Ultralytics YOLO11’in anchorsız bir dedektör olmasının avantajları

Vision AI modellerinin geçmişine dönüp baktığımızda, bir görüntü veya video içindeki nesneleri tanımlayıp konumlandırmayı içeren temel bir bilgisayarlı görü görevi olan nesne tespitinin 1960’lardan beri var olduğunu görürüz. Ancak günümüzde en ileri yenilikler açısından önemli olmasının temel nedeni, nesne tespit tekniklerinin ve model mimarilerinin o zamandan beri gelişip hızla iyileşmiş olmasıdır.

Önceki bir makalede nesne tespitinin evrimini ve Ultralytics YOLO modellerine uzanan yolu ele almıştık. Bugün bu yolculuktaki daha özel bir dönüm noktasını inceleyeceğiz: anchor tabanlı dedektörlerden anchorsız dedektörlere geçiş.

Anchor tabanlı dedektörler, bir görüntüde nesnelerin nerede olduğunu tahmin etmek için "anchor" adı verilen önceden tanımlanmış kutulara dayanır. Buna karşılık anchorsız dedektörler bu önceden tanımlanmış kutuları kullanmaz ve bunun yerine nesnelerin konumlarını doğrudan tahmin eder.

Bu değişim basit ve mantıklı bir değişiklik gibi görünse de nesne tespit doğruluğunda ve verimliliğinde önemli iyileşmeler sağladı. Bu makalede, anchorsız dedektörlerin Ultralytics YOLO11 gibi gelişmelerle bilgisayarlı görüyü nasıl yeniden şekillendirdiğini anlayacağız.

Anchor tabanlı dedektörler nedir?#

Anchor tabanlı dedektörler, bir görüntüdeki nesneleri konumlandırmaya yardımcı olmak 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 tanımlarsa, arabanın konumuna ve boyutuna daha doğru uyacak şekilde anchor kutusunu değiştirir.

Her anchor, görüntüdeki olası bir nesneyle ilişkilidir ve eğitim sırasında model, nesnenin konumuna, boyutuna ve en-boy oranına daha iyi uymaları için anchor kutularını nasıl ayarlayacağını 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 açık olabilir.

Şekil 1. Anchor Kutusu Nedir?

YOLOv4 gibi anchor tabanlı dedektörler birçok uygulamada iyi sonuç vermiş olsa da bazı dezavantajlara sahiptir. Örneğin anchor kutuları farklı şekil veya boyutlardaki nesnelerle her zaman iyi hizalanmaz; bu da modelin küçük veya düzensiz şekilli nesneleri tespit etmesini zorlaştırır. Anchor kutusu boyutlarını seçme ve bunlara ince ayar yapma süreci de zaman alabilir ve büyük ölçüde manuel çalışma gerektirir. Bunun yanı sıra anchor tabanlı modeller, önceden tanımlanmış kutular bu daha karmaşık durumlara iyi uyum sağlayamayabileceğinden, örtülmüş veya üst üste binen nesneleri tespit etmekte çoğu zaman zorlanır.

Anchorsız nesne tespitine geçiş#

Anchorsız dedektörler, önceden tanımlanmış anchor kutularına duyulan ihtiyacı ortadan kaldırarak nesne tespitine yeni bir yaklaşım getiren CornerNet ve CenterNet gibi modellerle 2018’de dikkat çekmeye başladı. Nesnelerin nerede olduğunu tahmin etmek için farklı boyut ve şekillerdeki anchor kutularına dayanan geleneksel modellerin aksine, anchorsız modeller nesnelerin konumlarını doğrudan tahmin eder. Merkez gibi nesnenin kilit noktalarına veya özelliklerine odaklanırlar; bu da tespit sürecini basitleştirir, daha hızlı ve daha doğru hale getirir.

