Sentetik Veri Üretimi & Computer Vision
Ar-Ge · Sentetik Veri Pipeline'ıDemiryolu Anomali Tespiti İçin Fiziksel-Doğru Sentetik Eğitim Verisi
Fiziksel-doğru compositing · 8 anomali sınıfı · otomatik YOLO etiketleme
Python · Google Colab GPU · SDXL · BiRefNet · YOLOv8-seg
01Problem
Problem: Black-Swan Engel Verisi Sahada Toplanamaz
Tren önü kamerasıyla rayda engel tespiti yapan bir modelin eğitilmesi için, rayların üzerinde taş, ağaç dalı, çuval, hayvan gibi nesnelerin bulunduğu görüntülere ihtiyaç vardır. Ancak bu "black-swan" olaylar gerçek hayatta nadir, tehlikeli ve toplanması pahalıdır — bir trenin önüne kasıtlı engel koyup veri çekmek mümkün değildir. Sonuç: pozitif örnek kıtlığı ve ağır sınıf dengesizliği.
- 01Gerçek ray-üstü engel görüntüsü neredeyse yok — model nadir ama kritik olayı hiç görmeden eğitiliyor
- 02Manuel etiketleme kare kare yapılıyor; binlerce kare için maliyet ve hata oranı yüksek
- 03Naif kopyala-yapıştır kompozitler fiziksel olarak yanlış (yanlış ölçek, asılı duran nesne, ışık uyumsuzluğu) — model sahte ipuçlarını öğreniyor
- 04Sınıf dağılımı doğal olarak dengesiz; bazı anomali türleri hiç temsil edilmiyor
- 05Tek karelik kompozitler videoya genellenmiyor — ardışık karelerde kimlik/pozisyon zıplıyor
02Pipeline Bağlamı
03Neden Naif Yaklaşımlar Yetersiz?
- 01Saha toplama mümkün değil: engeli kasıtlı yaratmak tehlikeli ve yasal değil — pozitif sınıf doğal yolla büyütülemiyor
- 02Ölçek tutarsızlığı: rayın perspektifteki konumu bilinmeden yerleştirilen nesne fiziksel olarak yanlış boyutta görünüyor
- 03Geometri ihlali: zemin temas noktası ve oklüzyon hesaplanmazsa nesne havada asılı duruyor — domain gap büyüyor
- 04Işık/renk uyumsuzluğu: kaynak asset ile sahne tonu eşleşmediğinde model nesneyi arka plandan renk farkıyla ayırmayı öğreniyor (kestirme öğrenme)
- 05Zamansal tutarsızlık: kareler bağımsız üretilirse video boyunca nesne kimliği ve konumu zıplıyor, tracker eğitimi bozuluyor
04Pipeline Nasıl Çalışıyor
Tren önü videosundan CLIP embedding + kümeleme ile çeşitliliği yüksek temsilî kareler seçildi
→ Tekrarlı karelerle şişmeden, sahne çeşitliliği yüksek bir taban kare havuzu
YOLOv8-seg modeliyle (ray_alan.pt) ray ve balast koridoru segmentlendi; başarısızlıkta vanishing-point + Hough fallback
→ Nesnenin nereye konacağı geometrik olarak biliniyor — rastgele değil ray koridoruna kilitli
Anomali asset'leri SDXL ile üretilip BiRefNet ile matte'lendi; otomatik QC tek-obje, kenar-temas ve pHash/CLIP dedup uyguladı
→ Temiz, şeffaf, tekrarsız asset kütüphanesi; çoklu-nesne ve kopya artıkları elenir
Yerleştirme ölçeği standart ray açıklığından (1.435 m) türetildi; sınıf-koşullu yerleşim bölgesi + poz öncülleri uygulandı
→ Nesne perspektife uygun, fiziksel-doğru boyutta ve sınıfa makul konumda duruyor
Harmanlamada zemin teması gölgesi, Reinhard renk eşleme, mesafe-bazlı blur ve sensör gürültüsü eklendi
→ Nesne sahneye oturuyor; renk/ışık kestirme ipuçları azaltılarak domain gap düşürülüyor
Etiket, dönüşüm sonrası görünür alpha'dan otomatik üretildi; on-rail QC ve görünürlük eşiğiyle filtrelendi
→ Sıfır-dokunuş YOLO etiketi; ray dışına düşen veya görünmeyen örnekler otomatik reddedilir
Video seviyesinde sabit track-id, KLT optical-flow anchor ve EMA temporal smoothing eklendi
→ Klip boyunca tek kimlik, raya kilitli ve jitter'sız — kare-tutarlı (temporally consistent) çıktı
05Yetenek Karşılaştırması (Naif Temel → Pipeline)
06Neden Değerli
Bu pipeline, sahada toplanması imkânsız olan kritik engel senaryolarını sentetik ve otomatik etiketli olarak üretebilir hale getirir. Otonom demiryolu güvenliği (ODS) için engel tespit modellerinin eğitiminde pozitif örnek kıtlığını ve sınıf dengesizliğini ortadan kaldırmayı hedefler.
- 01Tehlikeli/pahalı saha toplama olmadan, istenen anomali sınıflarında sınırsız ve dengeli veri
- 02Manuel etiketleme maliyeti sıfıra yakın — etiketler dönüşümden otomatik türetilir
- 03Fiziksel-doğru yerleştirme ve harmanlama ile sim-to-real domain gap'i bilinçli olarak küçültülür
- 04Görüntü ve kare-tutarlı video çıktısı: hem dedektör hem tracker eğitimi için kullanılabilir
- 05Modüler config bayrakları (depth, diffusion refine, z-buffer oklüzyon) ile ileride kademeli güçlendirme
Sentetik Veri Üretimi & Computer Vision ihtiyacınızı kendi platformunuzda değerlendirmek için gömülü sistem mimari denetimi planlayabilir ya da sistem gereksinim hesaplayıcısı ile platform sınıfınızı belirleyebilirsiniz.
Metodoloji & Kapsam Notu
- Bu bir Ar-Ge / yetenek çalışmasıdır; teslim edilmiş bir müşteri kazanımı veya saha-doğrulanmış metrik değildir.
- Yukarıdaki sayılar pipeline yetenek tanımlayıcılarıdır (sınıf sayısı, gauge ölçeği, otomasyon) — uydurulmuş doğruluk/fps metriği içermez.
- Ölçek referansı olarak uluslararası standart ray açıklığı 1.435 m kullanılır.
- Sim-to-real başarımı, gerçek anomali test seti üzerinde ayrı bir doğrulama gerektirir ve devam etmektedir.
- Ağır inference (SDXL, segmentasyon, video) GPU üzerinde (Google Colab) yürütülür.
Kendi domaininiz için sentetik, otomatik-etiketli veri seti mi gerekiyor?
Ücretsiz teknik değerlendirme ile sisteminizdeki gecikme ve deterministik kontrol sorunlarını birlikte inceleyelim.
* Ar-Ge / yetenek vakası. Black-swan engel verisi sahada güvenli toplanamadığı için sentetik üretilir. Buradaki değerler pipeline yetenek tanımlayıcılarıdır; saha-doğrulanmış doğruluk metriği değildir. Sim-to-real doğrulaması sürmektedir.