G\u00f6r\u00fcnt\u00fc i\u015fleme ve bilgisayar g\u00f6r\u00fc\u015f\u00fc alan\u0131nda, g\u00f6rsel verilerden anlaml\u0131 bilgiler \u00e7\u0131karma yetene\u011fi, yapay zekan\u0131n en heyecan verici ve zorlay\u0131c\u0131 g\u00f6revlerinden biridir. Bu g\u00f6revlerden biri olan g\u00f6r\u00fcnt\u00fc segmentasyonu, bir g\u00f6r\u00fcnt\u00fcy\u00fc piksel d\u00fczeyinde farkl\u0131 b\u00f6lgelere veya nesnelere ay\u0131rma i\u015flemidir. Segmentasyon, sadece bir nesnenin varl\u0131\u011f\u0131n\u0131 tespit etmekle kalmaz, ayn\u0131 zamanda o nesnenin g\u00f6r\u00fcnt\u00fcn\u00fcn neresinde oldu\u011funu ve tam olarak hangi piksellerden olu\u015ftu\u011funu da belirler. Bu hassas bilgi, t\u0131bbi g\u00f6r\u00fcnt\u00fclemeden otonom ara\u00e7lara, uydu g\u00f6r\u00fcnt\u00fclerinden end\u00fcstriyel denetime kadar geni\u015f bir uygulama yelpazesinde kritik \u00f6neme sahiptir.<\/p>\n
Geleneksel g\u00f6r\u00fcnt\u00fc i\u015fleme teknikleri, e\u015fikleme, kenar tespiti veya b\u00f6lge b\u00fcy\u00fctme gibi y\u00f6ntemlerle segmentasyon yapabilse de, karma\u015f\u0131k g\u00f6r\u00fcnt\u00fclerdeki de\u011fi\u015fkenlik, g\u00fcr\u00fclt\u00fc ve nesnelerin farkl\u0131 g\u00f6r\u00fcn\u00fcmleri kar\u015f\u0131s\u0131nda yetersiz kalmaktad\u0131r. Derin \u00f6\u011frenmenin y\u00fckseli\u015fiyle birlikte, \u00f6zellikle evri\u015fimsel sinir a\u011flar\u0131 (Convolutional Neural Networks – CNNs), g\u00f6r\u00fcnt\u00fc segmentasyonu alan\u0131nda devrim niteli\u011finde ilerlemeler kaydetmi\u015ftir. Bu ilerlemelerin \u00f6nc\u00fclerinden biri olan U-Net mimarisi, \u00f6zellikle biyomedikal g\u00f6r\u00fcnt\u00fc segmentasyonu g\u00f6revleri i\u00e7in tasarlanm\u0131\u015f ve bu alandaki bir\u00e7ok zorlu\u011fun \u00fcstesinden gelmeyi ba\u015farm\u0131\u015ft\u0131r. 2015 y\u0131l\u0131nda Olaf Ronneberger, Philipp Fischer ve Thomas Brox taraf\u0131ndan tan\u0131t\u0131lan U-Net, nispeten k\u00fc\u00e7\u00fck e\u011fitim veri k\u00fcmeleriyle bile son derece do\u011fru segmentasyon sonu\u00e7lar\u0131 \u00fcretebilme yetene\u011fi sayesinde k\u0131sa s\u00fcrede geni\u015f bir kabul g\u00f6rm\u00fc\u015ft\u00fcr. Bu makalede, U-Net mimarisinin detaylar\u0131na, \u00e7al\u0131\u015fma prensiplerine, avantajlar\u0131na, uygulama alanlar\u0131na ve gelecekteki potansiyeline derinlemesine bir bak\u0131\u015f sunulacakt\u0131r.<\/p>\n
G\u00f6r\u00fcnt\u00fc segmentasyonu, bir g\u00f6r\u00fcnt\u00fcy\u00fc birden fazla b\u00f6lgeye veya “segmentlere” ay\u0131rma i\u015flemidir. Her segment, genellikle belirli bir nesne veya nesnenin bir par\u00e7as\u0131na kar\u015f\u0131l\u0131k gelir ve ayn\u0131 segment i\u00e7indeki pikseller belirli bir \u00f6zelli\u011fe (renk, doku, yo\u011funluk vb.) g\u00f6re benzerdir. Segmentasyonun temel amac\u0131, bir g\u00f6r\u00fcnt\u00fcn\u00fcn daha kolay analiz edilebilir ve anlaml\u0131 bir \u015fekilde temsil edilebilir hale getirilmesidir.<\/p>\n
Segmentasyon, genellikle \u00fc\u00e7 ana kategoriye ayr\u0131l\u0131r:<\/p>\n
* Anlamsal Segmentasyon (Semantic Segmentation):<\/strong> Bu t\u00fcr segmentasyonda, bir g\u00f6r\u00fcnt\u00fcdeki her piksel belirli bir s\u0131n\u0131fa (\u00f6rne\u011fin, “insan”, “araba”, “yol”, “g\u00f6ky\u00fcz\u00fc”) atan\u0131r. Ayn\u0131 s\u0131n\u0131fa ait t\u00fcm nesneler, tek bir b\u00fcy\u00fck segment olarak de\u011ferlendirilir. \u00d6rne\u011fin, bir g\u00f6r\u00fcnt\u00fcy\u00fc “yol” ve “yaya” olarak segmentlere ay\u0131rd\u0131\u011f\u0131m\u0131zda, t\u00fcm yol pikselleri tek bir “yol” s\u0131n\u0131f\u0131na, t\u00fcm yaya pikselleri ise tek bir “yaya” s\u0131n\u0131f\u0131na atan\u0131r. Nesneler aras\u0131nda bireysel ayr\u0131m yap\u0131lmaz. Derin \u00f6\u011frenme tabanl\u0131 segmentasyon modelleri, genellikle bir evri\u015fimsel sinir a\u011f\u0131 mimarisi kullanarak giri\u015f g\u00f6r\u00fcnt\u00fcs\u00fcnden \u00f6zellikler \u00e7\u0131kar\u0131r ve bu \u00f6zellikleri kullanarak her piksel i\u00e7in bir s\u0131n\u0131f etiketi tahmin eder. Bu, piksel d\u00fczeyinde s\u0131n\u0131fland\u0131rma olarak da adland\u0131r\u0131l\u0131r ve U-Net, bu alanda \u00e7\u0131\u011f\u0131r a\u00e7an bir model olmu\u015ftur.<\/p>\n U-Net, ad\u0131n\u0131 simetrik “U” \u015feklindeki mimarisinden al\u0131r. Temel olarak, bir kodlay\u0131c\u0131 (encoder) ve bir kod \u00e7\u00f6z\u00fcc\u00fc (decoder) yolundan olu\u015fan bu mimari, g\u00f6r\u00fcnt\u00fc segmentasyonu g\u00f6revleri i\u00e7in \u00f6zel olarak tasarlanm\u0131\u015ft\u0131r. \u00d6zellikle biyomedikal g\u00f6r\u00fcnt\u00fcleme alan\u0131nda, s\u0131n\u0131rl\u0131 veri setleriyle y\u00fcksek do\u011frulukta segmentasyon yapabilme yetene\u011fi sayesinde b\u00fcy\u00fck ba\u015far\u0131lar elde etmi\u015ftir.<\/p>\n U-Net, bir giri\u015f g\u00f6r\u00fcnt\u00fcs\u00fcn\u00fc al\u0131r ve ayn\u0131 boyutta bir segmentasyon maskesi (\u00e7\u0131k\u0131\u015f g\u00f6r\u00fcnt\u00fcs\u00fc) \u00fcretir. Bu i\u015flem, iki ana b\u00f6l\u00fcmden olu\u015fan bir a\u011f arac\u0131l\u0131\u011f\u0131yla ger\u00e7ekle\u015ftirilir:<\/p>\n 1. S\u0131k\u0131\u015ft\u0131rma Yolu (Contracting Path) \/ Kodlay\u0131c\u0131:<\/strong> Bu b\u00f6l\u00fcm, tipik bir evri\u015fimsel sinir a\u011f\u0131 gibi \u00e7al\u0131\u015f\u0131r. G\u00f6r\u00fcnt\u00fcden ba\u011flamsal bilgileri ve \u00fcst d\u00fczey \u00f6zellikleri \u00e7\u0131karmak i\u00e7in ard\u0131\u015f\u0131k evri\u015fim ve havuzlama katmanlar\u0131 kullan\u0131r. G\u00f6r\u00fcnt\u00fcn\u00fcn boyutu k\u00fc\u00e7\u00fcl\u00fcrken, kanal say\u0131s\u0131 artar. Bu iki yol, “atlama ba\u011flant\u0131lar\u0131” (skip connections) ad\u0131 verilen \u00f6zel ba\u011flant\u0131larla birbirine ba\u011flan\u0131r. Bu ba\u011flant\u0131lar, U-Net’in ba\u015far\u0131s\u0131n\u0131n anahtarlar\u0131ndan biridir.