Örnek Bölütleme
Instance Segmentation (per-object pixel-level detection and masking) · Ayrıca şöyle bilinir: instance-level segmentation, object instance segmentation, mask prediction, panoptic instance segmentation
Örnek bölütleme, bir görüntüdeki her bir nesneyi eş zamanlı olarak algılayan ve her bir nesne örneği için hassas piksel düzeyinde bir maske üreten bir bilgisayarlı görü görevidir. Her pikseli bir sınıfla etiketleyen anlamsal bölütlemeden farklı olarak, örnek bölütleme aynı sınıftaki ayrı nesneleri ayırt ederek ince taneli uzamsal anlayış sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+7 tane daha
Ne zaman kullanılır
Görüntülerdeki bireysel nesneleri tanımlamanız, saymanız ve hassas bir şekilde sınırlamanız gerektiğinde örnek bölütlemeyi kullanın — mikroskopi alanındaki hücreler, hava görüntülemesindeki araçlar veya gözetim görüntülerindeki insanlar gibi. Aynı sınıftaki nesnelerin üst üste bindiği veya kümelendiği ve ayırt edilmesi gerektiği durumlarda üstündür. Yalnızca kaba sınıf düzeyinde bölgeler gerektiğinde (bunun yerine anlamsal bölütleme kullanın), veri kümesinde piksel başına maske ek açıklamaları eksik olduğunda (ek açıklama maliyeti çok yüksektir) veya özel optimizasyon olmadan yerleşik donanımda gerçek zamanlı çıkarım gerektiğinde uygun değildir.
Güçlü yönler & sınırlılıklar
- Tek bir ileri geçişte eş zamanlı olarak sınırlayıcı kutular, sınıf etiketleri ve piksel hassasiyetinde maskeler üretir.
- Aynı sınıftaki bireysel örnekleri ayırt ederek doğru nesne sayımı ve ölçümünü sağlar.
- Önceden eğitilmiş modeller (örneğin, COCO önceden eğitilmiş Mask R-CNN) orta düzeyde ince ayar ile yeni alanlara iyi aktarılır.
- Tek bir görüntüde yüzlerce örneği algılamaya ölçeklenir.
- Önceden oluşturulmuş eğitim işlem hatlarına sahip zengin çerçeve ekosistemi (Detectron2, MMDetection, Ultralytics).
- Üretimi pahalı ve zaman alıcı olan piksel başına poligon veya RLE maske ek açıklamaları gerektirir.
- Çıkarım hesaplama açısından ağırdır; standart donanımda gerçek zamanlı performans, dikkatli model seçimi ve optimizasyon gerektirir.
- Sınır ayrıntısının belirsiz olduğu yoğun şekilde örtüşen veya çok küçük nesnelerde performans düşer.
- Sıfırdan eğitmek için büyük ek açıklamalı veri kümeleri gerekir; yetersiz veri, zayıf maske kalitesine yol açar.
SSS
Örnek bölütleme ile anlamsal bölütleme arasındaki fark nedir?
Anlamsal bölütleme her piksele bir sınıf etiketi atar ancak aynı sınıftaki ayrı nesneleri ayırt etmez — tüm arabalar aynı şekilde renklendirilir. Örnek bölütleme daha ileri gider: her bir nesneyi ayrı bir varlık olarak ele alır, böylece üst üste binen iki araba iki farklı maske alır.
Ne kadar ek açıklamalı veriye ihtiyacım var?
COCO önceden eğitilmiş bir modeli ince ayar yaparken, sınıf başına birkaç yüz ila birkaç bin ek açıklamalı görüntü ile kullanışlı performans elde edilebilir. Sıfırdan eğitim genellikle on binlerce ek açıklamalı örnek gerektirir. CVAT veya Labelme gibi ek açıklama araçları süreci hızlandırabilir.
Hangi metriği raporlamalıyım?
Standart metrik, COCO değerlendirme protokolünü izleyerek birden çok IoU eşiğinde (genellikle 0.50:0.95) hesaplanan maske Ortalama Hassasiyetidir (AP_mask). Tamlık için yalnızca sınırlayıcı kutu AP'sinin değil, AP_mask'ın ve IoU 0.50 ve 0.75'teki AP'nin her zaman raporlanması gerekir.
Örnek bölütleme gerçek zamanlı çalışabilir mi?
Standart Mask R-CNN, bir GPU üzerinde 5-8 FPS hızında çalışır, bu da gerçek zamanlı video için yetersizdir. YOLACT, SOLOv2 ve YOLOv8-seg gibi hafif alternatifler, bazı doğruluk ödünleşmeleriyle 30+ FPS'ye ulaşır. Model nicelemesi ve TensorRT optimizasyonu, yerleşik donanımda çıkarımı daha da hızlandırır.
Örnek bölütleme çok küçük nesneler için uygun mu?
Küçük nesne performansı bilindiği gibi zordur. Yüksek çözünürlüklü girdiler, FPN çok ölçekli özellikler ve COCO küçük nesne alt kümesi (AP_S) üzerinde değerlendirme, sorunu teşhis etmeye yardımcı olur. Yoğun paketlenmiş küçük nesnelerle uydu görüntüleri gibi alanlar için özel mimariler veya döşeme stratejileri gerekebilir.
Kaynaklar
- He, K., Gkioxari, G., Dollar, P., & Girshick, R. (2017). Mask R-CNN. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2961–2969. DOI: 10.1109/ICCV.2017.322 ↗
- Instance segmentation. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Instance Segmentation (per-object pixel-level detection and masking). ScholarGate. https://scholargate.app/tr/deep-learning/instance-segmentation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Çok Modlu Örnek BölütlemeDerin öğrenme↔ karşılaştır
- Nesne TespitiDerin öğrenme↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır