<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Murat Öter on Medium]]></title>
        <description><![CDATA[Stories by Murat Öter on Medium]]></description>
        <link>https://medium.com/@muratotr?source=rss-c087cd1d4ef1------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/2*TVNnuekWgCGl3r1vJlAfJw.jpeg</url>
            <title>Stories by Murat Öter on Medium</title>
            <link>https://medium.com/@muratotr?source=rss-c087cd1d4ef1------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 00:37:31 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@muratotr/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Detectron2 — Custom dataset kullanarak image segmantation işlemini gerçekleştiren model eğitimi]]></title>
            <link>https://medium.com/@muratotr/detectron2-custom-dataset-kullanarak-image-segmantation-i%C5%9Flemini-ger%C3%A7ekle%C5%9Ftiren-model-e%C4%9Fitimi-676b54bb069?source=rss-c087cd1d4ef1------2</link>
            <guid isPermaLink="false">https://medium.com/p/676b54bb069</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[detectron2]]></category>
            <category><![CDATA[annotation-tools]]></category>
            <category><![CDATA[pytorch]]></category>
            <category><![CDATA[colab]]></category>
            <dc:creator><![CDATA[Murat Öter]]></dc:creator>
            <pubDate>Fri, 16 Jul 2021 22:17:20 GMT</pubDate>
            <atom:updated>2021-07-17T23:57:24.572Z</atom:updated>
            <content:encoded><![CDATA[<h3>Detectron2 — Custom dataset kullanarak image segmantation işlemini gerçekleştiren model eğitimi</h3><p>Detectron2 Facebook tarafından açık kaynak hale getirilmiş object detection ve segmantation gibi yapay zeka algoritmalarını içeren bir kütüphanedir. Gücünü de PyTorch’tan almaktadır.</p><p>Bizim ele alacağımız algoritma segmantation olacak. Segmantation, girdilerdeki farklı objeleri gruplamak için kullanılır. Örneğin bir görsel girdisinde köpekler ve kediler olsun. Burada bu iki hayvanı sınıflandırıp gruplandırma işlemi yapılabilir.</p><p>Problemimizi tanımlayalım; Görsel girdisindeki arabaları gruplayıp maskelendirmek istiyoruz.</p><p>Problem çözümü için izlenecek adımlarını tanımlayalım;</p><ol><li>Model eğitmek için kullanılacak görsellerin seçilmesi (flickr.com kullanılacak)</li><li>Bir image annotator toolu belirlenip, model eğitim aşamasına dataset hazır hale getirilecek. (<a href="https://superannotate.com/">superannotate.com</a> sitesi kullanılacak)</li><li>Detectron2 kullanarak dataseti yükleyip model eğitimi işlemi başlatılacak.</li><li>Sonuçlar</li></ol><h3><strong>Dataset Görsellerin Seçilmesi</strong></h3><p>Model eğitimi için kullanılacak görselleri belirleyelim. <a href="https://www.flickr.com/">Flickr.com</a> sitesinden araba görsellerini indiriyorum. Yaklaşık 50 kadar araba görseli indirdim. (Güzel sonuçlar için datasetteki görsellerin bundan çok daha fazla olması lazım ancak örneklendirme açısından yeterli olacaktır.)</p><h3><strong>Image Annotator Tool’u SuperAnnotate.com</strong></h3><p>Bu site yardımıyla indirdiğimiz görsellerde arabaları işaretleyip segmantation algoritmasının anlayacağı bir çıktı elde edeceğiz.