Yazılım mühendisliği bazen sadece satırlardan ibaret bir kod yığını değil, bilimin sınırlarını zorlayan bir keşif aracıdır. Bu çalışma; TÜBİTAK destekli bir Ar-Ge projesi kapsamında, yüksek şiddetli gürültüye maruz kalan deney hayvanlarının davranışsal analizini gerçekleştirdiğimiz teknik süreci ele alıyor.
Proje dahilinde temel odak noktam; laboratuvar ortamındaki farelerin karmaşık hareketlerini milimetrik hassasiyetle takip edebilecek dijital bir iskelet modeli inşa etmekti. Bir mühendis adayı olarak bu süreçte; ham veriyi anlamlı bir biyomekanik analize dönüştürmenin ve yapay zekayı bilimsel bir metodolojiyle harmanlamanın ne kadar kritik olduğunu bizzat deneyimleme şansı buldum.
🏗️ Mimari Kararlar: Neden YOLOv8-Pose?
Projenin teknik temelinde, hız ve doğruluk dengesini en üst seviyede tutan YOLOv8-pose mimarisi yer alıyor. Geleneksel 'Top-Down' yaklaşımların aksine YOLOv8'in tek bir ileri besleme ile çalışması, gerçek zamanlı analiz sürecimizde bize büyük bir hız kazandırdı.
Bu süreçte Transfer Learning yöntemini, projenin en stratejik hamlelerinden biri olarak benimsedik. Modelin, milyonlarca insan figürü üzerinde kazandığı yetenekleri bizim fare veri setimize transfer etme sürecini yönetmek, haftalar sürecek eğitim zamanını saatlere indirirken doğruluk oranını %99'un üzerine çıkarmamıza olanak sağladı.
🧠 Veri Mühendisliği ve "Occlusion" Paradoksu
Bir yapay zeka modelinin başarısı, beslendiği verinin kalitesiyle doğrudan orantılıdır. CVAT platformu üzerinden yürüttüğümüz etiketleme sürecinde, farenin anatomik yapısını temsil eden 16 kritik anahtar noktayı titizlikle belirledik.
Ancak veri setindeki en büyük teknik zorluk; farenin kendi üzerine kıvrıldığı anlarda ayaklarının vücut altında kalması, yani Occlusion (Kapanma) problemiydi. Bu noktada geliştirdiğimiz mühendislik yaklaşımı, görünmeyen noktaları occluded="1" etiketiyle işaretleyerek modele; 'şu an burada bir ayak var ama göremiyoruz, anatomik bilgine güven' mesajını vermek oldu. Bu süreç bana, bir modeli eğitmenin sadece ona veri göstermek değil, ona bir 'bakış açısı' kazandırmak olduğunu bizzat deneyimletti.
💻 Teknik Altyapı: YAML Konfigürasyonu
Modelin fare iskelet yapısına adaptasyonu için hazırladığımız YAML konfigürasyon dosyası, aslında projenin genetik kodunu oluşturuyor. Bu teknik altyapıyı kurarken, sadece parametreleri girmekle kalmayıp her bir değerin iskelet üzerindeki karşılığını titizlikle kurguladık.
Özellikle simetri yönetimi için yapılandırdığımız flip_idx parametresi, bu sürecin en kritik ayarlarından biriydi. Veri artırma sırasında sağ ve sol uzuvların birbirine karışmasını engelleyen bu hassas haritalama, modelin simetriyi bir mühendislik disipliniyle algılamasına olanak tanıdı. Bu detaylı konfigürasyon, karmaşık biyolojik hareketlerin yazılımsal bir düzen içinde işlenmesini sağlayan o görünmez mimariyi temsil ediyor.
# YOLOv8 Mouse Pose Estimation Configuration
nc: 1 # Sınıf Sayısı (Sadece fare)
kpt_shape: [16, 3] # [Nokta Sayısı, Boyut (x, y, görünürlük)]
# Flip Index (Simetri Haritası)
# Augmentation sırasında sağ-sol ayakların doğru eşleşmesi için:
flip_idx: [0, 2, 1, 3, 4, 5, 7, 6, 9, 10, 12, 11, 13, 14, 16, 15]
🚀 Performans ve Eğitim Sonuçları
Eğitim sürecinde, modelin gerçek performansını ölçmek adına iki farklı senaryo üzerinden testler gerçekleştirdik. Senaryo 1'de modelin kendi doğrulama verileriyle 'sentetik' bir başarı ölçümü yaparken; Senaryo 2'de bizzat bizim tarafımızdan manuel olarak etiketlenen gerçek verileri kullanarak modelin sınırlarını zorladık.
| Senaryo | mAP50 Skoru | mAP50-95 Skoru |
|---|---|---|
| Senaryo 1 (Doğrulama Verisi) | 0.9950 | 0.9950 |
| Senaryo 2 (Grup Etiketleri) | 0.9947 | 0.9947 |
Elde ettiğimiz sonuçlar, derin öğrenme literatüründe 'mükemmele yakın' kabul edilen değerlere ulaştı. Özellikle 0.9950 mAP skoru; modelin test setindeki 16 anahtar noktanın tamamını, insan gözünün ayırt edemeyeceği bir hassasiyetle tespit edebildiğini kanıtlıyor. Bu tablo benim için; titizlikle yürüttüğümüz manuel etiketleme emeği ile YOLOv8'in mimari gücünün kusursuz birleşimi anlamına geliyor.
🔭 Piksellerin Ötesinde: Neyi Hedefledim?
Bu çalışma benim için sadece bir fare iskeletini dijitalleştirmekten ibaret değildi; biyoloji ve yapay zekanın kesişimindeki o devasa potansiyeli bizzat deneyimlemekti. Terminalde milimetrik sapmalarla doğru poz tahminini gördüğüm o an, verinin aslında nasıl bir 'canlılık' kazandığını fark ettim. Bugün elde ettiğim 2D veriler belki küçük bir adım, ama yarının 3 boyutlu kinematik analiz sistemleri için kurduğum bu temel, bana mühendisliğin sadece kod yazmak değil, bir keşif aracı olduğunu bir kez daha hatırlattı.