili bir alandır. Tek değişkenli sinyaller için geliştirilen yöntemler, iki veya çok değişkenli sinyallere doğal biçimde genişletilebilir. Ancak görüntülerin özgün yapısı nedeniyle bilgisayarlı görü içinde, tek değişkenli sinyal işlemeye karşılığı olmayan yöntemler de geliştirilmiştir. Sinyalin çok boyutluluğuyla birlikte bu durum, sinyal işlemeye ait bir alt alan tanımlar.
Bilgisayar grafikleri üç boyutlu modellerden görüntü verisi üretir; bilgisayarlı görü ise çoğunlukla görüntü verisinden üç boyutlu modeller üretir. İki disiplinin birleşmesi yönünde bir eğilim vardır; artırılmış gerçeklik bu birleşmenin örneklerinden biridir.
Görüntü verisi hangi biçimlerde olabilir?
Görüntü verisi; tek bir görüntü, video dizisi, birden fazla kameranın görünümü, üç boyutlu tarayıcıdan gelen çok boyutlu veri, LiDAR sensörlerinden gelen üç boyutlu nokta bulutu veya tıbbi tarama cihazlarından gelen veri biçiminde olabilir. Bu çeşitlilik, alanın disiplinler arası yapısını güçlendirir.
Kullanım alanları nelerdir?
Tıbbi görüntüleme yaygın kullanım alanlarından biridir. Radyologlar göğüs röntgenlerini yorumlar; zatürre belirtilerinin ince olması ve diğer akciğer durumlarıyla benzerlik taşıması nedeniyle bu süreç hata yapmaya açık ve zaman alıcı olabilir. Bilgisayarlı görü sistemi bu sürece destek olabilir.
Nesne tespiti, yüz tanıma ve otomasyon da sıkça anılan uygulamalardır. Bu uygulamalar, makinelerin çevresini anlamasını ve buna göre hareket etmesini sağlar.
Bu sistemler, Yapay zeka nedir kısaca tanımı ve temel özellikleri sayfasında anlatılan yapay zekâ çerçevesinin bir parçasıdır.
Uygulama süreci nasıl ilerler?
- Veri toplama: Hastaneler göğüs röntgeni gibi görüntülerden eğitim verisi derler.
- Etiketleme: Her görüntü normal veya zatürre gibi sınıflara ayrılır.
- Ön işleme: Parlaklık, kontrast, boyut ve yumuşatma ayarlanır.
- Veri artırma: Döndürme veya ters çevirme ile çeşitlilik artırılır.
- Eğitim ve tahmin: Model yeni görüntülerde sınıflandırma veya tespit yapar.
Veri ve model kalitesi neden önemlidir?
Yapay zekâ modeli, eğitildiği veri kadar iyidir. Bu nedenle yüksek kaliteli veri bilgisayarlı görü için vazgeçilmezdir. Veri temizleme ve parlaklık veya kontrast ayarı gibi iyileştirmeler kaliteyi artırabilir.
Veri kümesinin yeterince büyük ve çeşitli olması gerekir; sentetik veri üretimi ve veri artırma bu çeşitliliği genişletmeye yardımcı olur.
Etiketleme de önemlidir. Hastane örneğinde her taramanın normal veya zatürre olarak doğru etiketlenmesi gerekir. Hatalı etiketler modelin öğrenmesini bozar.
Hangi zorluklar öne çıkar?
Veri toplama ve etiketleme maliyetli olabilir. Görüntülerin kalitesi, aydınlatma, açı ve nesnelerin birbirini kapatması gibi etkenler sonucu etkileyebilir. Veri çeşitliliği düşükse model yeni durumlarda zayıf kalabilir.
Sık sorulan diğer sorular
Bilgisayarlı görü yapay zekânın bir parçası mıdır?
Evet, makinelerin görüntü ve videoları yorumlamasını sağlayan yapay zekâ alt alanıdır. Makine öğrenmesi ve derin öğrenme yöntemlerinden yararlanır.