</p><p><strong>SuperAnnotate.com kullanımı;</strong></p><p>İlk olarak proje oluşturuyoruz. İsmine “Cars” verdim ve annotation type ı pixel olarak değiştirdim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/317/1*ot3L-TTpJ6LCgqHXuyPniQ.png" /></figure><p>Sonraki aşama olarak “car” isminde yeni bir class oluşturuyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ElXu7mqDK1eEOYMJSYc5Sg.png" /></figure><p>Oluşturduğum projeye indirdiğim 50 görseli yükledim. Görsellerin tümünü seçerek üst menüden “Run Smart Segmantation” butonuna tıkladım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/760/1*s59T54HyS3F0uXvcH6Sbtg.png" /></figure><p>Model name i de Generic olarak seçtim. Bu işlem bize arabaları kolay şekilde seçilmesini ve sınıfın atanmasını sağlayacak. Bu işlem biraz zaman alabilir. Ardından görsellere tıkladığımızda bizi editör ekranına yönlendirecek ve burada artık görseldeki hangi pixellerin arabalara ait olduğunu seçip class ını tanımlayacağız. Sol taraftaki toollar arasında <em>Number of Segments</em> menüsünden görseli kaç parçaya ayırmak istediğimizi seçebiliriz. Örneğin bu görsel için 150&#39;yi seçtiğimde kolay bir şekilde arabanın olduğu pixelleri seçebiliyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/855/1*49G_Dqlb_MwcdzK_A1rG-A.png" /></figure><p>Seçim işlemi yapıp Space klavye tuşuna basıp class ını atayalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gONNRv9WJS8DdUejS9UgBg.png" /></figure><p>İlk görselin işlemlerini bitirdikten sonra sol üstteki Complete butonuna basalım ve bu işlemleri diğer görsellere de yapalım. Görsellerin listelendiği ekrana geri döndüğümüzde hepsinin status’u done olarak gözükecektir.</p><p>Artık dataset hazır. Bu dataseti indirip detectron2 de kullanabiliriz. Bunun için üst menüden download’a tıklanır. “Prepare for download” butonuna tıkladıktan COCO formatı seçiyoruz. Task type ı Instance Segmantation olarak düzenledikten sonra Prepare butonuyla görsellerde seçilen pixellerin koordinatlarını bize veren json dosyasının hazır hale gelmesini bekleyelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/563/1*SLQLntugkXGJAZatpnAi8Q.png" /></figure><p>Hazır halen json dosyasını indirip incelediğimizde yüklediğimiz dosya adları ve seçtiğimiz araba pixellerin koordinatlarını gösteren bilgileri içerdiğini göreceğiz.</p><p>Datasetimiz hazır hale geldiğine göre artık detecron2 kullanımı ve model eğitimi aşamalarına geçebiliriz. Model eğitimi için Google’ın bize python kodlarını çalıştırabildiğimiz ve gpu sağlayadığı alt yapı olan Colab’ı kullanarak işletim sistemi sorunları ve gpu sorunlarını aşıp işlemlerimizi yürüteceğiz. Dataseti de Google Drive a yükleyerek Colab üzerinden erişime açmış olacağız. Başlayalım;</p><h3>Detectron2 ile Model Eğitimi</h3><p><strong>Colab’ın ve Google Drive Hazırlığı</strong></p><p><a href="https://colab.research.google.com/"><strong>Colab</strong></a> adresine gidip Yeni Not Defteri oluşturalım. İsmini CarImageSegmantation.ipynb olarak değiştiriyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/392/1*UTThbMkwN5kkhpRE47Wakw.png" /></figure><p>Üst menüden Dosya &gt; Drive’da Bul seçeneğiyle drive da nereye kaydedilmiş olduğuna bakalım. Gördüğünüz gibi Drive’a Colab Notebooks isminde klasör açıp orada oluşturmuş.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/452/1*dB-_N4Z84Nwwig_DWjMJvw.png" /></figure><p>Bu ipynb dosyasını kendi oluşturacağım klasöre taşıyacağım. Bunun için CarImageSegmantation.ipynb dosyasına sağ tıkladığımızda Şuraya Taşı diyerek istediğim yere CarImageSegmantation isminde klasörü oluşturup içerisine taşıyorum. Eski colab dosyasını kapatıp, CarImageSegmantation klasöre gidiyorum. Benim 50 adet görselimi ve SuperAnnotate sitesinde oluşturduğum json dosyasını da buraya yüklemem gerekiyor. Bunun için dataset isminde klasör oluşturuyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/405/1*D6GEnshbJOn6R-C2xHN1tA.png" /></figure><p>Dataset klasörü altına json dosyasını yüklüyorum ve images adlı klasör daha oluşturup bu klasöre de 50 görselimi yüklüyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/486/1*jrR6jLzanMKysGDN7HYSNQ.png" /></figure><p>Artık ipynb notebook dosyasına dönebiliriz. Çift tıklayarak Colab’la açılmasını sağlayalım. Örnek python kodu yazıp test edelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/258/1*yFw-LY2kZxxZSBwM_fGFCA.png" /></figure><p>Model eğitimi için gpu kullanacağımız için Düzenle &gt; Not Defteri Ayarları menüsünden Gpu u seçmemiz gerekmektedir.