[{"data":1,"prerenderedAt":157},["ShallowReactive",2],{"glossary-tr-instance-segmentation":3},{"id":4,"title":5,"body":6,"description":143,"extension":144,"meta":145,"navigation":152,"path":153,"seo":154,"stem":155,"__hash__":156},"sozluk\u002Fsozluk\u002Finstance-segmentation.md","Instance Segmentation (Örnek Segmentasyonu) Nedir?",{"type":7,"value":8,"toc":133},"minimark",[9,14,28,33,88,92,99,103,125],[10,11,13],"h2",{"id":12},"instance-segmentation-nedir","Instance Segmentation Nedir?",[15,16,17,21,22,27],"p",{},[18,19,20],"strong",{},"Instance segmentation",", görüntüdeki her nesneyi ayrı ayrı bulup her birinin sınırını piksel düzeyinde çıkaran ",[23,24,26],"a",{"href":25},"\u002Fsozluk\u002Fbilgisayarli-goru","bilgisayarlı görü"," görevidir.",[29,30,32],"h3",{"id":31},"üç-yaklaşımın-farkı","Üç Yaklaşımın Farkı",[34,35,36,52],"table",{},[37,38,39],"thead",{},[40,41,42,46,49],"tr",{},[43,44,45],"th",{},"Görev",[43,47,48],{},"Çıktı",[43,50,51],{},"Zayıf yanı",[53,54,55,67,78],"tbody",{},[40,56,57,61,64],{},[58,59,60],"td",{},"Nesne tespiti",[58,62,63],{},"Her nesne için bir kutu",[58,65,66],{},"Kutu, nesnenin dışındaki pikselleri de içerir",[40,68,69,72,75],{},[58,70,71],{},"Semantik segmentasyon",[58,73,74],{},"Her piksel için bir sınıf",[58,76,77],{},"Birbirine değen iki nesneyi ayıramaz",[40,79,80,82,85],{},[58,81,20],{},[58,83,84],{},"Her nesne için ayrı piksel maskesi",[58,86,87],{},"Etiketlemesi en pahalı olanı",[29,89,91],{"id":90},"ne-zaman-gerekir","Ne Zaman Gerekir?",[15,93,94,95,98],{},"Nesneyi saymak ",[18,96,97],{},"ve"," her birinin içini ölçmek gerektiğinde. Örneğin drone görüntüsünde her ağacın tacını ayrı bulup taç içindeki NDVI'ı hesaplamak. Kutu kullanılsaydı ağaç arasındaki toprak ve çim ölçümü bozardı.",[29,100,102],{"id":101},"yaygın-modeller","Yaygın Modeller",[104,105,106,113,119],"ul",{},[107,108,109,112],"li",{},[18,110,111],{},"YOLOv8-seg \u002F YOLO11-seg",": Hızlı, tek aşamalı; sahada gerçek zamanlıya yakın çalışır.",[107,114,115,118],{},[18,116,117],{},"Mask R-CNN",": İki aşamalı, daha yavaş ama küçük nesnelerde güçlü.",[107,120,121,124],{},[18,122,123],{},"SAM (Segment Anything)",": Sıfır örnekle maske çıkarır; çoğu zaman etiketlemeyi hızlandırmak için kullanılır.",[15,126,127,128,132],{},"Uygulamalı bir örnek için ",[23,129,131],{"href":130},"\u002Fblog\u002Fceviz-agaci-tac-tespiti-yolov8-seg-model-egitimi","Ceviz Ağacı Taç Tespiti"," yazımıza bakabilirsiniz.",{"title":134,"searchDepth":135,"depth":135,"links":136},"",2,[137],{"id":12,"depth":135,"text":13,"children":138},[139,141,142],{"id":31,"depth":140,"text":32},3,{"id":90,"depth":140,"text":91},{"id":101,"depth":140,"text":102},"Nesne tespiti, semantik segmentasyon ve örnek segmentasyonu arasındaki fark; hangi problemde hangisi seçilmeli.","md",{"tags":146},[147,148,149,150,151],"Bilgisayarlı Görü","Derin Öğrenme","Segmentasyon","YOLO","Industrial AI",true,"\u002Fsozluk\u002Finstance-segmentation",{"title":5,"description":143},"sozluk\u002Finstance-segmentation","4HD69M103LXZLUic5apMf32EVqQi5ljQtxw3qi9gyvs",1793268821376]