<\/p>\n Kodlay\u0131c\u0131 yolu, tipik bir evri\u015fimsel a\u011f\u0131n (\u00f6rne\u011fin, VGG mimarisi) yap\u0131s\u0131n\u0131 takip eder ve bir g\u00f6r\u00fcnt\u00fcden \u00f6zellik haritalar\u0131 \u00e7\u0131karmak i\u00e7in kullan\u0131l\u0131r. Her bir a\u015fama genellikle \u015funlardan olu\u015fur:<\/p>\n * \u0130ki adet 3×3 Evri\u015fim Katman\u0131:<\/strong> Her evri\u015fim katman\u0131, bir aktivasyon fonksiyonu (genellikle ReLU) ile takip edilir. Bu evri\u015fimler, giri\u015f g\u00f6r\u00fcnt\u00fcs\u00fcnden veya \u00f6nceki katmandan yerel \u00f6zellikleri \u00f6\u011frenir. “Same” dolgu (padding) kullan\u0131larak \u00f6zellik haritas\u0131n\u0131n boyutu korunur. Kodlay\u0131c\u0131 yolu tipik olarak 4 veya 5 bu t\u00fcr a\u015famadan olu\u015fur. Her a\u015famada, \u00f6zellik haritalar\u0131n\u0131n kanal say\u0131s\u0131 (derinli\u011fi) iki kat\u0131na \u00e7\u0131kar\u0131l\u0131r (\u00f6rne\u011fin, 64, 128, 256, 512, 1024). Bu, a\u011f\u0131n daha karma\u015f\u0131k ve soyut \u00f6zellikleri yakalamas\u0131na olanak tan\u0131r. Kodlay\u0131c\u0131n\u0131n sonunda, giri\u015f g\u00f6r\u00fcnt\u00fcs\u00fcne k\u0131yasla \u00e7ok daha k\u00fc\u00e7\u00fck boyutlu ancak \u00e7ok daha zengin ve yo\u011fun ba\u011flamsal bilgi i\u00e7eren bir \u00f6zellik vekt\u00f6r\u00fc elde edilir.<\/p>\n Kod \u00e7\u00f6z\u00fcc\u00fc yolu, s\u0131k\u0131\u015ft\u0131rma yolunun tam tersi bir i\u015flevi g\u00f6r\u00fcr ve s\u0131k\u0131\u015ft\u0131r\u0131lm\u0131\u015f \u00f6zellik haritas\u0131ndan piksel d\u00fczeyinde bir segmentasyon maskesi olu\u015fturur. Her bir a\u015fama genellikle \u015funlardan olu\u015fur:<\/p>\n * Yukar\u0131 \u00d6rnekleme (Up-sampling) Katman\u0131:<\/strong> Bu katman, \u00f6nceki katmandan gelen \u00f6zellik haritas\u0131n\u0131n boyutunu (geni\u015flik ve y\u00fckseklik) iki kat\u0131na \u00e7\u0131kar\u0131r. Bu i\u015flem genellikle “transposed convolution” (ters evri\u015fim veya kesirli ad\u0131ml\u0131 evri\u015fim) veya basit\u00e7e bilineer interpolasyon ard\u0131ndan bir evri\u015fim ile yap\u0131l\u0131r. Ters evri\u015fim, \u00f6\u011frenilebilir parametreler i\u00e7erdi\u011fi i\u00e7in daha esnek bir yukar\u0131 \u00f6rnekleme sa\u011flar. Kod \u00e7\u00f6z\u00fcc\u00fc yolunun son a\u015famas\u0131nda, elde edilen \u00f6zellik haritas\u0131 \u00fczerinde bir adet 1×1 Evri\u015fim Katman\u0131<\/strong> uygulan\u0131r. Bu katman, her bir pikselin nihai s\u0131n\u0131f etiketini tahmin etmek i\u00e7in kullan\u0131l\u0131r. 1×1 evri\u015fim, bir nevi “yo\u011fun ba\u011fl\u0131” (fully connected) katman gibi davran\u0131r, ancak uzamsal boyutu korur. \u00c7\u0131k\u0131\u015f kanal say\u0131s\u0131, segmentlenecek s\u0131n\u0131f say\u0131s\u0131na e\u015fit olur.<\/p>\n * Aktivasyon Fonksiyonu:<\/strong> E\u011fer ikili segmentasyon (arka plan ve bir nesne) yap\u0131l\u0131yorsa, \u00e7\u0131k\u0131\u015f katman\u0131nda genellikle bir Sigmoid aktivasyon fonksiyonu kullan\u0131l\u0131r. Bu, her pikselin hedef s\u0131n\u0131fa ait olma olas\u0131l\u0131\u011f\u0131n\u0131 0 ile 1 aras\u0131nda bir de\u011fer olarak verir. \u00c7ok s\u0131n\u0131fl\u0131 segmentasyon (birden fazla nesne s\u0131n\u0131f\u0131) i\u00e7in ise Softmax aktivasyon fonksiyonu kullan\u0131l\u0131r. Bu, her piksel i\u00e7in her s\u0131n\u0131f\u0131n olas\u0131l\u0131k da\u011f\u0131l\u0131m\u0131n\u0131 verir.<\/p>\n Sonu\u00e7 olarak, U-Net, giri\u015f g\u00f6r\u00fcnt\u00fcs\u00fcyle ayn\u0131 boyutta (ancak s\u0131n\u0131f say\u0131s\u0131na e\u015fit kanal say\u0131s\u0131yla) bir \u00e7\u0131k\u0131\u015f haritas\u0131 \u00fcretir. Bu \u00e7\u0131k\u0131\u015f haritas\u0131ndaki her piksel, ilgili giri\u015f pikselinin hangi segmente ait oldu\u011funu g\u00f6sterir.<\/p>\n U-Net mimarisinin g\u00f6r\u00fcnt\u00fc segmentasyonu alan\u0131nda bu kadar pop\u00fcler ve ba\u015far\u0131l\u0131 olmas\u0131n\u0131n temelinde yatan birka\u00e7 \u00f6nemli avantaj bulunmaktad\u0131r:<\/p>\n U-Net’in en belirgin ve devrimci \u00f6zelli\u011fi atlama ba\u011flant\u0131lar\u0131d\u0131r. Bu ba\u011flant\u0131lar, kodlay\u0131c\u0131 yolundaki y\u00fcksek \u00e7\u00f6z\u00fcn\u00fcrl\u00fckl\u00fc \u00f6zellik haritalar\u0131n\u0131, kod \u00e7\u00f6z\u00fcc\u00fc yolundaki yukar\u0131 \u00f6rneklenmi\u015f \u00f6zellik haritalar\u0131yla birle\u015ftirir. Bu sayede:<\/p>\n * Detay Kayb\u0131n\u0131n \u00d6nlenmesi:<\/strong> Kodlay\u0131c\u0131 yolu, havuzlama i\u015flemleri s\u0131ras\u0131nda uzamsal bilgiyi s\u0131k\u0131\u015ft\u0131rarak daha \u00fcst d\u00fczey, ba\u011flamsal \u00f6zellikler \u00f6\u011frenir. Ancak bu s\u00fcre\u00e7te, nesnelerin kenar detaylar\u0131 ve ince yap\u0131lar\u0131 gibi \u00f6nemli konum bilgileri kaybolabilir. Atlama ba\u011flant\u0131lar\u0131, bu ince taneli detaylar\u0131 do\u011frudan kod \u00e7\u00f6z\u00fcc\u00fcye aktararak, segmentasyon maskesinin kenar hassasiyetini ve do\u011frulu\u011funu \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. U-Net, \u00f6zellikle t\u0131bbi g\u00f6r\u00fcnt\u00fcleme gibi alanlarda s\u0131k\u00e7a kar\u015f\u0131la\u015f\u0131lan, s\u0131n\u0131rl\u0131 say\u0131da etiketli e\u011fitim verisiyle bile etkileyici performans g\u00f6sterebilme yetene\u011fine sahiptir. Bu, birka\u00e7 fakt\u00f6rden kaynaklan\u0131r:<\/p>\n * Etkili \u00d6zellik Kullan\u0131m\u0131:<\/strong> Atlama ba\u011flant\u0131lar\u0131 sayesinde hem \u00fcst d\u00fczey ba\u011flamsal hem de alt d\u00fczey uzamsal \u00f6zellikler etkin bir \u015fekilde kullan\u0131l\u0131r. U-Net, hem yerel hem de k\u00fcresel ba\u011flam\u0131 yakalayabilen g\u00fc\u00e7l\u00fc bir \u00f6zellik \u00e7\u0131kar\u0131c\u0131d\u0131r. Kodlay\u0131c\u0131 yolu, geni\u015f bir al\u0131c\u0131 alana sahip \u00fcst d\u00fczey semantik \u00f6zellikler \u00f6\u011frenirken, kod \u00e7\u00f6z\u00fcc\u00fc yolu ve atlama ba\u011flant\u0131lar\u0131 bu semantik bilgiyi y\u00fcksek \u00e7\u00f6z\u00fcn\u00fcrl\u00fckl\u00fc detaylarla birle\u015ftirerek her piksel i\u00e7in do\u011fru bir s\u0131n\u0131fland\u0131rma yapar. Bu, modelin hem nesnenin genel \u015feklini hem de ince detaylar\u0131n\u0131 anlamas\u0131na olanak tan\u0131r.