Instance Segmentation (Örnek Bölütleme)

#BilgisayarlıGörü #DerinOgrenme #MaskRCNN #GorselAI

Görüntüdeki her nesne örneğini diğerlerinden bağımsız biçimde piksel maskesiyle tanımlayan bilgisayarlı görü görevidir.

Instance Segmentation (Örnek Bölütleme), bilgisayarlı görünün en gelişmiş görevlerinden biridir. Bir görüntüdeki her nesne örneğini piksel düzeyinde tespit edip birbirinden bağımsız olarak maskeleyen bu yöntem, nesne tespitinin (object detection) konumsal doğruluğunu ile semantik bölütlemenin (semantic segmentation) piksel hassasiyetini tek çatı altında birleştirir. Semantik Bölütlemeden Farkı: Semantik bölütleme "bu piksel araba sınıfına ait" der; ancak görüntüdeki iki arabayı tek bir kütle olarak ele alır. Örnek bölütleme ise her nesneye ayrı bir piksel maskesi atar: "bu Araba #1, şu Araba #2." Bu ayrım gerçek dünya uygulamalarında kritik önem taşır; otonom araçların birden fazla yayayı bağımsız takip etmesi, cerrahi robotların doku katmanlarını ayırt etmesi veya depo otomasyonunun üst üste yığılmış kutuları tek tek kavraması bu farkı gerektirir. Temel Mimariler: Mask R-CNN (He et al., 2017) bu alanın dönüm noktasıdır. Faster R-CNN'in bölgesel öneri mekanizmasına piksel maskesi çıkaran bir maske başlığı (mask head) ekleyerek her nesne için ayrı ikili maske üretir. YOLOv8-seg ve YOLOv9-seg gibi tek aşamalı (one-stage) modeller gerçek zamanlı uygulamalar için Mask R-CNN'e kıyasla çok daha hızlı bir alternatif sunar. Meta AI'ın 2023'te tanıttığı Segment Anything Model (SAM), nokta, kutu veya metin ipuçlarıyla sıfır atış (zero-shot) bölütleme yapabilen evrensel bir temel modeldir; fine-tuning gerektirmeksizin hemen her nesneyi maskeler. Mask2Former (2022) ise sorgu tabanlı (query-based) Transformer mimarisini benimseyerek panoptik, semantik ve örnek bölütlemeyi tek bir çerçevede birleştirir. Panoptik Bölütleme: Örnek bölütlemenin uzantısı olan panoptik bölütleme (panoptic segmentation), sayılabilir nesneleri (things: araba, kişi) ve sayılamaz bölgeleri (stuff: gökyüzü, zemin) eş zamanlı olarak maskeler. Değerlendirme Metrikleri: COCO veri kümesinde AP (Average Precision) farklı IoU eşiklerinde ölçülür: AP50, AP75 ve AP50:95 en yaygın kriterlerdir. Panoptik görevlerde Panoptic Quality (PQ) metriği hem tanıma hem bölütleme başarısını birlikte değerlendirir. Yüksek doğruluk için güçlü GPU gereklidir; ancak YOLOv8-seg ve SAM'ın mobil versiyonları edge cihazlarda çalışabilmektedir.

difference Diğer Yöntemlerden Farkı Nedir?

Görüntü işlemede üç ana seviye vardır: Nesne Tespiti (Object Detection) nesneleri dikdörtgen kutulara (bounding box) alır. Semantik Bölütleme (Semantic Segmentation) görüntüdeki tüm köpekleri tek bir renk ile boyar. Örnek Bölütleme (Instance Segmentation) ise en gelişmiş olandır; görüntüdeki köpekleri bulur, her birini farklı bir renge boyar ve Araba 1, Araba 2 şeklinde ayrıştırır.

model_training Popüler Algoritmalar ve Uygulamalar

  • check_circle Mask R-CNN: Örnek bölütleme için endüstri standardı haline gelmiş, her nesne için bir piksel maskesi çıkaran popüler mimari.
  • check_circle Medikal Analiz: Mikroskop görüntülerindeki yüzlerce hücreyi birbirine yapışık olsalar bile tek tek ayırıp sayabilme yeteneği.
  • check_circle Robotik Manipülasyon: Bir robotik kolun, karmaşık bir kutudaki parçaları tutabilmesi için her bir parçanın tam şeklini ve konumunu bilmesi.