</p><p>Colab’ın drive daki dosyalarımıza erişimi yetkilendirme yapmamız gerekmektedir. Aşağıdaki kodu çalıştıralım. (Detaylı anlatım için <a href="https://medium.com/deep-learning-turkiye/google-colab-ile-%C3%BCcretsiz-gpu-kullan%C4%B1m%C4%B1-30fdb7dd822e">bu adrese</a> gidebilirsiniz.)</p><pre>!apt-get install -y -qq software-properties-common python-software-properties module-init-tools<br>!add-apt-repository -y ppa:alessandro-strada/ppa 2&gt;&amp;1 &gt; /dev/null<br>!apt-get update -qq 2&gt;&amp;1 &gt; /dev/null<br>!apt-get -y install -qq google-drive-ocamlfuse fuse<br>from google.colab import auth<br>auth.authenticate_user()<br>from oauth2client.client import GoogleCredentials<br>creds = GoogleCredentials.get_application_default()<br>import getpass<br>!google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret} &lt; /dev/null 2&gt;&amp;1 | grep URL<br>vcode = getpass.getpass()<br>!echo {vcode} | google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret}</pre><p>Bize link üretecek ve linke tıklayıp oluşturulan kodu bu input alanına kopyalayıp enter tuşuna basalım. Tekrardan bir input alanı daha çıkabilir yine o linki kullanarak yeni oluşturulmuş kodu input alanına yapıştırın enter a basın.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/521/1*FOIkxbA1L6FdO_bWI8dZrg.png" /></figure><p>Bu erişim, json dosyası, görsellerin okunması ve eğitilmiş modelin drive a kaydedilmesi için gerekli işlemdi. Devamında şu aşamaları takip edip colab ve drive ile yapacağımız adımları bitirelim. Aşağıdaki kodu çalıştıralım.</p><pre>!mkdir -p drive<br>!google-drive-ocamlfuse drive</pre><p>Ve Drive’da hangi klasörde işlemlerimizi yürüteceğimizi belirtelim.</p><pre>import sys<br>sys.path.insert(0, &#39;drive/CarImageSegmantation/&#39;)</pre><p><strong>Detectron2 Kullanımı</strong></p><p>Detectron2 ve kullanılan bazı bağımlılıklarını colab a yükleyelim.</p><pre>!pip install pyyaml==5.1<br>!gcc --version<br>!python3 -m pip install &#39;git+<a href="https://github.com/facebookresearch/detectron2.git">https://github.com/facebookresearch/detectron2.git</a>&#39;</pre><p>Import larımızı ekleyelim.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/11f11e73933d056bdf49b2b80f6c6993/href">https://medium.com/media/11f11e73933d056bdf49b2b80f6c6993/href</a></iframe><p>Training işlemine geçmeden önce Detecron2&#39;nin örnek bir görsel üzerinden doğru sonuçlar verip vermediğini test etmek istiyorum. İlk olarak drive test görseli ekliyorum. Ve o görselin colab üzerinden göstermesini sağlıyorum.</p><pre>from google.colab import drive<br>im = cv2.imread(&quot;drive/CarImageSegmantation/input.jpg&quot;)<br>cv2_imshow(im)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/620/1*eSSym8bDdg4mgrZs4fcp5w.png" /></figure><p>Sonuç, drive a erişimimizde sorun yok. Bir de detectron2 nin içerisinde hali hazırda eğitilmiş olan instance segmantation modelini kullanarak segmantation işlemini yapmasını sağlayalım. Bunu <em>DefaultPredictor</em> fonksiyonuyla yapabiliriz.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/65cacd85bb102bae6c4e489128c7882e/href">https://medium.com/media/65cacd85bb102bae6c4e489128c7882e/href</a></iframe><p>Yukarıdaki kodu çalıştırdıktan sonra pre-trained modelin görsel üzerinde bulduğu objelerin sonuçlarına bakalım. Aşağıdaki kodu çalıştıralım.