<\/p>\n U-Net mimarisi, farkl\u0131 segmentasyon g\u00f6revlerine ve veri t\u00fcrlerine kolayca uyarlanabilir. Giri\u015f ve \u00e7\u0131k\u0131\u015f katmanlar\u0131ndaki de\u011fi\u015fikliklerle (\u00f6rne\u011fin, farkl\u0131 s\u0131n\u0131f say\u0131lar\u0131 i\u00e7in \u00e7\u0131k\u0131\u015f kanal\u0131n\u0131 ayarlamak), \u00e7e\u015fitli segmentasyon problemlerine uygulanabilir. Bu esneklik, onun t\u0131bbi g\u00f6r\u00fcnt\u00fclemeden otonom ara\u00e7lara kadar bir\u00e7ok alanda tercih edilmesini sa\u011flam\u0131\u015ft\u0131r.<\/p>\n U-Net’in g\u00fc\u00e7l\u00fc ve esnek mimarisi, onu \u00e7ok \u00e7e\u015fitli g\u00f6r\u00fcnt\u00fc segmentasyonu g\u00f6revleri i\u00e7in ideal bir \u00e7\u00f6z\u00fcm haline getirmi\u015ftir. \u0130\u015fte U-Net’in ba\u015fl\u0131ca uygulama alanlar\u0131ndan baz\u0131lar\u0131:<\/p>\n U-Net, ilk olarak biyomedikal g\u00f6r\u00fcnt\u00fc segmentasyonu i\u00e7in tasarlanm\u0131\u015ft\u0131r ve bu alanda ola\u011fan\u00fcst\u00fc ba\u015far\u0131lar elde etmi\u015ftir. T\u0131bbi g\u00f6r\u00fcnt\u00fclerde, do\u011fru ve otomatik segmentasyon, te\u015fhis, tedavi planlamas\u0131 ve hastal\u0131k ilerlemesinin takibi i\u00e7in hayati \u00f6neme sahiptir.<\/p>\n * T\u00fcm\u00f6r Tespiti ve Segmentasyonu:<\/strong> MR (Manyetik Rezonans), BT (Bilgisayarl\u0131 Tomografi) ve PET (Pozitron Emisyon Tomografisi) g\u00f6r\u00fcnt\u00fclerinde t\u00fcm\u00f6rlerin (beyin t\u00fcm\u00f6rleri, karaci\u011fer t\u00fcm\u00f6rleri vb.) ve lezyonlar\u0131n hassas bir \u015fekilde segmentasyonu, radyologlar\u0131n i\u015f y\u00fck\u00fcn\u00fc azalt\u0131r ve te\u015fhis do\u011frulu\u011funu art\u0131r\u0131r. Kendi kendine giden ara\u00e7lar i\u00e7in \u00e7evresel alg\u0131lama, g\u00fcvenli s\u00fcr\u00fc\u015f\u00fcn temelini olu\u015fturur. U-Net tabanl\u0131 modeller, otonom ara\u00e7lar\u0131n \u00e7evreyi piksel d\u00fczeyinde anlamas\u0131na yard\u0131mc\u0131 olur:<\/p>\n * Yol ve \u015eerit Segmentasyonu:<\/strong> Arac\u0131n bulundu\u011fu yolu ve \u015feritleri do\u011fru bir \u015fekilde alg\u0131lamak, navigasyon ve \u015ferit takip sistemleri i\u00e7in esast\u0131r. Uzaktan alg\u0131lama verileri, geni\u015f alanlar\u0131n izlenmesi ve analizi i\u00e7in kullan\u0131l\u0131r. U-Net, bu alanda da \u00f6nemli bir rol oynar:<\/p>\n * Arazi Kullan\u0131m\u0131 ve \u00d6rt\u00fcs\u00fc Haritalamas\u0131:<\/strong> Ormanl\u0131k alanlar, su k\u00fctleleri, tar\u0131m arazileri, kentsel alanlar gibi farkl\u0131 arazi tiplerinin segmentasyonu, \u00e7evresel izleme, \u015fehir planlama ve do\u011fal kaynak y\u00f6netimi i\u00e7in \u00f6nemlidir. \u00dcretim hatlar\u0131nda kalite kontrol ve hata tespiti i\u00e7in g\u00f6r\u00fcnt\u00fc segmentasyonu kullan\u0131l\u0131r:<\/p>\n * Defekt Tespiti:<\/strong> Y\u00fczeylerdeki \u00e7izikler, \u00e7atlaklar, lekeler veya di\u011fer kusurlar\u0131n otomatik olarak segmentasyonu, \u00fcr\u00fcn kalitesini art\u0131r\u0131r ve insan hatas\u0131n\u0131 azalt\u0131r. Ak\u0131ll\u0131 tar\u0131m uygulamalar\u0131nda U-Net, verimlili\u011fi art\u0131rmak ve kaynak kullan\u0131m\u0131n\u0131 optimize etmek i\u00e7in kullan\u0131labilir:<\/p>\n * Mahsul Hastal\u0131klar\u0131 ve Zararl\u0131 Tespiti:<\/strong> Bitki yapraklar\u0131ndaki hastal\u0131k belirtilerinin veya zararl\u0131lar\u0131n segmentasyonu, erken m\u00fcdahale ve verim kayb\u0131n\u0131n \u00f6nlenmesi i\u00e7in \u00f6nemlidir. Bu geni\u015f uygulama yelpazesi, U-Net’in sadece t\u0131bbi g\u00f6r\u00fcnt\u00fcleme i\u00e7in de\u011fil, genel olarak g\u00f6r\u00fcnt\u00fc segmentasyonu g\u00f6revleri i\u00e7in ne kadar g\u00fc\u00e7l\u00fc ve \u00e7ok y\u00f6nl\u00fc bir mimari oldu\u011funu g\u00f6stermektedir.<\/p>\n U-Net’in ba\u015far\u0131s\u0131, bir\u00e7ok ara\u015ft\u0131rmac\u0131y\u0131 onun temel mimarisi \u00fczerinde \u00e7e\u015fitli iyile\u015ftirmeler ve adaptasyonlar yapmaya te\u015fvik etmi\u015ftir. Bu geli\u015fmeler, farkl\u0131 veri t\u00fcrleri ve g\u00f6revler i\u00e7in daha iyi performans veya daha spesifik \u00e7\u00f6z\u00fcmler sunmay\u0131 ama\u00e7lam\u0131\u015ft\u0131r.<\/p>\n Orijinal U-Net, 2D g\u00f6r\u00fcnt\u00fcler i\u00e7in tasarlanm\u0131\u015ft\u0131r. Ancak t\u0131bbi g\u00f6r\u00fcnt\u00fcleme gibi bir\u00e7ok alanda, BT veya MR taramalar\u0131 gibi hacimsel (3D) verilerle \u00e7al\u0131\u015fmak gerekir. 3D U-Net<\/strong>, 2D evri\u015fim ve havuzlama katmanlar\u0131n\u0131 3D evri\u015fim ve havuzlama katmanlar\u0131yla de\u011fi\u015ftirerek bu ihtiyaca cevap verir. Bu, a\u011f\u0131n uzamsal bilginin yan\u0131 s\u0131ra derinlik boyutundaki bilgiyi de i\u015flemesine olanak tan\u0131r. 3D U-Net, 3D organ segmentasyonu, t\u00fcm\u00f6r hacim tespiti gibi g\u00f6revlerde y\u00fcksek do\u011fruluk sa\u011flar ancak daha fazla hesaplama kayna\u011f\u0131 ve belle\u011fe ihtiya\u00e7 duyar.<\/p>\n Attention U-Net<\/strong>, orijinal U-Net mimarisine dikkat mekanizmalar\u0131 (attention mechanisms) ekler. Bu mekanizmalar, a\u011f\u0131n daha ilgili ve \u00f6nemli b\u00f6lgelere odaklanmas\u0131n\u0131 sa\u011flar ve arka plan g\u00fcr\u00fclt\u00fcs\u00fcn\u00fc veya ilgisiz b\u00f6lgeleri bast\u0131r\u0131r. Kod \u00e7\u00f6z\u00fcc\u00fc yolundaki atlama ba\u011flant\u0131lar\u0131na entegre edilen dikkat kap\u0131lar\u0131 (attention gates), kodlay\u0131c\u0131dan gelen \u00f6zellik haritalar\u0131n\u0131n \u00f6nemini dinamik olarak ayarlayarak, modelin segmentasyon s\u0131n\u0131rlar\u0131n\u0131 daha iyi belirlemesine ve daha do\u011fru tahminler yapmas\u0131na yard\u0131mc\u0131 olur.<\/p>\n * ResUNet:<\/strong> Art\u0131k ba\u011flant\u0131lar\u0131 (residual connections) U-Net’in hem kodlay\u0131c\u0131 hem de kod \u00e7\u00f6z\u00fcc\u00fc yollar\u0131na entegre eder. ResNet mimarisinden ilham alan bu yakla\u015f\u0131m, daha derin a\u011flar\u0131n e\u011fitilmesini kolayla\u015ft\u0131r\u0131r ve performans art\u0131\u015f\u0131 sa\u011flar. V-Net<\/strong>, 3D segmentasyon i\u00e7in tasarlanm\u0131\u015f, U-Net benzeri bir mimaridir. Genellikle 3D veriler i\u00e7in kullan\u0131lan bu a\u011f, 3D evri\u015fimler ve havuzlama i\u015flemleri kullan\u0131r. Orijinal U-Net’ten farkl\u0131 olarak, V-Net’te yukar\u0131 \u00f6rnekleme i\u00e7in ters evri\u015fim yerine bir “deconvolution” katman\u0131 kullan\u0131l\u0131r ve atlama ba\u011flant\u0131lar\u0131 eklenir.