Anchorsız modellerin genel olarak nasıl çalıştığına hızlıca bakalım:

• Kilit noktası tespiti: Bazı modeller, önceden tanımlanmış kutuları kullanmak yerine bir nesne üzerindeki merkez veya belirli köşeler gibi önemli noktaları tanımlar. Bu kilit noktalar, modellerin nesnenin nerede olduğunu ve ne kadar büyük olduğunu belirlemesine yardımcı olur.
• Merkez tahmini: Bazı modeller bir nesnenin merkezini tahmin etmeye odaklanır. Merkez konumlandırıldıktan sonra model, nesnenin tamamının boyutunu ve konumunu buradan tahmin edebilir.
• Isı haritası regresyonu: Birçok anchorsız model, her pikselin bir nesnenin olası konumunu temsil ettiği ısı haritalarını kullanır. Daha güçlü ısı haritası değerleri, o noktada bir nesnenin bulunma olasılığına ilişkin güvenin daha yüksek olduğunu gösterir.

Şekil 2. Anchor Tabanlı Tespit ve Anchorsız Tespit.

Anchorsız 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.

Anchorsız modeller küçük, düzensiz veya örtülmüş nesneleri ele almakta da çok daha iyidir. Anchor kutularını uydurmaya çalışmak yerine kilit noktaları tespit etmeye odaklandıkları için çok daha esnektirler. Bu, anchor tabanlı modellerin başarısız olabileceği karmaşık veya dağınık ortamlarda nesneleri doğru şekilde tespit etmelerini sağlar.

Ultralytics YOLO11: Anchorsız bir dedektör#

Başlangıçta hız ve verimlilik için tasarlanan YOLO modelleri, zaman içinde anchor tabanlı yöntemlerden anchorsız tespite geçti. Bu da Ultralytics YOLO11 gibi modelleri daha hızlı, daha esnek ve çok çeşitli gerçek zamanlı uygulamalara daha uygun hale getirdi.

Anchorsız tasarımın farklı YOLO sürümlerinde nasıl geliştiğine hızlıca bakalım:

• Ultralytics YOLOv5u: Anchor-Free Split Ultralytics Head tanıtılarak önceden tanımlanmış anchor kutularına duyulan ihtiyaç ortadan kaldırıldı. Bunun yerine model, nesnelerin görüntüde nerede olduğunu doğrudan tahmin ederek süreci basitleştirdi ve esnekliği ve hızı artırdı.
• YOLOv6: Anchor-Aided Training (AAT) adı verilen yeni bir yöntem kullanıldı; anchor’lar yalnızca eğitim sırasında kullanıldı. Bu, modelin eğitim sırasında anchor tabanlı yöntemlerin yapısından yararlanmasını sağlarken çalışma zamanında daha iyi hız ve uyarlanabilirlik için anchorsız tespiti kullanmaya devam etmesini mümkün kıldı.
• Ultralytics YOLOv8: Anchor-Free Split Ultralytics Head kullanılarak tamamen anchorsız tespite geçildi. Bu, modeli özellikle anchor kutularına iyi uymayan küçük veya alışılmadık şekilli nesnelerde daha hızlı ve daha doğru hale getirdi.
• Ultralytics YOLO11: YOLOv8’in anchorsız yaklaşımını temel alır ve anchor kutularını tamamen ortadan kaldırarak tespiti daha da optimize eder. Bunun sonucunda hayvan davranışı izleme ve perakende analitiği gibi gerçek zamanlı uygulamalarda daha hızlı ve daha doğru tespit elde edilir.

Şekil 3. Ultralytics YOLOv8 ve Ultralytics YOLO11’in karşılaştırılması.

Ultralytics YOLO11’in gerçek dünyadaki uygulamaları#

Ultralytics YOLO11 kullanılarak anchorsız tespitin faydalarına harika bir örnek otonom araçlardır. Otonom araçlarda yayaları, diğer araçları ve engelleri hızlı ve doğru şekilde tespit etmek güvenlik açısından kritik öneme sahiptir. YOLO11’in anchorsız yaklaşımı, önceden tanımlanmış anchor kutularına dayanmak yerine yayanın merkezi veya başka bir aracın sınırları gibi nesnelerin kilit noktalarını doğrudan tahmin ederek tespit sürecini basitleştirir.

Şekil 4. Ultralytics YOLO11’de Anchorsız Tespitin Faydaları (Görsel Yazara Aittir).

