Ultralytics YOLO11'in anchorsız bir dedektör olmasının avantajları

Görsel yapay zekâ modellerinin geçmişine göz attığımızda, görüntü veya videodaki nesneleri tanımlayıp konumlandırmayı içeren temel bilgisayarlı görü görevlerinden biri olan nesne tespiti kavramının 1960'lardan beri var olduğunu görürüz. Günümüzde önem taşımasının nedeni, nesne tespiti tekniklerinin ve model mimarilerinin o zamandan bu yana büyük ölçüde gelişmiş olmasıdır.

Önceki bir makalede nesne tespitinin gelişimini ve Ultralytics YOLO modellerine giden yolu ele almıştık. Bugün bu yolculuktaki daha özel bir dönüm noktasını inceleyeceğiz: anchor tabanlı dedektörlerden anchor-free dedektörlere geçiş.

Çapaya dayalı algılayıcılar, bir görüntüdeki nesnelerin konumunu tahmin etmek için önceden tanımlanmış ve "çapa" adı verilen kutulara dayanır. Buna karşılık, çapasız algılayıcılar bu önceden tanımlanmış kutuları kullanmaz; bunun yerine nesnelerin konumlarını doğrudan tahmin eder.

Bu değişim basit ve mantıklı bir düzenleme gibi görünse de nesne tespitinin doğruluğunda ve verimliliğinde büyük iyileşmeler sağladı. Bu makalede Ultralytics YOLO11 gibi gelişmelerin anchor-free dedektörlerle bilgisayarlı görüyü nasıl yeniden şekillendirdiğini inceleyeceğiz.

Anchor tabanlı dedektörler nedir?#

Anchor tabanlı dedektörler, görüntüdeki nesnelerin konumunu belirlemeye yardımcı olması için anchor olarak bilinen önceden tanımlanmış kutuları kullanır. Bu anchor'ları görüntünün üzerine yerleştirilmiş, farklı boyut ve şekillerdeki kutulardan oluşan bir ızgara gibi düşünebilirsin. Model daha sonra bu kutuları tespit ettiği nesnelere uyacak şekilde ayarlar. Örneğin model bir araba belirlerse anchor kutusunu arabanın konumuna ve boyutuna daha iyi uyacak şekilde değiştirir.

Her anchor, görüntüdeki olası bir nesneyle ilişkilendirilir ve eğitim sırasında model, anchor kutularını nesnenin konumu, boyutu ve en-boy oranıyla daha iyi eşleşecek şekilde ayarlamayı öğrenir. Bu, modelin farklı ölçek ve yönlerdeki nesneleri tespit etmesini sağlar. Ancak doğru anchor kutusu kümesini seçmek zaman alabilir ve bu kutulara ince ayar yapmak hatalara yol açabilir.

Şekil 1. Anchor kutusu nedir?

YOLOv4 gibi anchor tabanlı dedektörler birçok uygulamada başarılı olsa da bazı dezavantajları vardır. Örneğin anchor kutuları farklı şekil ve boyutlardaki nesnelerle her zaman iyi hizalanmaz; bu da modelin küçük veya düzensiz şekilli nesneleri tespit etmesini zorlaştırır. Anchor kutularının boyutlarını seçme ve ince ayar yapma süreci de zaman alabilir ve yoğun biçimde manuel çalışma gerektirir. Bunun yanı sıra anchor tabanlı modeller, önceden tanımlanmış kutular bu karmaşık senaryolara iyi uyum sağlayamadığından, çoğu zaman örtülmüş veya üst üste binen nesneleri tespit etmekte zorlanır.

Anchor-free nesne tespitine geçiş#

Anchor-free dedektörler, 2018'de CornerNet ve CenterNet gibi modellerle ilgi görmeye başladı. Bu modeller, önceden tanımlanmış anchor kutularına duyulan gereksinimi ortadan kaldırarak nesne tespitine yeni bir yaklaşım getirdi. Nesnelerin konumunu tahmin etmek için farklı boyut ve şekillerdeki anchor kutularına dayanan geleneksel modellerin aksine, anchor-free modeller nesnelerin konumlarını doğrudan tahmin eder. Nesnenin merkezi gibi temel noktalarına veya özelliklerine odaklanmaları tespit sürecini basitleştirir, hızlandırır ve doğruluğu artırır.