Örnek Bölütleme Yöntemleri ve Mimarileri

  • check_circle Mask R-CNN: Facebook AI tarafından geliştirilen ve her nesne önerisi için piksel maskesi üreten iki aşamalı derin öğrenme modeli. Uzun süre referans mimarisi olarak kullanıldı.
  • check_circle YOLO Tabanlı Yöntemler (YOLOv8-seg, v9): Gerçek zamanlı bölütleme için optimize edilmiş tek aşamalı yaklaşımlar. Mask R-CNN'e göre daha hızlı, edge cihazlarda kullanışlı.
  • check_circle Transformer Tabanlı (Mask2Former, SAM): Segment Anything Model (SAM), Meta tarafından geliştirilen ve hemen her nesneyi sıfır atış (zero-shot) olarak bölütleyebilen devrimci bir modeldir.
  • check_circle Panoptik Bölütleme: Örnek bölütleme ile semantik bölütlemeyi birleştiren yaklaşım; hem 'şey' (nesne) hem 'madde' (zemin, gökyüzü) kategorilerini aynı anda işler.
  • check_circle Noktadan Bölütleme (Point-prompted): SAM gibi modeller tek bir tıklama veya nokta ipucu ile nesne maskesi üretebilir; etiketleme maliyetini dramatik biçimde azaltır.
  • check_circle Video Örnek Bölütleme: Bölütlemeyi kare kare değil video bütününde tutarlı biçimde yapan yaklaşımlar; otonom sürüş ve video analizi için kritik.

Örnek Bölütlemenin Uygulama Alanları ve Değerlendirme Metrikleri

Örnek bölütleme, gerçek dünya AI uygulamalarında kritik bir bilgisayarlı görü görevidir. Tıbbi görüntülemede tümör, organ veya hücre sınırlarını piksele düzeyinde belirler; bu hassasiyet, yalnızca sınırlayıcı kutu (bounding box) kullanan nesne tespitinden çok daha değerlidir. Otonom araçlarda yayaları, bisikletlileri ve araçları diğer nesnelerden ayırt ederek kesin konum ve şekil bilgisi sağlar. Tarım robotları, bitki hastalıklarını veya hasat olgunluğunu bölütleme yoluyla tespit eder. Değerlendirme açısından yaygın kullanılan metrikler şunlardır: mAP (mean Average Precision) farklı IoU eşiklerinde hesaplanır; panoptik kalite (PQ) hem bölütleme hem tanıma başarısını birlikte ölçer. Donanım açısından Mask R-CNN gibi modeller gerçek zamanlı iş için güçlü GPU gerektirir, YOLO tabanlı yaklaşımlar ise edge TPU'larda çalışabilir hâle gelmiştir.

quiz Sık Sorulan Sorular

  • check_circle Neden semantik bölütleme yerine bunu kullanıyoruz?: Otonom araçlar için yoldaki 3 yayanın tek bir devasa kitle mi, yoksa ayrı ayrı hareket eden 3 farklı insan mı olduğunu bilmek hayati önem taşır. Semantik bölütleme bu ayrımı yapamazken, Instance Segmentation yapabilir.
  • check_circle En popüler algoritması nedir?: Facebook AI Research (FAIR) tarafından geliştirilen Mask R-CNN algoritması, uzun yıllardır bu problemin standart çözümü konumundadır.
  • check_circle Örnek bölütleme nedir?: Görüntüdeki her nesne örneğini piksel düzeyinde ayrı ayrı tanımlayan bilgisayarlı görü görevidir. Hem nesne tespiti (ne var?) hem de semantik bölütleme (nerede?) bilgisini birleştirir.
  • check_circle Semantik bölütleme ile örnek bölütleme arasındaki fark nedir?: Semantik bölütleme tüm 'araba' piksellerini aynı sınıfa atar; örnek bölütleme ise her arabayı ayrı nesne olarak maskeler. Aynı karedeki iki araba örnek bölütlemede farklı maskelere sahiptir.
  • check_circle Segment Anything Model (SAM) nedir?: Meta AI'ın geliştirdiği, herhangi bir nesneyi sıfır atış (zero-shot) ile bölütleyebilen temel modeldir. Nokta, kutu veya metin ipuçlarıyla çalışır ve birçok görevde fine-tuning gerektirmez.
  • check_circle Örnek bölütleme için hangi metrik kullanılır?: COCO değerlendirmesinde yaygın olarak AP (Average Precision) farklı IoU eşiklerinde (AP50, AP75, AP50-95) hesaplanır. Panoptik görevlerde Panoptic Quality (PQ) metriği kullanılır.