<\/p>\n UNet++<\/strong>, U-Net’in atlama ba\u011flant\u0131lar\u0131n\u0131 daha da geli\u015ftirerek i\u00e7 i\u00e7e ge\u00e7mi\u015f ve yo\u011fun atlama ba\u011flant\u0131lar\u0131 ekler. Bu mimari, kodlay\u0131c\u0131 ve kod \u00e7\u00f6z\u00fcc\u00fc yollar\u0131 aras\u0131nda daha fazla ba\u011flant\u0131 kurarak, farkl\u0131 \u00f6l\u00e7eklerdeki \u00f6zelliklerin daha iyi bir \u015fekilde birle\u015ftirilmesini sa\u011flar. UNet++, \u00f6zellikle karma\u015f\u0131k ve de\u011fi\u015fken boyutlu nesnelerin segmentasyonunda daha iyi performans g\u00f6sterme potansiyeline sahiptir.<\/p>\n TransUNet<\/strong>, U-Net’in evri\u015fimsel yeteneklerini Transformer mimarisinin k\u00fcresel ba\u011flam modelleme yetenekleriyle birle\u015ftirir. Kodlay\u0131c\u0131 yolu, giri\u015f g\u00f6r\u00fcnt\u00fcs\u00fcnden yerel \u00f6zellikleri \u00e7\u0131karmak i\u00e7in bir evri\u015fimsel a\u011f kullan\u0131rken, daha sonra bu \u00f6zellikler bir Transformer kodlay\u0131c\u0131s\u0131na beslenir. Transformer, uzun menzilli ba\u011f\u0131ml\u0131l\u0131klar\u0131 yakalar. Kod \u00e7\u00f6z\u00fcc\u00fc yolu ise bu Transformer \u00e7\u0131kt\u0131s\u0131n\u0131 kullanarak segmentasyon maskesini olu\u015fturur. Bu hibrit yakla\u015f\u0131m, hem yerel detaylar\u0131 hem de k\u00fcresel ba\u011flam\u0131 dikkate alarak daha do\u011fru segmentasyon sonu\u00e7lar\u0131 elde etmeyi hedefler.<\/p>\n Bu \u00e7e\u015fitler ve geli\u015fmeler, U-Net’in temel mimarisinin ne kadar sa\u011flam ve uyarlanabilir oldu\u011funu g\u00f6stermektedir. Her biri, belirli bir zorlu\u011fun \u00fcstesinden gelmek veya belirli bir uygulama alan\u0131nda performans\u0131 art\u0131rmak i\u00e7in tasarlanm\u0131\u015ft\u0131r.<\/p>\n U-Net gibi derin \u00f6\u011frenme modellerinin etkin bir \u015fekilde e\u011fitilmesi, modelin performans\u0131n\u0131 do\u011frudan etkileyen kritik bir s\u00fcre\u00e7tir. Do\u011fru veri haz\u0131rl\u0131\u011f\u0131, kay\u0131p fonksiyonu se\u00e7imi, optimizasyon stratejileri ve de\u011ferlendirme metrikleri, ba\u015far\u0131l\u0131 bir segmentasyon modeli olu\u015fturmak i\u00e7in hayati \u00f6neme sahiptir.<\/p>\n E\u011fitim s\u00fcrecinin ilk ve en \u00f6nemli ad\u0131m\u0131, verilerin do\u011fru bir \u015fekilde haz\u0131rlanmas\u0131d\u0131r.<\/p>\n * Etiketleme (Annotation):<\/strong> Segmentasyon g\u00f6revleri i\u00e7in, her giri\u015f g\u00f6r\u00fcnt\u00fcs\u00fcn\u00fcn piksel d\u00fczeyinde do\u011fru bir segmentasyon maskesi ile etiketlenmi\u015f olmas\u0131 gerekir. Bu maskeler, her pikselin ait oldu\u011fu s\u0131n\u0131f\u0131 (\u00f6rne\u011fin, arka plan, t\u00fcm\u00f6r, organ) belirtir. Etiketleme s\u00fcreci genellikle zaman al\u0131c\u0131 ve uzmanl\u0131k gerektiren bir i\u015ftir (\u00f6zellikle t\u0131bbi g\u00f6r\u00fcnt\u00fclerde). U-Net, k\u00fc\u00e7\u00fck veri k\u00fcmeleriyle iyi \u00e7al\u0131\u015fabilse de, veri art\u0131rma teknikleri modelin genelle\u015ftirme yetene\u011fini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r ve a\u015f\u0131r\u0131 \u00f6\u011frenmeyi (overfitting) azalt\u0131r. Bu teknikler, mevcut e\u011fitim verilerinden yeni, sentetik e\u011fitim \u00f6rnekleri olu\u015fturur:<\/p>\n * Geometrik D\u00f6n\u00fc\u015f\u00fcmler:<\/strong> Kay\u0131p fonksiyonu, modelin tahminleri ile ger\u00e7ek etiketler aras\u0131ndaki fark\u0131 \u00f6l\u00e7er ve a\u011f\u0131n a\u011f\u0131rl\u0131klar\u0131n\u0131 g\u00fcncellemek i\u00e7in kullan\u0131l\u0131r. Segmentasyon g\u00f6revleri i\u00e7in birka\u00e7 yayg\u0131n kay\u0131p fonksiyonu vard\u0131r:<\/p>\n * \u0130kili \u00c7apraz Entropi (Binary Cross-Entropy – BCE Loss):<\/strong> \u0130kili segmentasyon (iki s\u0131n\u0131f) i\u00e7in kullan\u0131l\u0131r. Her pikselin hedef s\u0131n\u0131fa ait olma olas\u0131l\u0131\u011f\u0131n\u0131 tahmin eder ve bu olas\u0131l\u0131k ile ger\u00e7ek etiket aras\u0131ndaki fark\u0131 cezaland\u0131r\u0131r. S\u0131n\u0131f dengesizli\u011fi (\u00f6rne\u011fin, \u00e7ok k\u00fc\u00e7\u00fck bir nesneyi segmentlere ay\u0131rmak) durumunda zay\u0131f performans g\u00f6sterebilir. Genellikle, segmentasyon g\u00f6revlerinde Dice veya IoU kayb\u0131, \u00f6zellikle t\u0131bbi g\u00f6r\u00fcnt\u00fclerde yayg\u0131n olarak kullan\u0131l\u0131r. Bazen, BCE ve Dice kayb\u0131n\u0131n bir kombinasyonu da kullan\u0131labilir.<\/p>\n Optimizat\u00f6rler, kay\u0131p fonksiyonunu minimize etmek i\u00e7in a\u011f\u0131n a\u011f\u0131rl\u0131klar\u0131n\u0131 nas\u0131l g\u00fcncelleyece\u011fini belirler.<\/p>\n * Adam (Adaptive Moment Estimation):<\/strong> H\u0131zl\u0131 yak\u0131nsamas\u0131 ve iyi performans\u0131 nedeniyle en pop\u00fcler optimizat\u00f6rlerden biridir. Modelin performans\u0131n\u0131 de\u011ferlendirmek i\u00e7in kullan\u0131lan metrikler, kay\u0131p fonksiyonundan farkl\u0131d\u0131r ve genellikle insan yorumuna daha yak\u0131nd\u0131r.<\/p>\n * Kesi\u015fim \u00dczerinde Birle\u015fim (Intersection over Union – IoU) \/ Jaccard \u0130ndeksi:<\/strong> Tahmin edilen segment ile ger\u00e7ek segment aras\u0131ndaki \u00f6rt\u00fc\u015fmeyi \u00f6l\u00e7er. E\u011fitim s\u00fcrecinde, modelin performans\u0131n\u0131 izlemek ve a\u015f\u0131r\u0131 \u00f6\u011frenmeyi \u00f6nlemek i\u00e7in genellikle bir do\u011frulama (validation) seti kullan\u0131l\u0131r. En iyi performans g\u00f6steren model a\u011f\u0131rl\u0131klar\u0131, do\u011frulama setindeki metrikler kullan\u0131larak kaydedilir.<\/p>\n U-Net, g\u00f6r\u00fcnt\u00fc segmentasyonu alan\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7m\u0131\u015f olsa da, derin \u00f6\u011frenmenin genel zorluklar\u0131 ve bu alana \u00f6zg\u00fc baz\u0131 engeller hala mevcuttur. Gelecek ara\u015ft\u0131rmalar, bu zorluklar\u0131n \u00fcstesinden gelmeye ve U-Net tabanl\u0131 modellerin yeteneklerini daha da geni\u015fletmeye odaklanacakt\u0131r.