Ultralytics YOLO11'in çapraz (anchor-free) bir dedektör olmasının avantajları

Vision AI modellerinin geçmişine dönüp baktığımızda, bir görsel veya video içindeki nesneleri tanımlama ve konumlandırmayı içeren temel bir bilgisayarlı görü görevi olan nesne tespiti kavramı 1960'lardan beri var olmuştur. Ancak, günümüzdeki çığır açan yeniliklerde bu kadar önemli olmasının temel nedeni, nesne tespiti tekniklerinin ve model mimarilerinin o zamandan bu yana gelişmiş ve hızla iyileşmiş olmasıdır.

Önceki bir makalede, nesne tespitinin evrimini ve Ultralytics YOLO modellerine giden yolu ele almıştık. Bugün, bu yolculuktaki daha spesifik bir dönüm noktasını keşfetmeye odaklanacağız: çapa tabanlı (anchor-based) dedektörlerden çapa içermeyen (anchor-free) dedektörlere geçiş.

Çapa tabanlı dedektörler, bir görseldeki nesnelerin nerede olduğunu tahmin etmek için "çapa" (anchor) adı verilen önceden tanımlanmış kutulara güvenir. Buna karşılık, çapa içermeyen dedektörler bu önceden tanımlanmış kutuları atlar ve bunun yerine nesne konumlarını doğrudan tahmin eder.

Bu değişim basit, mantıksal bir değişiklik gibi görünse de aslında nesne tespiti doğruluğunda ve verimliliğinde büyük gelişmelere yol açmıştır. Bu makalede, çapa içermeyen dedektörlerin Ultralytics YOLO11 gibi gelişmelerle bilgisayarlı görüyü nasıl yeniden şekillendirdiğini anlayacağız.

Çapa tabanlı dedektörler nelerdir?#

Çapa tabanlı dedektörler, bir görseldeki nesneleri bulmaya yardımcı olmak için çapa olarak bilinen önceden tanımlanmış kutuları kullanır. Bu çapa kutularını, görselin üzerine yerleştirilmiş farklı boyut ve şekillerde bir kutu ızgarası olarak düşünebilirsin. Model daha sonra bu kutuları, tespit ettiği nesnelere uyacak şekilde ayarlar. Örneğin, model bir araba tanımlarsa, arabanın konumuna ve boyutuna daha doğru bir şekilde uyması için çapa kutusunu değiştirir.

Her çapa, görseldeki olası bir nesneyle ilişkilendirilir ve eğitim sırasında model, nesnenin konumuna, boyutuna ve en-boy oranına daha iyi uyum sağlamak için çapa kutularını nasıl ayarlayacağını öğrenir. Bu, modelin nesneleri tespit etmesini farklı ölçeklerde ve yönlerde sağlamasını sağlar. Ancak, doğru çapa kutusu kümesini seçmek zaman alıcı olabilir ve bunları hassas bir şekilde ayarlamak hatalara açık olabilir.

Şekil 1. Çapa Kutusu Nedir?

YOLOv4 gibi çapa tabanlı dedektörler birçok uygulamada iyi sonuç vermiş olsa da bazı dezavantajları vardır. Örneğin, çapa kutuları her zaman farklı şekil veya boyuttaki nesnelerle iyi bir şekilde hizalanmaz; bu da modelin küçük veya düzensiz şekilli nesneleri tespit etmesini zorlaştırır. Çapa kutusu boyutlarını seçme ve ince ayar yapma süreci de zaman alıcı olabilir ve çok fazla manuel çaba gerektirir. Bunun yanı sıra, çapa tabanlı modeller genellikle önceden tanımlanmış kutular bu daha karmaşık senaryolara iyi uyum sağlayamayabileceği için gizlenmiş (occluded) veya üst üste binen nesneleri tespit etmekte zorlanır.

Çapasız nesne tespitine geçiş#

Çapasız dedektörler, 2018 yılında CornerNet ve CenterNet gibi modellerle dikkat çekmeye başladı. Bu modeller, önceden tanımlanmış çapa kutularına olan ihtiyacı ortadan kaldırarak nesne tespitine yeni bir yaklaşım getirdi. Nesnelerin nerede olduğunu tahmin etmek için farklı boyut ve şekillerdeki çapa kutularına güvenen geleneksel modellerin aksine, çapasız modeller nesnelerin konumlarını doğrudan tahmin eder. Bu modeller, tespit sürecini basitleştiren ve daha hızlı ve doğru hale getiren merkez gibi nesnenin anahtar noktalarına veya özelliklerine odaklanır.