Anchor-free modeller genellikle şöyle çalışır:

• Anahtar nokta algılama: Bazı modeller önceden tanımlanmış kutuları kullanmak yerine bir nesnenin merkezi veya belirli köşeleri gibi önemli noktaları tanımlar. Bu anahtar noktalar, modellerin nesnenin konumunu ve boyutunu belirlemesine yardımcı olur.
• Merkez tahmini: Bazı modeller bir nesnenin merkezini tahmin etmeye odaklanır. Merkez bulunduğunda model, nesnenin tamamının boyutunu ve konumunu buradan tahmin edebilir.
• Isı haritası regresyonu: Çapasız modellerin çoğu, her pikselin bir nesnenin olası konumunu temsil ettiği ısı haritalarını kullanır. Isı haritasındaki daha yüksek değerler, o noktada bir nesne bulunma olasılığının daha yüksek olduğunu gösterir.

Şekil 2. Anchor tabanlı tespit ve anchor-free tespit.

Anchor-free modeller anchor kutularına dayanmadığından daha basit bir tasarıma sahiptir. Bu da onları hesaplama açısından daha verimli kılar. Birden fazla anchor kutusunu işlemek zorunda olmadıkları için nesneleri daha hızlı tespit edebilirler; bu, otonom sürüş ve video gözetimi gibi gerçek zamanlı uygulamalarda önemli bir avantajdır.

Çapasız modeller küçük, düzensiz veya kısmen örtülmüş nesneleri ele alma konusunda da çok daha başarılıdır. Çapa kutularına uydurmaya çalışmak yerine anahtar noktaları algılamaya odaklandıkları için çok daha esnektirler. Bu sayede çapa tabanlı modellerin başarısız olabileceği karmaşık veya kalabalık ortamlardaki nesneleri doğru biçimde algılayabilirler.

Ultralytics YOLO11: Anchor-free bir dedektör#

Başlangıçta hız ve verimlilik için tasarlanan YOLO modelleri, zamanla anchor tabanlı yöntemlerden anchor-free tespite yöneldi. Bu geçiş, Ultralytics YOLO11 gibi modelleri daha hızlı, esnek ve çok çeşitli gerçek zamanlı uygulamalara daha uygun hâle getirdi.

Farklı YOLO sürümlerinde anchor-free tasarımın nasıl geliştiğine kısaca bakalım:

• Ultralytics YOLOv5u: YOLOv8'de ilk kez sunulan çapasız, bölünmüş Ultralytics başlığını benimsedi ve önceden tanımlanmış çapa kutularına duyulan ihtiyacı ortadan kaldırdı. Model, görüntüdeki nesnelerin konumlarını doğrudan tahmin ederek süreci basitleştirir, esnekliği ve hızı artırır.
• YOLOv6: Anchor-Aided Training (AAT) adı verilen yeni bir yöntem kullanıldı ve anchor'lar yalnızca eğitim sırasında kullanıldı. Böylece model, eğitim sırasında anchor tabanlı yöntemlerin yapısından yararlanırken çalışma zamanında daha yüksek hız ve uyarlanabilirlik için anchor-free tespit kullanabildi.
• Ultralytics YOLOv8: Anchor-Free Split Ultralytics Head'i kullanarak tamamen anchor-free tespite geçti. Bu, modeli özellikle anchor kutularına iyi uymayan küçük veya alışılmadık biçimli nesneler için daha hızlı ve doğru hâle getirdi.
• Ultralytics YOLO11: YOLOv8'in çapasız tasarımını korurken omurgayı ve boynu iyileştirir. Böylece hayvan davranışlarını izleme ve perakende analitiği gibi gerçek zamanlı uygulamalarda daha hızlı ve doğru algılama sağlar.

Şekil 3. Ultralytics YOLOv8 ve Ultralytics YOLO11 karşılaştırması.

Ultralytics YOLO11'in gerçek dünyadaki uygulamaları#

Ultralytics YOLO11 kullanarak bağlantısız tespit yapmanın avantajlarına harika bir örnek otonom araçlardır. Otonom araçlarda yayaların, diğer araçların ve engellerin hızlı ve doğru biçimde tespit edilmesi güvenlik açısından kritik önem taşır. YOLO11'in bağlantısız yaklaşımı, önceden tanımlanmış anchor kutularına güvenmek yerine bir yayanın merkezi veya başka bir aracın sınırları gibi nesnelerin kilit noktalarını doğrudan tahmin ederek tespit sürecini basitleştirir.

Şekil 4. Ultralytics YOLO11'de bağlantısız tespitin avantajları (Görsel: Yazar).