<\/p>\n Her ne kadar U-Net, k\u00fc\u00e7\u00fck veri k\u00fcmeleriyle bile iyi performans g\u00f6sterebilse de, y\u00fcksek kaliteli, piksel d\u00fczeyinde etiketlenmi\u015f veri setlerinin olu\u015fturulmas\u0131 hala b\u00fcy\u00fck bir zorluktur. \u00d6zellikle t\u0131bbi g\u00f6r\u00fcnt\u00fclerde, bu etiketleme s\u00fcreci uzmanl\u0131k gerektirir, zaman al\u0131c\u0131d\u0131r ve maliyetlidir. Segmentasyon g\u00f6revlerinde, hedef nesne genellikle g\u00f6r\u00fcnt\u00fcn\u00fcn k\u00fc\u00e7\u00fck bir k\u0131sm\u0131n\u0131 kaplar (\u00f6rne\u011fin, bir t\u00fcm\u00f6r veya lezyon). Bu durum, pozitif piksellerin (nesne) negatif piksellere (arka plan) k\u0131yasla \u00e7ok az oldu\u011fu ciddi bir s\u0131n\u0131f dengesizli\u011fine yol a\u00e7ar. Bu, modelin arka plan\u0131 iyi \u00f6\u011frenirken, az\u0131nl\u0131k s\u0131n\u0131f\u0131 olan hedef nesneyi g\u00f6zden ka\u00e7\u0131rmas\u0131na neden olabilir. \u00d6zellikle 3D U-Net gibi daha karma\u015f\u0131k varyantlar veya y\u00fcksek \u00e7\u00f6z\u00fcn\u00fcrl\u00fckl\u00fc g\u00f6r\u00fcnt\u00fclerle \u00e7al\u0131\u015f\u0131rken, modelin e\u011fitim ve \u00e7\u0131kar\u0131m (inference) s\u00fcresi ve bellek gereksinimleri olduk\u00e7a y\u00fcksek olabilir. Bu, ger\u00e7ek zamanl\u0131 uygulamalar veya s\u0131n\u0131rl\u0131 donan\u0131m kaynaklar\u0131na sahip ortamlar i\u00e7in bir k\u0131s\u0131tlama olu\u015fturabilir. Otonom ara\u00e7lar gibi baz\u0131 uygulamalar, milisaniyeler i\u00e7inde segmentasyon sonu\u00e7lar\u0131 gerektirir. Mevcut U-Net modellerinin \u00e7o\u011fu, bu t\u00fcr ger\u00e7ek zamanl\u0131 gereksinimleri kar\u015f\u0131lamakta zorlanabilir. Derin \u00f6\u011frenme modelleri genellikle “kara kutu” olarak g\u00f6r\u00fcl\u00fcr, yani tahminlerinin arkas\u0131ndaki mant\u0131\u011f\u0131 anlamak zordur. \u00d6zellikle t\u0131bbi te\u015fhis gibi kritik uygulamalarda, modelin neden belirli bir segmentasyon karar\u0131 verdi\u011fini anlamak \u00f6nemlidir. Karma\u015f\u0131k kenarlara sahip veya \u00e7ok ince yap\u0131l\u0131 nesnelerin segmentasyonunda, U-Net bazen m\u00fckemmel hassasiyet sa\u011flayamayabilir. \u00d6zellikle d\u00fc\u015f\u00fck kontrastl\u0131 g\u00f6r\u00fcnt\u00fclerde veya nesneler birbirine \u00e7ok yak\u0131n oldu\u011funda bu sorun daha belirginle\u015fir. U-Net’in evri\u015fimsel yap\u0131s\u0131, yerel \u00f6zellikleri yakalamada g\u00fc\u00e7l\u00fcd\u00fcr. Ancak, uzun menzilli ba\u011f\u0131ml\u0131l\u0131klar\u0131 ve k\u00fcresel ba\u011flam\u0131 modellemede Transformer gibi mimariler daha ba\u015far\u0131l\u0131 olabilir. U-Net, segmentasyon alan\u0131ndaki temel ta\u015flardan biri olmaya devam edecek ve bu zorluklar\u0131n \u00fcstesinden gelmek i\u00e7in yap\u0131lan ara\u015ft\u0131rmalar, onun ve t\u00fcrevlerinin gelecekteki potansiyelini daha da geni\u015fletecektir.<\/p>\n G\u00f6r\u00fcnt\u00fc segmentasyonu, bilgisayar g\u00f6r\u00fc\u015f\u00fcn\u00fcn en zorlu ancak en \u00f6d\u00fcllendirici g\u00f6revlerinden biridir ve U-Net mimarisi, bu alanda ger\u00e7ek bir d\u00f6n\u00fcm noktas\u0131 olmu\u015ftur. 2015 y\u0131l\u0131nda tan\u0131t\u0131lmas\u0131ndan bu yana, U-Net, \u00f6zellikle biyomedikal g\u00f6r\u00fcnt\u00fcleme alan\u0131nda, s\u0131n\u0131rl\u0131 veri setleriyle bile y\u00fcksek do\u011frulukta piksel d\u00fczeyinde segmentasyon yapabilme yetene\u011fi sayesinde geni\u015f \u00e7apta benimsenmi\u015f ve say\u0131s\u0131z uygulamada ba\u015far\u0131yla kullan\u0131lm\u0131\u015ft\u0131r.<\/p>\n U-Net’in ba\u015far\u0131s\u0131n\u0131n anahtar\u0131, kodlay\u0131c\u0131-kod \u00e7\u00f6z\u00fcc\u00fc yap\u0131s\u0131n\u0131n ve atlama ba\u011flant\u0131lar\u0131n\u0131n ak\u0131ll\u0131ca entegrasyonunda yatmaktad\u0131r. Kodlay\u0131c\u0131 yolu, g\u00f6r\u00fcnt\u00fclerden ba\u011flamsal ve \u00fcst d\u00fczey semantik \u00f6zellikleri \u00e7\u0131kar\u0131rken, kod \u00e7\u00f6z\u00fcc\u00fc yolu bu \u00f6zellikleri kullanarak segmentasyon maskesini yeniden olu\u015fturur. Atlama ba\u011flant\u0131lar\u0131 ise, havuzlama i\u015flemleri s\u0131ras\u0131nda kaybolan ince taneli konum bilgisini do\u011frudan kod \u00e7\u00f6z\u00fcc\u00fcye aktararak, segmentasyon s\u0131n\u0131rlar\u0131n\u0131n hassasiyetini ve detay do\u011frulu\u011funu \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. Bu mimari, modelin hem nesnenin genel ba\u011flam\u0131n\u0131 hem de keskin kenar detaylar\u0131n\u0131 ayn\u0131 anda \u00f6\u011frenmesini sa\u011flar.<\/p>\n T\u0131bbi te\u015fhisten otonom ara\u00e7lara, uydu g\u00f6r\u00fcnt\u00fcs\u00fc analizinden end\u00fcstriyel denetime kadar geni\u015f bir uygulama yelpazesindeki ba\u015far\u0131s\u0131, U-Net’in esnekli\u011fini ve sa\u011flaml\u0131\u011f\u0131n\u0131 kan\u0131tlam\u0131\u015ft\u0131r. Ayr\u0131ca, 3D U-Net, Attention U-Net, UNet++ ve TransUNet gibi bir\u00e7ok varyant ve geli\u015fme, orijinal mimarinin farkl\u0131 ihtiya\u00e7lara ve zorluklara nas\u0131l uyarlanabilece\u011fini g\u00f6stermi\u015ftir.<\/p>\n Ancak, U-Net ve t\u00fcrevleri hala etiketli veri ihtiyac\u0131, s\u0131n\u0131f dengesizli\u011fi ve hesaplama maliyeti gibi ortak derin \u00f6\u011frenme zorluklar\u0131yla kar\u015f\u0131 kar\u015f\u0131yad\u0131r. Gelecekteki ara\u015ft\u0131rmalar, yar\u0131 denetimli \u00f6\u011frenme, daha geli\u015fmi\u015f dikkat mekanizmalar\u0131, hibrit mimariler ve model s\u0131k\u0131\u015ft\u0131rma teknikleri gibi alanlara odaklanarak bu zorluklar\u0131n \u00fcstesinden gelmeyi ve U-Net tabanl\u0131 modellerin yeteneklerini daha da geni\u015fletmeyi hedefleyecektir.<\/p>\n U-Net, sadece bir g\u00f6r\u00fcnt\u00fc segmentasyon modeli olman\u0131n \u00f6tesinde, derin \u00f6\u011frenme tabanl\u0131 segmentasyon modellerinin tasar\u0131m\u0131na ilham veren bir paradigma haline gelmi\u015ftir. Basit ama etkili tasar\u0131m\u0131, onu bu alandaki ara\u015ft\u0131rmac\u0131lar ve uygulay\u0131c\u0131lar i\u00e7in vazge\u00e7ilmez bir ara\u00e7 yapmaya devam edecektir. G\u00f6r\u00fcnt\u00fc segmentasyonu teknolojisi ilerledik\u00e7e, U-Net’in temel prensipleri ve yenilik\u00e7i yakla\u015f\u0131mlar\u0131, gelecekteki geli\u015fmelerin temelini olu\u015fturmaya devam edecektir.