Çapasız modellerin genel olarak nasıl çalıştığı aşağıdadır:

• Kilit nokta tespiti: Önceden tanımlanmış kutular kullanmak yerine bazı modeller, bir nesne üzerindeki merkez veya belirli köşeler gibi önemli noktaları tanımlar. Bu kilit noktalar, modellerin nesnenin nerede olduğunu ve ne kadar büyük olduğunu bulmasına yardımcı olur.
• Merkez tahmini: Bazı modeller bir nesnenin merkezini tahmin etmeye odaklanır. Merkez bulunduktan sonra model, tüm nesnenin boyutunu ve konumunu buradan tahmin edebilir.
• Isı haritası regresyonu: Birçok çapa içermeyen model, her pikselin bir nesnenin olası bir konumunu temsil ettiği ısı haritalarını kullanır. Daha güçlü ısı haritası değerleri, o noktada bir nesne bulunduğuna dair daha yüksek güven olduğunu gösterir.

Şekil 2. Çapa Tabanlı Tespit ve Çapa İçermeyen Tespit.

Çapasız modeller çapa kutularına dayanmadığı için daha basit bir tasarıma sahiptir. Bu, hesaplama açısından daha verimli oldukları anlamına gelir. Birden fazla çapa kutusunu işlemek zorunda olmadıkları için nesneleri daha hızlı tespit edebilirler; bu da otonom sürüş ve video gözetimi gibi gerçek zamanlı uygulamalarda önemli bir avantajdır.

Çapa içermeyen modeller ayrıca küçük, düzensiz veya gizlenmiş nesneleri yönetmede çok daha iyidir. Çapa kutularını uydurmaya çalışmak yerine kilit noktaları tespit etmeye odaklandıkları için çok daha esnektirler. Bu, çapa tabanlı modellerin başarısız olabileceği karmaşık veya dağınık ortamlarda nesneleri doğru bir şekilde tespit etmelerini sağlar.

Ultralytics YOLO11: Çapasız bir dedektör#

Orijinal olarak hız ve verimlilik için tasarlanan YOLO modelleri, aşamalı olarak çapa tabanlı (anchor-based) yöntemlerden çapa ışıksız (anchor-free) tespete geçiş yapmış; bu da Ultralytics YOLO11 gibi modelleri daha hızlı, daha esnek ve çok çeşitli gerçek zamanlı uygulamalar için çok daha uygun hale getirmiştir.

Çapasız tasarımın farklı YOLO sürümlerinde nasıl geliştiğine hızlıca bir göz atalım:

• Ultralytics YOLOv5u: Önceden tanımlanmış çapa kutularına olan ihtiyacı ortadan kaldıran Çapa İçermeyen Bölünmüş Ultralytics Başlığı'nı (Anchor-Free Split Ultralytics Head) tanıttı. Bunun yerine model, süreci basitleştirerek ve esneklik ile hızı artırarak nesnelerin bir görselde nerede olduğunu doğrudan tahmin eder.
• YOLOv6: Çapaların yalnızca eğitim sırasında kullanıldığı Çapa Destekli Eğitim (Anchor-Aided Training - AAT) adı verilen yeni bir yöntem kullanıldı. Bu, modelin eğitim sırasında çapa tabanlı yöntemlerin yapısından faydalanmasını sağlarken daha iyi hız ve uyarlanabilirlik için çalışma zamanında (runtime) çapa içermeyen tespiti kullanmaya devam etmesine olanak tanıdı.
• Ultralytics YOLOv8: Çapa İçermeyen Bölünmüş Ultralytics Başlığı'nı kullanarak tamamen çapa içermeyen tespitsizliğe geçti. Bu, özellikle çapa kutularına iyi uymayan küçük veya garip şekilli nesneler için modeli daha hızlı ve daha doğru hale getirdi.
• Ultralytics YOLO11: YOLOv8'in çapa içermeyen yaklaşımını temel alarak çapa kutularını tamamen ortadan kaldırır ve tespiti daha da optimize eder. Bu, hayvan davranışı izleme ve perakende analitiği gibi gerçek zamanlı uygulamalar için daha hızlı ve daha doğru tespit ile sonuçlanır.

Şekil 3. Ultralytics YOLOv8 ve Ultralytics YOLO11 karşılaştırması.

Ultralytics YOLO11'in gerçek dünya uygulamaları#

Ultralytics YOLO11 kullanarak çapasız (anchor-free) tespitten yararlanmanın harika bir örneği autonomous vehicles alanındadır. Otonom araçlarda yayaları, diğer araçları ve engelleri hızlı ve doğru bir şekilde tespit etmek güvenlik açısından hayati önem taşır. YOLO11'in çapasız yaklaşımı, önceden tanımlanmış çapa kutularına (anchor boxes) güvenmek yerine, bir yayanın merkezi veya başka bir aracın sınırları gibi nesnelerin anahtar noktalarını doğrudan tahmin ederek tespit sürecini basitleştirir.