Ultralytics YOLO11'in her nesne için anchor ızgarasını ayarlaması veya nesneye uydurması gerekmez; bu işlem hesaplama açısından maliyetli ve yavaş olabilir. Bunun yerine model, temel özelliklere odaklanarak daha hızlı ve verimli çalışır. Örneğin bir yaya aracın güzergâhına adım attığında YOLO11, kişi kısmen gizlenmiş veya hareket hâlinde olsa bile kilit noktaları belirleyerek kişinin konumunu hızla tespit edebilir. Anchor kutuları olmadan farklı şekil ve boyutlara uyum sağlama becerisi, YOLO11'in nesneleri daha güvenilir ve daha yüksek hızlarda tespit etmesini sağlar; bu da otonom sürüş sistemlerinde gerçek zamanlı karar verme açısından hayati önem taşır.

Ultralytics YOLO11'in bağlantısız yeteneklerinin öne çıktığı diğer uygulamalar şunlardır:

• Perakende ve envanter yönetimi: Ultralytics YOLO11, ürünler üst üste dizilmiş veya kısmen kapanmış olsa bile raflardaki ürünleri izlemeyi kolaylaştırır. Bu sayede envanter daha hızlı ve doğru biçimde takip edilir, hatalar azalır.
• Tıbbi görüntüleme: YOLO11, tıbbi taramalardaki tümörleri veya diğer anormallikleri tespit edebildiği sağlık hizmetlerinde de etkilidir. Düzensiz şekilli nesnelerle çalışabilmesi, karmaşık hastalıkların teşhisinde doğruluğu artırmaya yardımcı olur.
• Yaban hayatı izleme: Yaban hayatı araştırmalarında Ultralytics YOLO11, yoğun ormanlarda veya zorlu arazilerde hayvanları takip ederek araştırmacıların davranışları izlemesine ya da nesli tükenmekte olan türleri korumasına yardımcı olabilir.
• Spor analitiği: Ultralytics YOLO11, spor etkinlikleri sırasında oyuncuları, topun hareketlerini veya diğer unsurları gerçek zamanlı takip ederek takımlara, antrenörlere ve yayıncılara değerli içgörüler sağlamak için kullanılabilir.

Bağlantısız modellerle çalışırken göz önünde bulundurulması gerekenler#

Ultralytics YOLO11 gibi bağlantısız modeller pek çok avantaj sunsa da bazı sınırlamaları vardır. Dikkate alınması gereken başlıca pratik noktalardan biri, bağlantısız modellerin bile örtülmelerde veya yoğun biçimde üst üste binen nesnelerde zorlanabilmesidir. Bunun nedeni, bilgisayarlı görü alanının insan görüşünü taklit etmeyi amaçlamasıdır; örtülmüş nesneleri tanımakta bazen zorlandığımız gibi yapay zekâ modelleri de benzer zorluklarla karşılaşabilir.

Bir diğer ilginç nokta, model tahminlerinin işlenmesiyle ilgilidir. Çapasız modellerin mimarisi çapa tabanlı modellere göre daha basit olsa da bazı durumlarda ek iyileştirmeler gerekebilir. Örneğin, örtüşen tahminleri temizlemek veya kalabalık sahnelerde doğruluğu artırmak için maksimum olmayan değerlerin bastırılması (NMS) gibi son işlem teknikleri gerekebilir. Ultralytics YOLO26 gibi daha yeni modeller, uçtan uca ve NMS gerektirmeyen bir tasarımla bu adımı ortadan kaldırır.

Ultralytics YOLO11 ile yapay zekânın geleceğine sağlam bir adım atın#

Anchor tabanlı tespitten bağlantısız tespite geçiş, nesne tespitinde önemli bir ilerleme oldu. Ultralytics YOLO11 gibi bağlantısız modeller süreci basitleştirerek hem doğrulukta hem de hızda iyileşme sağlıyor.

Ultralytics YOLO11 sayesinde, hızlı ve hassas tespitin kritik önem taşıdığı otonom araçlar, video gözetimi ve tıbbi görüntüleme gibi gerçek zamanlı uygulamalarda bağlantısız nesne tespitinin ne kadar başarılı olduğunu gördük. Bu yaklaşım, YOLO11'in farklı nesne boyutlarına ve karmaşık sahnelere daha kolay uyum sağlamasına ve çeşitli ortamlarda daha iyi performans sunmasına olanak tanıyor.

Bilgisayarlı görü gelişmeye devam ettikçe nesne tespiti daha hızlı, esnek ve verimli hâle gelecek.

Yapay zekâyla ilgili her konuda güncel kalmak için GitHub depomuza göz at ve etkileşimli topluluğumuza katıl. Görsel yapay zekânın üretim ve tarım gibi sektörleri nasıl etkilediğini keşfet.