\n* \u00d6rnek Segmentasyon (Instance Segmentation):<\/strong> Anlamsal segmentasyondan farkl\u0131 olarak, \u00f6rnek segmentasyon, ayn\u0131 s\u0131n\u0131fa ait olsa bile her bir nesne \u00f6rne\u011fini ayr\u0131 ayr\u0131 tan\u0131mlar. \u00d6rne\u011fin, bir g\u00f6r\u00fcnt\u00fcde birden fazla araba varsa, \u00f6rnek segmentasyon her bir arabay\u0131 ayr\u0131 bir segment olarak etiketler. Bu, nesne alg\u0131lama (object detection) ve anlamsal segmentasyonun birle\u015fimi olarak d\u00fc\u015f\u00fcn\u00fclebilir.
\n* Panoptik Segmentasyon (Panoptic Segmentation):<\/strong> Bu, anlamsal ve \u00f6rnek segmentasyonun bir kombinasyonudur. Bir g\u00f6r\u00fcnt\u00fcdeki her pikseli anlamsal bir s\u0131n\u0131fa atar ve ayn\u0131 zamanda “\u015fey” olarak adland\u0131r\u0131lan say\u0131labilir nesnelerin (arabalar, insanlar gibi) her bir \u00f6rne\u011fini ayr\u0131 ayr\u0131 segmentlere ay\u0131r\u0131r. “Dolgular” olarak adland\u0131r\u0131lan say\u0131lamayan b\u00f6lgeler (g\u00f6ky\u00fcz\u00fc, yol gibi) ise yaln\u0131zca anlamsal olarak segmentlere ayr\u0131l\u0131r.<\/p>\nU-Net Mimarisi: Temel Yap\u0131 ve Bile\u015fenler<\/h3>\n
Genel Bak\u0131\u015f: Kodlay\u0131c\u0131-Kod \u00c7\u00f6z\u00fcc\u00fc Yap\u0131s\u0131<\/h4>\n
\n2. Geni\u015fletme Yolu (Expanding Path) \/ Kod \u00c7\u00f6z\u00fcc\u00fc:<\/strong> Bu b\u00f6l\u00fcm, s\u0131k\u0131\u015ft\u0131rma yolundan \u00e7\u0131kar\u0131lan \u00f6zellikleri kullanarak segmentasyon maskesini yeniden olu\u015fturur. Yukar\u0131 \u00f6rnekleme (up-sampling) ve evri\u015fim katmanlar\u0131 ile g\u00f6r\u00fcnt\u00fcn\u00fcn boyutu orijinal boyutuna geri d\u00f6nd\u00fcr\u00fcl\u00fcr.<\/p>\nKodlay\u0131c\u0131 (S\u0131k\u0131\u015ft\u0131rma Yolu)<\/h4>\n
\n* 2×2 Maksimum Havuzlama (Max Pooling) Katman\u0131:<\/strong> Stride de\u011feri 2 olan bu havuzlama i\u015flemi, \u00f6zellik haritas\u0131n\u0131n boyutunu (geni\u015flik ve y\u00fckseklik) yar\u0131ya indirir. Bu, a\u011f\u0131n daha geni\u015f bir alandan bilgi toplamas\u0131na (geni\u015f al\u0131c\u0131 alan – large receptive field) ve hesaplama maliyetini d\u00fc\u015f\u00fcrmesine yard\u0131mc\u0131 olur. Ayn\u0131 zamanda, piksellerin konum bilgisinde hafif bir belirsizlik yarat\u0131r, bu da a\u011f\u0131n daha soyut \u00f6zellikler \u00f6\u011frenmesini sa\u011flar.<\/p>\nKod \u00c7\u00f6z\u00fcc\u00fc (Geni\u015fletme Yolu)<\/h4>\n
\n* Atlama Ba\u011flant\u0131s\u0131 (Skip Connection):<\/strong> Yukar\u0131 \u00f6rneklenmi\u015f \u00f6zellik haritas\u0131, s\u0131k\u0131\u015ft\u0131rma yolunun kar\u015f\u0131l\u0131k gelen a\u015famas\u0131ndan (ayn\u0131 boyutta olan) k\u0131rp\u0131lm\u0131\u015f \u00f6zellik haritas\u0131 ile birle\u015ftirilir (genellikle kanal boyutunda birle\u015ftirme – concatenation). Bu, U-Net’in en kritik \u00f6zelli\u011fidir. S\u0131k\u0131\u015ft\u0131rma yolu, derinlemesine ba\u011flamsal bilgi sa\u011flarken, havuzlama i\u015flemleri s\u0131ras\u0131nda konum bilgilerinin bir k\u0131sm\u0131n\u0131 kaybeder. Atlama ba\u011flant\u0131lar\u0131, bu kaybolan ince taneli konum bilgisini (daha y\u00fcksek \u00e7\u00f6z\u00fcn\u00fcrl\u00fckl\u00fc \u00f6zellikler) kod \u00e7\u00f6z\u00fcc\u00fc yoluna do\u011frudan aktararak, segmentasyon maskesinin kenar detaylar\u0131n\u0131 ve hassasiyetini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r.
\n* \u0130ki adet 3×3 Evri\u015fim Katman\u0131:<\/strong> Birle\u015ftirilmi\u015f \u00f6zellik haritas\u0131 \u00fczerinde iki adet 3×3 evri\u015fim katman\u0131 uygulan\u0131r (ReLU aktivasyonu ile). Bu evri\u015fimler, birle\u015ftirilmi\u015f \u00f6zelliklerden daha rafine ve do\u011fru bir segmentasyon tahmini yapmak i\u00e7in \u00f6\u011frenir. Her a\u015famada, \u00f6zellik haritalar\u0131n\u0131n kanal say\u0131s\u0131 yar\u0131ya indirilir (\u00f6rne\u011fin, 1024’ten 512’ye, 512’den 256’ya).<\/p>\n\u00c7\u0131k\u0131\u015f Katman\u0131<\/h4>\n
U-Net’in Avantajlar\u0131 ve Neden Ba\u015far\u0131l\u0131?<\/h3>\n
Atlama Ba\u011flant\u0131lar\u0131 (Skip Connections)<\/h4>\n
\n* Gradyan Ak\u0131\u015f\u0131n\u0131n \u0130yile\u015ftirilmesi:<\/strong> Derin a\u011flarda, gradyanlar geriye do\u011fru yay\u0131l\u0131rken zay\u0131flayabilir (vanishing gradient problemi). Atlama ba\u011flant\u0131lar\u0131, gradyanlar\u0131n a\u011f\u0131n daha derin katmanlar\u0131na daha do\u011frudan akmas\u0131na olanak tan\u0131yarak bu problemi hafifletir ve a\u011f\u0131n daha verimli bir \u015fekilde e\u011fitilmesini sa\u011flar.<\/p>\nK\u00fc\u00e7\u00fck Veri K\u00fcmeleriyle \u00c7al\u0131\u015fabilme<\/h4>\n
\n* Veri Art\u0131rma (Data Augmentation):<\/strong> U-Net’in orijinal makalesinde, veri art\u0131rma tekniklerinin (d\u00f6nme, \u00e7evirme, elastik deformasyonlar vb.) k\u00fc\u00e7\u00fck veri k\u00fcmelerinden en iyi \u015fekilde yararlanmak i\u00e7in nas\u0131l kullan\u0131ld\u0131\u011f\u0131 vurgulanm\u0131\u015ft\u0131r. Bu teknikler, modelin genelle\u015ftirme yetene\u011fini art\u0131r\u0131r.