Görüntü işleme ile bilgisayarlı görü aynı şey midir?
Hayır. Görüntü işlemede girdi ve çıktı görüntüdür; bilgisayarlı görüde çıktı analiz, etiket veya sistem davranışı olabilir.
Hangi verilerle eğitilir?
Fotoğraf, video, çok kameralı görünüm, LiDAR nokta bulutu veya tıbbi tarama verisi kullanılabilir. Veri kümesi büyük ve çeşitli olmalıdır.
Tıpta nasıl kullanılır?
Göğüs röntgenlerinden zatürre sınıflandırması gibi görevlerde radyologlara yardımcı olabilir. Amaç, görüntüdeki örüntüyü tanıyıp etiket üretmektir.
İlgili sayfalar
- Yapay zeka hizalama nedir ve nasıl çalışır?
Yapay zeka hizalama, bir modelin hedeflerini ve davranışlarını insanların gerçekten istediği değerler, kurallar ve niyetlerle uyumlu hale getirme sürecidir. Amaç, sistemin yeni durumlarda da zarar vermeden doğru işi yapmasıdır. Bu alan, özellikle güçlü ve otonom sistemlerde açık bir araştırma konusu olarak ele alınır.
- Pekiştirmeli öğrenme nedir ve nasıl çalışır?
Pekiştirmeli öğrenme, ajanların çevreyle etkileşerek deneme-yanılma yoluyla karar vermeyi öğrendiği bir makine öğrenmesi dalıdır. Amaç, eylemlerin sonucunda alınan ödül toplamını en üst düzeye çıkarmaktır. Yöntem; durum, eylem, ödül ve politika gibi kavramlar üzerine kuruludur.
- Derin öğrenme nedir ve nasıl çalışır?
Derin öğrenme, çok katmanlı yapay sinir ağları kullanarak veriden örüntü öğrenen bir makine öğrenmesi dalıdır. Görüntü tanıma, doğal dil işleme ve otonom araçlar gibi alanlarda kullanılır. Model, katmanlar arasında veriyi dönüştürerek daha soyut temsiller oluşturur.
- Üretken yapay zeka nedir ve nasıl çalışır?
Üretken yapay zeka, kullanıcı istemlerini analiz ederek metin, görsel, ses veya yazılım kodu gibi yeni ve özgün içerikler oluşturan derin öğrenme tabanlı bir sistemdir. Mevcut verilerdeki desenleri ve ilişkileri matematiksel temsillerle öğrenir ve bu temsillerden hareketle gerçek dünya verilerine benzeyen çıktılar türetir. Temel modeller, çekişmeli ağlar ve difüzyon mimarileri bu teknolojinin omurgasını meydana getirir.
- Doğal dil işleme nedir ve nasıl çalışır?
Doğal dil işleme, bilgisayarların insanlara ait yazılı ve sözlü ifadeleri anlamasını, yorumlamasını ve üretmesini sağlayan bir yapay zekâ disiplinidir. Hesaplamalı dilbilim kurallarını makine öğrenimi modelleriyle harmanlayarak yapılandırılmamış metinleri çözümler. Bu teknoloji sayesinde yazılımlar arama motorlarında, otomatik çeviri araçlarında ve müşteri destek sistemlerinde insan diliyle iletişim kurar.
- Yapay sinir ağı nedir ve nasıl çalışır?
Yapay sinir ağı, insan beyninin bilgi işleme yönteminden esinlenerek geliştirilen katmanlı bir makine öğrenimi modelidir. Birbirine bağlı yapay nöronlar aracılığıyla verideki doğrusal olmayan karmaşık ilişkileri öğrenir ve tahminler üretir. Girdi, gizli ve çıktı katmanları arasındaki ağırlık ile sapma değerlerini optimize ederek metin, görüntü ve ses işleme gibi süreçleri yönetir.
Bu sayfa nasıl hazırlandı
Yazmadan önce konu aşağıdaki kaynaklarda araştırıldı. Sayfa ardından otomatik kalite denetimlerinden geçti.