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/57a06f06f685a1d84ac498bac919e81e/href">https://medium.com/media/57a06f06f685a1d84ac498bac919e81e/href</a></iframe><p>Çıktı;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/737/1*i6ZizsBTRGvWkvZdXawEsA.png" /></figure><p>Görüldüğü gibi Detectron2 içerisinde pre-tranined model güzel sonuçlar veriyor. Gelelim bizim dataset için gerekli olan düzenlemelere. İlk olarak jsondaki bilgileri okuyabilecek bir fonksiyon yazmamız gerekmektedir.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/4fefebf07ad52948f1bec17ca34de25f/href">https://medium.com/media/4fefebf07ad52948f1bec17ca34de25f/href</a></iframe><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/57ab593cdad4105e9f9bf3a1af41c157/href">https://medium.com/media/57ab593cdad4105e9f9bf3a1af41c157/href</a></iframe><p>Burada dikkat edilmesi gereken kısım thing_classes property sine uygun class isimlerin yazılması. Benim tek classım vardı; “car” .</p><p>Şimdi datasetimizi doğru şekilde yükleyebilmiş miyiz test edelim.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/98edde1d6196e5de02612a92e2431f49/href">https://medium.com/media/98edde1d6196e5de02612a92e2431f49/href</a></iframe><p>Çıktı;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/338/1*x0-iiaVVLE6UTkqgueR28A.png" /></figure><p>Model eğitimi için her şey hazır gözüküyor. O zaman train kodunu çalıştıralım. (10–20 dk arası sürebilir.)</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/af1406d2056bd8e1638c554a9d29d942/href">https://medium.com/media/af1406d2056bd8e1638c554a9d29d942/href</a></iframe><p>Burada yapılabilecek degişiklikler iterasyon sayısı (<em>MAX_ITER</em>) veya datasette tanımladığımız class sayısı (<em>NUM_CLASSES</em>) olabilir. İterasyon sayısını datasetteki görsel sayısına göre değiştirebilirsiniz. 50 görsel ve 1000 iterasyon ilk aşama için yeterli sonuçlar verecektir.</p><p>Train işlemi bittikten sonra Drive klasörünü incelediğimizde model_final.pth isminde modeli oluşturduğunu göreceksiniz. Modelin path’ini confıg için tanımlayalım.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/c8465a7acfb320329241c0a382743c9b/href">https://medium.com/media/c8465a7acfb320329241c0a382743c9b/href</a></iframe><p>Artık modeli kullanıp sonuçları görebiliriz. Drive da dataset klasörün altına validation isminde klasör oluşturup test için kullanacağım birkaç görseli yükledim. Kodu çalıştıralım ve sonuçları görelim..</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/4b0fa1f4cfd556dfb91d8806e82ef3a1/href">https://medium.com/media/4b0fa1f4cfd556dfb91d8806e82ef3a1/href</a></iframe><p>Sonuç</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/328/1*8xdIK2ZOfEnbj90FedzqeA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/390/1*8dLilDQwYtRsOWYvfeRkxA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/421/1*rlDYonKdOHHa9Hoiow9Tqg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/417/1*cs1ryAxU1goDsw46B5MUyw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/414/1*SlogDJhEkUMyYYbYWcanXQ.png" /></figure><p>Sonuçlar güzel gözüküyor :) Datasetteki görsel sayısı ve iterasyonu arttırdıkça daha güzel sonuçlar elde edilebilir.</p><p>Tüm bu aşamaları takip edilerek hazırladığınız datasetleri, detectron2&#39;nin pre-trained modelleri üzerinden instance segmantation ve semantic segmantation işlemlerini yürüten modelinizi hazır hale getirebilirsiniz. Umarım faydalı bir içerik olmuştur.</p><p>Dataset ve jupyter notebook dosyasına <a href="https://github.com/Muratoter/CarImageSegmantation">github</a> hesabımdan erişebilebilirsiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=676b54bb069" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>