\n* Piksel D\u00fczeyinde \u00d6\u011frenme:<\/strong> Her piksel i\u00e7in bir tahmin yap\u0131ld\u0131\u011f\u0131 i\u00e7in, tek bir g\u00f6r\u00fcnt\u00fcden bile \u00e7ok say\u0131da e\u011fitim \u00f6rne\u011fi (piksel) elde edilir.<\/p>\nVerimli \u00d6zellik \u00d6\u011frenimi<\/h4>\n
Esneklik ve Geni\u015f Uygulama Alan\u0131<\/h4>\n
U-Net’in Uygulama Alanlar\u0131<\/h3>\n
T\u0131bbi G\u00f6r\u00fcnt\u00fcleme<\/h4>\n
\n* Organ Segmentasyonu:<\/strong> Kalp, akci\u011fer, b\u00f6brek, karaci\u011fer gibi organlar\u0131n 2D veya 3D g\u00f6r\u00fcnt\u00fclerde otomatik olarak segmentasyonu, cerrahi planlama ve hacimsel analizler i\u00e7in kritik \u00f6neme sahiptir.
\n* H\u00fccre Segmentasyonu:<\/strong> Mikroskobik g\u00f6r\u00fcnt\u00fclerde h\u00fccre \u00e7ekirdekleri, sitoplazma veya belirli h\u00fccre alt\u0131 yap\u0131lar\u0131n segmentasyonu, biyolojik ara\u015ft\u0131rmalarda nicel analizler yapmak i\u00e7in kullan\u0131l\u0131r.
\n* Damar Segmentasyonu:<\/strong> Retina, beyin veya di\u011fer organlardaki kan damarlar\u0131n\u0131n segmentasyonu, damar hastal\u0131klar\u0131n\u0131n te\u015fhisi ve takibi i\u00e7in \u00f6nemlidir.
\n* Hastal\u0131k Belirte\u00e7lerinin Segmentasyonu:<\/strong> Multipl Skleroz lezyonlar\u0131, diyabetik retinopati belirtileri veya akci\u011fer nod\u00fclleri gibi hastal\u0131k belirte\u00e7lerinin otomatik olarak segmentasyonu, erken te\u015fhis ve tedaviye yard\u0131mc\u0131 olur.<\/p>\nOtonom Ara\u00e7lar<\/h4>\n
\n* Yaya, Ara\u00e7 ve Bisikletli Tespiti:<\/strong> Potansiyel engelleri ve di\u011fer yol kullan\u0131c\u0131lar\u0131n\u0131 hassas bir \u015fekilde segmentlere ay\u0131rmak, \u00e7arp\u0131\u015fmalar\u0131 \u00f6nlemek i\u00e7in kritik \u00f6neme sahiptir.
\n* Trafik \u0130\u015faretleri ve I\u015f\u0131klar\u0131 Segmentasyonu:<\/strong> Trafik kurallar\u0131na uymak i\u00e7in i\u015faret ve \u0131\u015f\u0131klar\u0131n do\u011fru bir \u015fekilde tan\u0131nmas\u0131 gerekir.<\/p>\nUydu ve Hava G\u00f6r\u00fcnt\u00fcleri Analizi<\/h4>\n
\n* Bina ve Yol A\u011f\u0131 Tespiti:<\/strong> Uydu g\u00f6r\u00fcnt\u00fclerinden bina ayak izlerinin ve yol a\u011flar\u0131n\u0131n otomatik olarak \u00e7\u0131kar\u0131lmas\u0131, haritalama ve altyap\u0131 planlamas\u0131 i\u00e7in kullan\u0131l\u0131r.
\n* Afet Y\u00f6netimi:<\/strong> Sel, deprem veya yang\u0131n sonras\u0131 hasar tespiti ve etkilenen b\u00f6lgelerin haritalanmas\u0131.<\/p>\nEnd\u00fcstriyel Denetim<\/h4>\n
\n* Par\u00e7a Ay\u0131rma ve Montaj:<\/strong> Robotik sistemlerin par\u00e7alar\u0131 tan\u0131mas\u0131 ve do\u011fru yerlere yerle\u015ftirmesi i\u00e7in nesne segmentasyonu.<\/p>\nTar\u0131m<\/h4>\n
\n* Yabani Ot Tespiti:<\/strong> Yabani otlar\u0131n mahsullerden ay\u0131rt edilmesi, hassas ila\u00e7lama veya mekanik ot m\u00fccadelesi i\u00e7in kullan\u0131l\u0131r.
\n* Meyve ve Sebze Say\u0131m\u0131\/Segmentasyonu:<\/strong> Hasat \u00f6ncesi \u00fcr\u00fcn miktar\u0131n\u0131n tahmini veya robotik hasat sistemlerinde hedef tespiti.<\/p>\nU-Net’in \u00c7e\u015fitleri ve Geli\u015fmeleri<\/h3>\n
3D U-Net<\/h4>\n
Attention U-Net<\/h4>\n
ResUNet ve R2U-Net<\/h4>\n
\n* R2U-Net (Recurrent Residual U-Net):<\/strong> Hem art\u0131k ba\u011flant\u0131lar\u0131 hem de yinelemeli evri\u015fimleri (recurrent convolutions) birle\u015ftirir. Yinelemeli evri\u015fimler, a\u011f\u0131n daha uzun s\u00fcreli ba\u011f\u0131ml\u0131l\u0131klar\u0131 yakalamas\u0131na ve daha zengin \u00f6zellik temsilleri \u00f6\u011frenmesine yard\u0131mc\u0131 olabilir. \u00d6zellikle sekans halindeki g\u00f6r\u00fcnt\u00fclerde veya daha karma\u015f\u0131k desenlerde etkili olabilir.<\/p>\nV-Net<\/h4>\n
UNet++<\/h4>\n
TransUNet<\/h4>\n
U-Net E\u011fitimi ve Optimizasyonu<\/h3>\n
Veri Haz\u0131rl\u0131\u011f\u0131<\/h4>\n
\n* \u00d6n \u0130\u015fleme (Preprocessing):<\/strong>
\n * Yeniden Boyutland\u0131rma (Resizing):<\/strong> T\u00fcm g\u00f6r\u00fcnt\u00fcler, a\u011f\u0131n giri\u015f katman\u0131na uygun boyuta getirilir.
\n * Normalizasyon (Normalization):<\/strong> Piksel de\u011ferleri genellikle 0-1 aral\u0131\u011f\u0131na veya ortalama 0 ve standart sapma 1 olacak \u015fekilde normalize edilir. Bu, a\u011f\u0131n daha h\u0131zl\u0131 ve kararl\u0131 bir \u015fekilde yak\u0131nsamas\u0131na yard\u0131mc\u0131 olur.
\n * G\u00fcr\u00fclt\u00fc Azaltma (Noise Reduction):<\/strong> Gerekirse, g\u00f6r\u00fcnt\u00fclerdeki g\u00fcr\u00fclt\u00fcy\u00fc azaltmak i\u00e7in filtreler uygulanabilir.<\/p>\nVeri Art\u0131rma (Data Augmentation)<\/h4>\n
\n * D\u00f6nd\u00fcrme (Rotation)
\n * Yans\u0131tma (Flipping – yatay\/dikey)
\n * \u00d6l\u00e7ekleme (Scaling)
\n * Kayd\u0131rma (Translation)
\n * Elastik Deformasyonlar (Elastic Deformations): \u00d6zellikle t\u0131bbi g\u00f6r\u00fcnt\u00fclerde h\u00fccrelerin veya dokular\u0131n do\u011fal deformasyonlar\u0131n\u0131 sim\u00fcle etmek i\u00e7in kullan\u0131l\u0131r ve U-Net’in orijinal makalesinde vurgulanm\u0131\u015ft\u0131r.
\n* Yo\u011funluk D\u00f6n\u00fc\u015f\u00fcmleri:<\/strong>
\n * Parlakl\u0131k\/Kontrast De\u011fi\u015fimi
\n * G\u00fcr\u00fclt\u00fc Ekleme (Gaussian noise, Salt-and-pepper noise)<\/p>\nKay\u0131p Fonksiyonlar\u0131 (Loss Functions)<\/h4>\n
\n* Kategorik \u00c7apraz Entropi (Categorical Cross-Entropy Loss):<\/strong> \u00c7ok s\u0131n\u0131fl\u0131 segmentasyon i\u00e7in kullan\u0131l\u0131r. Her pikselin her s\u0131n\u0131f i\u00e7in olas\u0131l\u0131k da\u011f\u0131l\u0131m\u0131n\u0131 tahmin eder.
