GTÜ/Bilgisayara Giriş/İşletme-1

GÖRÜNTÜ İŞLEME
VE MAKİNE ÖĞRENİMİ
BARAN BARIŞ YENİ
Görüntü
işleme
 Görüntü işleme nedir?

Görüntü işleme, bilgisayarların görüntüler ve videolardaki nesneleri ve

kişileri tanımlamasını ve anlamasını sağlamaya odaklanan bir
bilgisayar bilimi alanıdır. Diğer yapay zeka türleri gibi görüntü işleme de
insan yeteneklerini kopyalayan görevleri gerçekleştirmeyi ve
otomatikleştirmeyi amaçlar.
Bu durumda, görüntü işleme hem insanların görme biçimini hem de
gördüklerini anlamlandırma biçimini kopyalamaya çalışır.
Görüntü işleme teknolojisine yönelik pratik uygulamalar yelpazesi, onu
birçok modern yeniliğin ve çözümün merkezi bir bileşeni haline
getiriyor. Görüntü işleme bulutta veya şirket içinde çalıştırılabilir.
 Görüntü işleme nasıl çalışır?
Görüntü işleme uygulamaları, insanlardaki görme sisteminin işleyişini taklit etmek için algılama
cihazları, yapay zeka, makine öğrenimi ve derin öğrenmeden gelen girişleri kullanır. Görüntü işleme
uygulamaları, buluttaki büyük miktarlarda görsel veri veya görüntüler üzerinde eğitilen
algoritmalarda çalışır. Bu görsel verilerdeki desenleri algılar ve diğer görüntülerin içeriğini
belirlemede bu desenleri kullanır.
 Görüntü işleme ile bir görüntü nasıl analiz edilir?