Şekil 4. Ultralytics YOLO11'de Çapa İçermeyen Tespitin Faydaları (Yazarın Görseli).

Ultralytics YOLO11, hesaplama açısından maliyetli ve yavaş olabilen bir çapa ızgarasını her nesneye göre ayarlamak veya uydurmak zorunda değildir. Bunun yerine temel özelliklere odaklanarak daha hızlı ve verimli hale gelir. Örneğin, bir yaya aracın yoluna çıktığında YOLO11, kişi kısmen gizli veya hareket halinde olsa bile kilit noktaları belirleyerek konumunu hızlı bir şekilde tespit edebilir. Çapa kutuları olmadan farklı şekil ve boyutlara uyum sağlama yeteneği, YOLO11'in nesneleri daha güvenilir ve daha yüksek hızlarda tespit etmesini sağlar; bu da otonom sürüş sistemlerinde gerçek zamanlı karar verme için hayati önem taşır.

Ultralytics YOLO11'in çapa içermeyen yeteneklerinin gerçekten öne çıktığı diğer uygulamalar şunlardır:

• Retail and inventory management: Ultralytics YOLO11, raflardaki ürünleri üst üste yığılsalar veya kısmen engellenseler bile izlemeyi daha kolay hale getirir. Bu, daha hızlı ve daha doğru envanter takibine yardımcı olur ve hataları azaltır.
• Tıbbi görüntüleme: YOLO11, tıbbi taramalardaki tümörleri veya diğer anormallikleri tespit edebildiği sağlık sektöründe de etkilidir. Düzensiz şekilli nesnelerle çalışabilme yeteneği, karmaşık durumların teşhisinde doğruluğu artırmaya yardımcı olur.
• Wildlife monitoring: Yaban hayatı araştırmalarında Ultralytics YOLO11, yoğun ormanlarda veya zorlu arazilerde hayvanları takip ederek araştırmacıların davranışları izlemesine veya nesli tükenmekte olan türleri korumasına yardımcı olabilir.
• Sports analytics: Ultralytics YOLO11, spor etkinlikleri sırasında oyuncuları, top hareketlerini veya diğer unsurları gerçek zamanlı olarak takip etmek, takımlara, koçlara ve yayıncılara değerli içgörüler sunmak için kullanılabilir.

Çapasız modellerle çalışırken dikkate alınması gerekenler#

Ultralytics YOLO11 gibi çapasız modeller birçok avantaj sunarken, bazı sınırlamalarla da gelir. Dikkate alınması gereken temel pratik noktalardan biri, çapasız modellerin bile tıkanmalar veya aşırı örtüşen nesnelerle mücadele edebilmesidir. Bunun temel mantığı, bilgisayarlı görü'nün insan görüşünü taklit etmeyi amaçlamasıdır ve tıpkı bizim bazen kapanmış nesneleri belirlemekte zorlanmamız gibi, yapay zeka modelleri de benzer zorluklarla karşılaşabilir.

Diğer ilginç bir faktör de model tahminlerinin işlenmesiyle ilgilidir. Çapa içermeyen modellerin mimarisi çapa tabanlı olanlara göre daha basit olmasına rağmen, belirli durumlarda ek iyileştirme gerekli hale gelir. Örneğin, üst üste binen tahminleri temizlemek veya kalabalık sahnelerde doğruluğu artırmak için baskın olmayan bastırma (NMS) gibi son işlem (post-processing) teknikleri gerekebilir.

Ultralytics YOLO11 ile yapay zekanın geleceğine demir atıyoruz#

Çapa tabanlı tespitten çapa tabanlı olmayan (çapasız) tespide geçiş, nesne tespitinde önemli bir ilerleme olmuştur. Ultralytics YOLO11 gibi çapasız modellerle süreç basitleştirilerek hem doğruluk hem de hızda iyileşmeler sağlanır.

Ultralytics YOLO11 aracılığıyla, çapasız nesne tespitinin otonom arabalar, video gözetimi ve tıbbi görüntüleme gibi hızlı ve hassas tespitin çok önemli olduğu gerçek zamanlı uygulamalarda nasıl üstün başarı gösterdiğini gördük. Bu yaklaşım, YOLO11'in farklı nesne boyutlarına ve karmaşık sahnelere daha kolay uyum sağlamasını sağlayarak çeşitli ortamlarda daha iyi performans sunar.

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

Yapay zeka ile ilgili her şeyden haberdar olmak için GitHub depomuzu keşfet ve ilgici topluluğumuza katıl. Görsel yapay zekanın üretim ve tarım gibi sektörleri nasıl etkilediğine göz at.