\n* Dice Katsay\u0131s\u0131 Kayb\u0131 (Dice Loss):<\/strong> \u0130ki set aras\u0131ndaki \u00f6rt\u00fc\u015fmeyi \u00f6l\u00e7en Dice katsay\u0131s\u0131na dayan\u0131r. \u00d6zellikle s\u0131n\u0131f dengesizli\u011fi olan veri k\u00fcmelerinde BCE’den daha iyi performans g\u00f6sterir, \u00e7\u00fcnk\u00fc az\u0131nl\u0131k s\u0131n\u0131flar\u0131na daha fazla a\u011f\u0131rl\u0131k verir. Form\u00fcl\u00fc genellikle 1 - Dice Katsay\u0131s\u0131<\/code> \u015feklindedir.
\n* Jaccard \u0130ndeksi Kayb\u0131 (IoU Loss):<\/strong> Kesi\u015fim \u00fczerinde birle\u015fim (Intersection over Union – IoU) olarak da bilinir. Dice kayb\u0131na benzer \u015fekilde, iki b\u00f6lge aras\u0131ndaki \u00f6rt\u00fc\u015fmeyi \u00f6l\u00e7er ve s\u0131n\u0131f dengesizli\u011fine kar\u015f\u0131 diren\u00e7lidir. Form\u00fcl\u00fc genellikle 1 - IoU<\/code> \u015feklindedir.
\n* Focal Loss:<\/strong> S\u0131n\u0131f dengesizli\u011fi sorununu daha da etkin bir \u015fekilde ele almak i\u00e7in tasarlanm\u0131\u015ft\u0131r. Kolay s\u0131n\u0131fland\u0131r\u0131lan \u00f6rneklerin kay\u0131p katk\u0131s\u0131n\u0131 azalt\u0131rken, zor ve yanl\u0131\u015f s\u0131n\u0131fland\u0131r\u0131lan \u00f6rneklerin kay\u0131p katk\u0131s\u0131n\u0131 art\u0131r\u0131r.<\/p>\nOptimizat\u00f6rler<\/h4>\n
\n* SGD (Stochastic Gradient Descent):<\/strong> \u00d6\u011frenme oran\u0131 zamanla azalan bir SGD optimizat\u00f6r\u00fc de iyi sonu\u00e7lar verebilir, ancak genellikle daha fazla hiperparametre ayar\u0131 gerektirir.
\n* RMSprop, Adagrad:<\/strong> Di\u011fer adaptif \u00f6\u011frenme oran\u0131 optimizat\u00f6rleri de kullan\u0131labilir.<\/p>\nMetrikler<\/h4>\n
(Kesim Alan\u0131) \/ (Birle\u015fim Alan\u0131)<\/code> olarak hesaplan\u0131r ve 0 ile 1 aras\u0131nda bir de\u011fer al\u0131r (1 m\u00fckemmel \u00f6rt\u00fc\u015fmeyi g\u00f6sterir).
\n Dice Katsay\u0131s\u0131 (Dice Coefficient):<\/strong> IoU’ya benzer ancak farkl\u0131 bir form\u00fclle hesaplan\u0131r: (2 <\/em> Kesim Alan\u0131) \/ (Tahmin Edilen Alan + Ger\u00e7ek Alan)<\/code>. Genellikle IoU’ya g\u00f6re daha y\u00fcksek de\u011ferler verir ve t\u0131bbi g\u00f6r\u00fcnt\u00fclemede yayg\u0131n olarak kullan\u0131l\u0131r.
\n* Hassasiyet (Precision):<\/strong> Modelin pozitif olarak tahmin etti\u011fi piksellerden ka\u00e7 tanesinin ger\u00e7ekten pozitif oldu\u011funu g\u00f6sterir. (Do\u011fru Pozitifler) \/ (Do\u011fru Pozitifler + Yanl\u0131\u015f Pozitifler)<\/code>.
\n* Duyarl\u0131l\u0131k (Recall) \/ Hassasiyet (Sensitivity):<\/strong> Ger\u00e7ekten pozitif olan piksellerden ka\u00e7 tanesinin model taraf\u0131ndan do\u011fru bir \u015fekilde tespit edildi\u011fini g\u00f6sterir. (Do\u011fru Pozitifler) \/ (Do\u011fru Pozitifler + Yanl\u0131\u015f Negatifler)<\/code>.
\n* F1 Skoru:<\/strong> Hassasiyet ve duyarl\u0131l\u0131\u011f\u0131n harmonik ortalamas\u0131d\u0131r ve bu iki metrik aras\u0131nda bir denge sa\u011flar.<\/p>\nZorluklar ve Gelecek Perspektifleri<\/h3>\n
Etiketli Veri \u0130htiyac\u0131<\/h4>\n
\n* Gelecek Perspektifi:<\/strong> Yar\u0131 denetimli \u00f6\u011frenme (semi-supervised learning), kendi kendine denetimli \u00f6\u011frenme (self-supervised learning) ve aktif \u00f6\u011frenme (active learning) gibi yakla\u015f\u0131mlar, daha az etiketli veri ile modellerin e\u011fitilmesine olanak tan\u0131yarak bu sorunu hafifletebilir. Sentetik veri \u00fcretimi de bir ba\u015fka \u00e7\u00f6z\u00fcm olabilir.<\/p>\nS\u0131n\u0131f Dengesizli\u011fi<\/h4>\n
\n* Gelecek Perspektifi:<\/strong> Dice Loss, Focal Loss gibi \u00f6zel kay\u0131p fonksiyonlar\u0131 bu sorunu \u00e7\u00f6zmek i\u00e7in geli\u015ftirilmi\u015ftir. Ayr\u0131ca, veri art\u0131rma stratejileri ve \u00f6rnekleme teknikleri (undersampling\/oversampling) de bu dengesizli\u011fi gidermede kullan\u0131lmaktad\u0131r.<\/p>\nHesaplama Maliyeti<\/h4>\n
\n* Gelecek Perspektifi:<\/strong> Model s\u0131k\u0131\u015ft\u0131rma (model compression), budama (pruning), niceleme (quantization) ve bilgi dam\u0131tma (knowledge distillation) gibi teknikler, daha k\u00fc\u00e7\u00fck ve daha verimli modeller olu\u015fturarak bu maliyeti azaltabilir. Daha optimize edilmi\u015f mimariler ve donan\u0131m h\u0131zland\u0131r\u0131c\u0131lar da \u00e7\u00f6z\u00fcm\u00fcn bir par\u00e7as\u0131 olacakt\u0131r.<\/p>\nGer\u00e7ek Zamanl\u0131 Uygulamalar<\/h4>\n
\n* Gelecek Perspektifi:<\/strong> Daha hafif ve verimli U-Net varyantlar\u0131 (\u00f6rne\u011fin, MobileNet veya ShuffleNet gibi hafif evri\u015fimsel katmanlar\u0131 kullananlar) geli\u015ftirilmektedir. Donan\u0131m h\u0131zland\u0131rma ve paralel i\u015fleme de bu alanda kritik rol oynayacakt\u0131r.<\/p>\nA\u00e7\u0131klanabilirlik (Explainability)<\/h4>\n
\n* Gelecek Perspektifi:<\/strong> A\u00e7\u0131klanabilir yapay zeka (Explainable AI – XAI) teknikleri (\u00f6rne\u011fin, Grad-CAM, LIME) U-Net modellerine uygulanarak, modelin hangi b\u00f6lgelere odakland\u0131\u011f\u0131n\u0131 veya hangi \u00f6zelliklere dayanarak tahmin yapt\u0131\u011f\u0131n\u0131 g\u00f6rselle\u015ftirmek m\u00fcmk\u00fcn olabilir.<\/p>\nS\u0131n\u0131r ve Detay Hassasiyeti<\/h4>\n
\n* Gelecek Perspektifi:<\/strong> Geli\u015fmi\u015f dikkat mekanizmalar\u0131, s\u0131n\u0131r odakl\u0131 kay\u0131p fonksiyonlar\u0131 ve daha sofistike atlama ba\u011flant\u0131lar\u0131 (UNet++ gibi), kenar ve detay hassasiyetini art\u0131rmaya devam edecektir. Transformer tabanl\u0131 modellerin entegrasyonu da bu alanda umut vaat etmektedir.<\/p>\nHibrit Modeller<\/h4>\n
\n* Gelecek Perspektifi:<\/strong> Evri\u015fimsel sinir a\u011flar\u0131 ile Transformer’lar\u0131 birle\u015ftiren hibrit modeller (TransUNet gibi), hem yerel detaylar\u0131 hem de k\u00fcresel ba\u011flam\u0131 etkin bir \u015fekilde kullanarak segmentasyon performans\u0131n\u0131 daha da art\u0131racakt\u0131r.<\/p>\nSonu\u00e7<\/h3>\n
\n<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"U-Net Mimarisi ile G\u00f6r\u00fcnt\u00fc Segmentasyonu\nGiri\u015f\nG\u00f6r\u00fcnt\u00fc i\u015fleme ve bilgisayar g\u00f6r\u00fc\u015f\u00fc alan\u0131nda, g\u00f6rsel verilerden anlaml\u0131 bilgiler \u00e7\u0131k","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-34922","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n