• Algılama cihazı bir görüntüyü yakalar. Algılama cihazı genellikle sadece bir kameradır, ancak bir
video kamera, tıbbi görüntüleme cihazı veya analiz için görüntü yakalayan başka bir cihaz türü
olabilir.
• Görüntü daha sonra yorumlama cihazına gönderilir. Yorumlama cihazı, görüntüyü bölmek,
görüntüdeki desenleri bilinen desenler kitaplığıyla karşılaştırmak ve görüntüdeki herhangi bir
içeriğin eşleşip eşleşmediğini belirlemek için desen tanımayı kullanır. Model, belirli bir nesne
türünün görünümü gibi genel bir şey olabilir veya yüz özellikleri gibi benzersiz tanımlayıcıları temel
alabilir.
• Bir kullanıcı, bir görüntüyle ilgili belirli bilgiler ister ve yorumlama cihazı, görüntünün analizine dayalı
olarak istenen bilgileri sağlar.
 Görüntü işleme özellikleri
Görüntü işleme programlarının görüntüleri nasıl işlediğine ve bilgileri nasıl
döndürdüğüne ilişkin dört ana işlev vardır:
Nesne sınıflandırması
Sistem, bir görüntüdeki nesneleri tanımlanmış bir
kategoriye göre sınıflandırır. Örneğin, nesne
sınıflandırmasıyla bir bilgisayar, insanları bir
fotoğraftaki nesnelerden ayırabilir ve fotoğrafta kaç
kişinin göründüğünü belirleyebilir.
Nesne izleme
Sistem, zaman içinde hareket eden bir nesnenin
konumunu işlemek için bir videoyu analiz eder. Örneğin,
nesne izleme ile bir park yeri gözetleme kamerası, bir
otoparktaki arabaları tespit edebilir ve bu arabaların
zaman içindeki konumu ve hareketleri hakkında bilgi
sağlayabilir.
Nesne tanımlaması
Sistem, bir fotoğraf, video veya görüntüdeki belirli bir
nesneyi tanımlar. Örneğin, nesne tanımlamayla sistem
yalnızca bir fotoğraftaki insanları ayırt etmekle kalmaz,
aynı zamanda bu kişilerin kimliklerini veya özelliklerini
belirleyebilmek için görünümlerini de analiz edebilir.
Optik karakter tanıma
Sistem, görüntülerdeki harfleri ve sayıları tanımlar ve bu
metni, diğer bilgisayar uygulamaları tarafından
okunabilen veya kullanıcılar tarafından düzenlenebilen
makine kodlu metne dönüştürür.
 Görüntü işleme ne için kullanılır?
Görüntü işleme güçlü bir yetenektir ve bir dizi pratik kullanım durumunu desteklemek için birçok uygulama türü ve algılama
cihazıyla birleştirilebilir. Birkaç farklı görüntü işleme uygulaması:
■ İçerik düzenleme
Görüntü işleme, fotoğraflardaki kişileri veya nesneleri tanımlamak ve bu tanımlamaya göre düzenlemek için
kullanılabilir. Bunun gibi fotoğraf tanıma uygulamaları genellikle fotoğraf depolama ve sosyal medya
uygulamalarında kullanılır.
■ Metin ayıklama
Optik karakter tanıma, büyük miktarlarda metinde bulunan bilgiler için içerik bulunabilirliğini artırmak ve robotik
işleme otomasyon senaryolarına yönelik belge işlemeyi etkinleştirmek için kullanılabilir.
■ Artırılmış gerçeklik
Fiziksel nesneler, görüntü işleme ile gerçek zamanlı olarak algılanır ve izlenir. Bu bilgi daha sonra sanal nesneleri
fiziksel bir ortama gerçekçi bir şekilde yerleştirmek için kullanılır.
■ Tarım
Uydulardan, drone’lardan veya uçaklardan alınan ekin görüntüleri, hasadı izlemek, yabancı ot oluşumunu tespit
etmek veya besin eksikliğini belirlemek için analiz edilebilir.
 Görüntü işleme ne için kullanılır?
■ Otonom araçlar
Kendi kendine giden arabalar, gerçek zamanlı nesne tanımlama ve izleme özelliğini kullanarak bir arabanın
etrafında olup bitenler hakkında bilgi toplar ve aracı buna göre yönlendirir.
■ Sağlık Hizmetleri
Diğer tıbbi cihazlar tarafından yakalanan fotoğraflar veya görüntüler, doktorların sorunları belirlemesine ve daha
hızlı, doğru teşhis koymasına yardımcı olmak için analiz edilebilir.
■ Spor
Nesne algılama ve izleme, yürütme ve strateji analizi için kullanılır.
■ Üretim
Görüntü işleme, bakım amacıyla üretim makinelerini izleyebilir. Ayrıca, bir üretim hattında ürün kalitesini ve
ambalajı izlemek için de kullanılabilir.
■ Uzamsal analiz
Sistem, bir alandaki insanları veya araba gibi nesneleri tanımlar ve onların bu alan içindeki hareketlerini izler.
■ Yüz tanıma
Görüntü işleme, bireyleri ve kişileri belirlemek için uygulanabilir.
Derin öğrenme ve görüntü işleme

Modern görüntü işleme uygulamaları, görüntüleri analiz etmek için

istatistiksel yöntemlerden uzaklaşıyor ve gittikçe derin öğrenme olarak
bilinen yönteme yaklaşıyor. Derin öğrenme sayesinde, bir görüntü
işleme uygulaması, görüntülerin daha doğru analizlerini sunmasını
sağlayan sinir ağı adlı bir algoritma türü üzerinde çalışır. Ayrıca derin
öğrenme, bir görüntü işleme programının analiz ettiği her görüntüdeki
bilgileri korumasını sağlar; böylece ne kadar çok kullanılırsa o kadar
doğru olur.
Makine öğrenmesi nedir ve nasıl çalışır?
• Makine öğrenmesi, bir bilgisayarın doğrudan yönergeler olmadan öğrenmesine
yardımcı olmak için matematiksel modelleri kullanma işlemidir. Bu, yapay zekanın
(AI) bir alt kümesi olarak kabul edilir. Makine öğrenmesi, verilerdeki kalıpları
belirlemek için algoritmaları kullanır. Tahmin yapabilen bir veri modeli oluşturmak
için de bu kalıplar kullanılır. Tıpkı insanların daha fazla alıştırma yaptıkça
gelişmesi gibi, veri ve deneyim miktarı arttıkça makine öğrenmesinin sonuçları da
daha doğru hale gelir.
• Uyarlanabilirliği sayesinde makine öğrenmesi verilerin, isteklerin veya görevlerin
sürekli değiştiği senaryolarda veya bir çözümün etkili bir şekilde kodlanmasının
mümkün olmadığı durumlarda harika bir seçenektir.
Makine öğrenmenin uygulama alanları
İçgörüleri ortaya çıkarma
Makine öğrenmesi, hem yapılandırılmış hem de yapılandırılmamış verilerde desenin tanımlanmasına ve verilerin
anlattığı hikayelerin belirlenmesine yardımcı olabilir. 
Veri bütünlüğünü geliştirme
Veri madenciliği konusunda oldukça iyi olan makine öğrenmesi, bunu bir adım ileriye taşıyarak zamanla
özelliklerini geliştirebilir. 
Kullanıcı deneyimini geliştirme
Uyarlamalı arabirimler, hedefli içerikler, sohbet botları ve sesli sanal yardımcılar, makine öğrenmesinin müşteri
deneyimini iyileştirmeye nasıl yardımcı olabileceğini gösteren örneklerdir. 
Risk azaltma
Dolandırıcılık taktikleri sürekli olarak değiştikçe, makine öğrenmesi de buna ayak uydurur. Makine öğrenmesi,
dolandırıcılık denemeleri başarılı olmadan önce bunları yakalamak için yeni desenleri izler ve belirler. 
Müşteri davranışlarını tahmin etme
Makine öğrenmesi, desen ve davranışları belirlemenize yardımcı olmak için müşteriyle ilgili verileri araştırıp ürün
önerilerini iyileştirmenize olanak tanır ve mümkün olan en iyi müşteri deneyimini sağlar. 
Maliyetleri azaltma
Bir makine öğrenmesi uygulaması, zamandan ve kaynaklardan tasarruf sağlayarak ekibinizin en önemli şeylere
odaklanmasına olanak tanıyan süreç otomasyonudur.
Makine öğrenmesi teknikleri
Denetimli öğrenme
Veri kümelerinin etiketlerle veya yapılarla işlendiği bu teknikte, veriler bir öğretmen
olarak görev yapar ve makineyi “eğiterek” tahmin yapma veya karar verme
yeteneğini geliştirir. 
Denetimsiz öğrenme
Bu teknikte veri kümeleri etiket veya yapı olmadan işlenir, veriler kümeler halinde
gruplandırılarak kalıplar ve ilişkiler bulunur.
Pekiştirmeye dayalı öğrenme
Birisinin veya bir şeyin adına işlem yapan bilgisayar programları olan aracılar, insan
operatörün yerini alır ve bir geri bildirim döngüsünü temel alarak sonucun
belirlenmesine yardımcı olur.
Hangi sektörlerde makine öğrenmesinden nasıl faydalanılır?
● Bankacılık ve Finans
Risk yönetimi ve dolandırıcılığı önleme, makine öğrenmesinin finansal bağlamlarda değer sunduğu önemli alanlardandır. 
● Sağlık Hizmetleri
Tanılama araçları, hasta izleme ve salgınların tahmin edilmesi, makine öğrenmesinin hasta bakımının iyileştirilmesine
yardımcı olduğu uygulamalara örnek verilebilir. 
● Ulaşım
Trafik anormalliği belirleme, teslimat yolu iyileştirmesi ve sürücüsüz araçlar, makine öğrenmesinin ulaşım üzerinde olumlu bir
etki oluşturabileceğini gösteren örneklerdir. 
● Müşteri hizmetleri
Sorulara yanıt verme, müşteri amaçlarını ölçme ve sanal yardım sunma, makine öğrenmesinin müşteri hizmetleri sektörüne
sunduğu desteğe örnek verilebilir. 
● Perakende
Makine öğrenmesi, perakendecilerin satın alma desenlerini analiz etmesine, teklifleri ve fiyatlandırmayı iyileştirmesine ve
genel müşteri deneyimini iyileştirmek için verileri kullanmasına yardımcı olur. 
● Tarım
İşgücü eksikliğini gidermek için robot geliştirme, bitki hastalıklarını tanılama ve toprağın durumunu izleme gibi konularda
makine öğrenmesi, tarımın geliştirilmesine katkıda bulunabilir.