Ultralytics YOLO11’in her nesne için anchor ızgarasını ayarlaması veya uydurması gerekmez; bu işlem hesaplama açısından maliyetli ve yavaş olabilir. Bunun yerine kilit özelliklere odaklanarak daha hızlı ve verimli çalışır. Örneğin bir yaya aracın yoluna girdiğinde YOLO11, kişi kısmen gizlenmiş veya hareket ediyor olsa bile kilit noktaları belirleyerek konumunu hızla tespit edebilir. Anchor kutuları olmadan farklı şekil ve boyutlara uyum sağlayabilmesi, YOLO11’in nesneleri daha güvenilir ve daha yüksek hızlarda tespit etmesini mümkün kılar; bu da otonom sürüş sistemlerinde gerçek zamanlı karar verme açısından hayati önem taşır.

Ultralytics YOLO11’in anchorsız yeteneklerinin öne çıktığı diğer uygulamalar şunlardır:

• Perakende ve envanter yönetimi: Ultralytics YOLO11, raflardaki ürünleri üst üste dizilmiş veya kısmen kapanmış olsalar bile izlemeyi kolaylaştırır. Bu, envanter takibinin daha hızlı ve doğru yapılmasına yardımcı olur ve hataları azaltır.
• Tıbbi görüntüleme: YOLO11, tıbbi taramalarda tümörleri veya diğer anormallikleri tespit edebildiği sağlık uygulamalarında da etkilidir. Düzensiz şekilli nesnelerle çalışabilmesi, karmaşık durumların teşhisinde doğruluğun artırılmasına yardımcı olur.
• Yaban hayatı izleme: Yaban hayatı araştırmalarında Ultralytics YOLO11, yoğun ormanlarda veya zorlu arazilerde hayvanları izleyerek araştırmacıların davranışları takip etmesine veya nesli tükenmekte olan türleri korumasına yardımcı olabilir.
• Spor analitiği: Ultralytics YOLO11, spor etkinlikleri sırasında oyuncuları, top hareketlerini veya diğer unsurları gerçek zamanlı olarak izleyerek takımlar, antrenörler ve yayıncılar için değerli içgörüler sağlamak amacıyla kullanılabilir.

Anchorsız modellerle çalışırken dikkate alınması gerekenler#

Ultralytics YOLO11 gibi anchorsız modeller birçok avantaj sunsa da bazı sınırlamalara sahiptir. Dikkate alınması gereken başlıca pratik noktalardan biri, anchorsız modellerin bile örtülmüş veya büyük ölçüde üst üste binen nesnelerde zorlanabilmesidir. Bunun nedeni, bilgisayarlı görünün insan görüşünü taklit etmeyi amaçlamasıdır; biz bazen örtülmüş nesneleri tanımlamakta zorlandığımız gibi AI modelleri de benzer zorluklarla karşılaşabilir.

Bir diğer ilginç etken, model tahminlerinin işlenmesiyle ilgilidir. Anchorsız modellerin mimarisi anchor tabanlı modellere göre daha basit olsa da bazı durumlarda ek iyileştirme gerekir. Örneğin, kalabalık sahnelerde üst üste binen tahminleri temizlemek veya doğruluğu artırmak için maksimum olmayan bastırma (NMS) gibi son işleme teknikleri gerekli olabilir.

Ultralytics YOLO11 ile AI’ın geleceğine sağlam bir adım#

Anchor tabanlı tespitten anchorsız tespite geçiş, nesne tespitinde önemli bir ilerleme oldu. Ultralytics YOLO11 gibi anchorsız modellerle süreç basitleşerek hem doğrulukta hem de hızda iyileşmeler sağlandı.

Ultralytics YOLO11 sayesinde anchorsız nesne tespitinin hızlı ve hassas tespitin kritik olduğu otonom araçlar, video gözetimi ve tıbbi görüntüleme gibi gerçek zamanlı uygulamalarda ne kadar başarılı olduğunu gördük. Bu yaklaşım, YOLO11’in farklı nesne boyutlarına ve karmaşık sahnelere daha kolay uyum sağlamasını ve çeşitli ortamlarda daha iyi performans sunmasını mümkün kılar.

Bilgisayarlı görü gelişmeye devam ettikçe nesne tespiti yalnızca daha hızlı, daha esnek ve daha verimli hale gelecektir.

AI alanındaki tüm gelişmelerden haberdar olmak için GitHub depomuzu incele ve etkileşimli topluluğumuza katıl. Vision AI’ın üretim ve tarım gibi sektörleri nasıl etkilediğine göz at.