Bilgisayarlı Görü
Bilgisayarlı görü, yazılımın görüntüleri ve videoları yorumlamasını sağlayan yapay zekâ alanıdır; örneğin bir fotoğrafın neyi gösterdiğini sınıflandırmak, nesnelerin yerini belirlemek, metin okumak veya kusurları ölçmek gibi görevleri, etiketlenmiş örneklerden görsel örüntüler öğrenerek gerçekleştirir.
Bilgisayarlı görü nedir?
Bir görüntü işleme sistemi bir pipeline'dır: görüntüyü yakalar, hazırlar, bir modelden geçirir ve modelin çıktısını bir karara veya aksiyona dönüştürür. Model genellikle bir evrişimli sinir ağı (CNN) veya bir vision transformer'dır; neredeyse her zaman ImageNet gibi büyük, herkese açık veri kümeleri üzerinde önceden eğitilmiş ağırlıklarla başlar ve ardından ilgili görev için fine-tuning yapılır.
GPT-4o, Gemini ve Claude gibi multimodal modeller artık hiçbir eğitim gerektirmeden, bir prompt üzerinden görüntüleri tanımlayabiliyor ve onlarla ilgili soruları yanıtlayabiliyor. Bu durum alanı iki yola ayırdı: esnek ve düşük hacimli görevler için API üzerinden genel amaçlı modeller; hızlı, tekrarlayan ve yüksek doğruluk gerektiren işler için küçük, özel modeller.
Başlıca bilgisayarlı görü görevleri nelerdir?
Doğru görev türünü seçmek, model seçmekten daha önemlidir; çünkü etiketleme eforunu ve metriği o belirler.
Sınıflandırma: görüntü başına tek bir etiket ("kusurlu" veya "sorunsuz").
Nesne tespiti: her nesnenin etrafına kutular; örneğin Ultralytics YOLO ile.
Segmentasyon: alanları ölçmek için kullanılan, her piksel için bir etiket; Meta'nın Segment Anything modeli bu etiketlemeyi hızlandırır.
OCR ve doküman anlama: metni ve sayfa düzenini okuma; akıllı doküman işlemenin özü.
Poz tahmini ve takip: insanları veya nesneleri video kareleri boyunca izleme.
Tespit kalitesi, kesişim/birleşim oranı (IoU; tahmin edilen ve gerçek kutuların örtüşme alanının birleşik alanlarına bölümü) ve ortalama hassasiyetin ortalaması (mAP) ile ölçülür.
Bilgisayarlı görü pratikte nasıl görünür?
Tipik bir endüstriyel proje, modelden çok görüntülere ve etiketlere zaman harcar. Paletler sevk edilmeden önce hatalı mühürleri yakalamak isteyen 120 kişilik bir gıda ambalajı üreticisini düşünün.
Hattın üzerine sabit aydınlatmalı kameralar yerleştirilir ve diyelim ki iki hafta boyunca 3.000 görüntü toplanır.
Kalite ekibi, iki kişinin aynı mührü aynı şekilde etiketlemesi için yazılı bir kılavuz kullanarak kusurları CVAT veya Roboflow'da etiketler.
Bir YOLO modeli fine-tuning ile eğitilir ve hattın yanındaki NVIDIA Jetson gibi bir uç (edge) cihaza kurulur.
Yüksek güvenle tespit edilen kusurlar bir ayıklama kolunu tetikler; sınırdaki vakalar insan kararı için bir ekrana gönderilir.
Ekip iki rakamı takip eder: gerçek kusurlardaki duyarlılık (recall) ve sağlam ürünü boşa harcayan hatalı ret oranı.
Bilgisayarlı görünün riskleri ve sınırları nelerdir?
Görüntü işleme modelleri en sık, gerçek dünyadaki sahne eğitim görüntülerinden uzaklaştığında başarısız olur. Yeni aydınlatma, farklı bir kamera, kirli bir lens veya yeni bir ambalaj rengi, hiçbir hata mesajı vermeden doğruluğu düşürebilir.
Nadir sınıflar: kusurlar 1.000 üründe 1 ise, yeterli örnek toplamak darboğaz hâline gelir.
Etiket tutarsızlığı: etiketleyiciler arasındaki uyuşmazlık, modelin ulaşabileceği doğruluğa bir tavan koyar.
Regülasyon: GDPR Madde 9 kapsamında, kişileri tanımlamak için kullanılan biyometrik veriler özel nitelikli veridir ve AB Yapay Zekâ Yasası (EU AI Act), hedefsiz veri kazıma (scraping) yoluyla yüz tanıma veritabanları oluşturulmasını yasaklar.
Bir barkod, RFID etiketi veya basit bir sensör aynı soruyu daha ucuz ve daha güvenilir şekilde yanıtlıyorsa görüntü işlemeyi kullanmayın.
Özel bir model mi eğitmelisiniz, yoksa multimodal bir API mi kullanmalısınız?
Prototipleme ile çeşitli ve düşük hacimli görevler için multimodal bir API kullanın; tek ve dar bir görevde hıza, maliyet kontrolüne veya doğruluğa ihtiyaç duyduğunuzda özel bir model eğitin. Saniyede çok sayıda ürün işleyen bir üretim hattındaki her görüntü için bir API çağrısı yapmak yavaş ve pahalıdır; cihaz üzerinde çalışan küçük bir model ise öyle değildir.
Yaygın yapı taşları: görüntü işleme için OpenCV, eğitim için PyTorch ve Ultralytics, etiketleme için Roboflow ve CVAT; OCR veya etiket tespiti gibi standart görevler için ise AWS Rekognition, Google Cloud Vision ve Azure AI Vision gibi yönetilen hizmetler. Bilgisayarlı görü, makine öğrenmesinin bir dalıdır ve aynı değerlendirme disiplini burada da geçerlidir.
Özel görüntü işleme modeli ve multimodal LLM API'si
Özel eğitilmiş model | Multimodal LLM API'si | |
|---|---|---|
Kurulum | Görüntüleri toplayıp etiketleyin, ardından eğitin | Bir prompt yazın |
Görüntü başına hız | Milisaniyeler, cihaz üzerinde çalışabilir | Saniyeler, ağ erişimi gerektirir |
Yüksek hacimde maliyet | Eğitimden sonra düşük | Her çağrıyla artar |
En uygun olduğu alan | Tek, dar ve tekrarlayan bir görev | Çeşitli sorular ve prototipler |
Doğruluk kontrolü | Kendi verilerinizle ayarlanabilir | Prompt yazımıyla sınırlı |
VIZIO AI bilgisayarlı görüye nasıl yaklaşır?
VIZIO AI'ın yayınlanmış vaka çalışmaları bir bilgisayarlı görü projesi içermiyor; en yakın örnek, insanların zor vakalara odaklandığı otomatik bir sınıflandırma pipeline'ıdır. Birleşik Krallık'taki bir siber güvenlik araştırma kuruluşu için Growth Studio, gelen fidye yazılımı olaylarını Doğrulanmış veya Doğrulanmamış olarak sınıflandırmak için kural tabanlı mantığı ve makine öğrenmesi sezgisellerini birleştirdi ve manuel önceliklendirmeyi %70 azalttı.
Oradaki veriler görüntü değil metin kayıtlarıydı, ancak tasarım modeli bir denetim sisteminin ihtiyaç duyduğu modelle aynıdır: yüksek güvenli kararları otomatikleştirin, belirsiz olanları insanlara yönlendirin. Nereden başlamalı: Sorunu gösteren birkaç yüz gerçek görüntü toplayın ve özel eğitime girişmeden önce multimodal bir API'yi bunlar üzerinde test edin.