En iyi nesne algılama modelleri

Bu yılın başlarında, yapay zekâ ve makine öğreniminin öncülerinden Andrew Ng, etmenli nesne algılama kavramını tanıttı. Bu yaklaşım, büyük miktarda eğitim verisi gerektirmeden metin istemine dayalı olarak nesneleri algılamak için bir akıl yürütme etmeni kullanır.

Büyük etiketli veri kümelerine ihtiyaç duymadan görüntülerdeki ve videolardaki nesneleri tanımlayabilmek, daha akıllı ve esnek bilgisayarlı görü sistemlerine doğru atılmış bir adımdır. Ancak etmenli görsel yapay zekâ hâlâ ilk aşamalarındadır.

Bir görüntüde insanları veya trafik işaretlerini algılama gibi genel görevleri yerine getirebilse de daha hassas bilgisayarlı görü uygulamaları hâlâ geleneksel nesne algılama modellerine dayanır. Bu modeller, tam olarak neyi arayacaklarını ve nesnelerin nerede bulunduğunu öğrenmek için büyük ve dikkatle etiketlenmiş veri kümeleriyle eğitilir.

Şekil 1. Nesne algılamaya bir örnek. (Kaynak)

Geleneksel nesne algılama, nesnenin ne olduğunu belirleyen tanıma ve görüntüde tam olarak nerede bulunduğunu belirleyen konumlandırma olmak üzere her ikisini de sağladığı için önemlidir. Bu birleşim, otonom araçlardan endüstriyel otomasyona ve sağlık hizmetlerinde tanıya kadar makinelerin karmaşık gerçek dünya görevlerini güvenilir biçimde gerçekleştirmesini sağlar.

Teknolojik gelişmeler sayesinde nesne algılama modelleri gelişmeye, daha hızlı, daha doğru ve gerçek dünya ortamlarına daha uygun hâle gelmeye devam ediyor. Bu makalede, günümüzde kullanılabilen en iyi nesne algılama modellerinden bazılarını inceleyeceğiz. Hadi başlayalım!

Nesne algılamaya duyulan ihtiyaç#

Görüntü sınıflandırma gibi bilgisayarlı görü görevleri, bir görüntünün araba, insan veya başka bir nesne içerip içermediğini söylemek için kullanılabilir. Ancak nesnenin görüntünün neresinde bulunduğunu belirleyemezler.

Nesne algılamanın faydalı olduğu nokta burasıdır. Nesne algılama modelleri hangi nesnelerin bulunduğunu belirleyebilir ve nesnelerin tam konumlarını saptayabilir. Konumlandırma olarak bilinen bu süreç, makinelerin sahneleri daha doğru biçimde anlamasına ve ister otonom bir aracı durdurmak, ister bir robot kolunu yönlendirmek, ister tıbbi görüntülemede bir alanı vurgulamak olsun, uygun şekilde tepki vermesine olanak tanır.

Derin öğrenmenin yükselişi nesne algılamayı dönüştürdü. Modern modeller, elle kodlanmış kurallara güvenmek yerine örüntüleri doğrudan açıklamalardan ve görsel verilerden öğrenir. Bu veri kümeleri modellere nesnelerin neye benzediğini, genellikle nerede göründüklerini ve küçük nesneler, karmaşık sahneler veya değişken aydınlatma koşulları gibi zorluklarla nasıl başa çıkacaklarını öğretir.

Aslına bakılırsa, son teknoloji nesne algılama sistemleri aynı anda birden çok nesneyi doğru biçimde algılayabilir. Bu durum, nesne algılamayı otonom sürüş, robotik, sağlık hizmetleri ve endüstriyel otomasyon gibi uygulamalarda kritik bir teknoloji hâline getirir.

Nesne algılama görevleri nasıl çalışır?#

Bir nesne algılama modelinin girdisi; bir kameradan, video karesinden veya hatta tıbbi taramadan gelebilen bir görüntüdür. Girdi görüntüsü, görsel verilerdeki örüntüleri tanımak üzere eğitilmiş, genellikle evrişimli sinir ağı (CNN) olan bir sinir ağı üzerinden işlenir.

Ağın içinde görüntü aşamalar hâlinde analiz edilir. Model, algıladığı özelliklere dayanarak hangi nesnelerin bulunduğunu ve nerede göründüklerini tahmin eder.

Bu tahminler, algılanan her nesnenin etrafına çizilen dikdörtgenler olan sınırlayıcı kutular kullanılarak gösterilir. Model, her sınırlayıcı kutuya bir sınıf etiketi (örneğin araba, insan veya köpek) ve tahmininden ne kadar emin olduğunu belirten bir güven skoru atar (bu, olasılık olarak da düşünülebilir).

Şekil 2. Nesne algılama tahminleri sınırlayıcı kutular kullanılarak görselleştirilebilir.

Genel süreç büyük ölçüde özellik çıkarımına dayanır. Model; kenarlar, şekiller, dokular ve diğer ayırt edici özellikler gibi yararlı görsel örüntüleri tanımlamayı öğrenir. Bu örüntüler, ağın görüntüyü birden çok ayrıntı düzeyinde anlamasına yardımcı olan özellik haritalarında kodlanır.

Nesne algılama: İki aşamalı ve tek aşamalı#

Model mimarisine bağlı olarak nesne algılayıcıları, hız, doğruluk ve karmaşıklık arasında denge kurarak nesneleri konumlandırmak için farklı stratejiler kullanır.

Başta Faster R-CNN gibi iki aşamalı algılayıcılar olmak üzere birçok nesne algılama modeli, ilgi bölgeleri (ROIs) adı verilen görüntünün belirli kısımlarına odaklanır. Model bu alanlara yoğunlaşarak her pikseli eşit biçimde analiz etmek yerine nesne içerme olasılığı daha yüksek bölgeleri önceliklendirir.

Buna karşılık, ilk YOLO modelleri gibi tek aşamalı modeller, iki aşamalı modeller gibi belirli ROIs'leri seçmez. Bunun yerine görüntüyü bir ızgaraya böler ve tüm görüntüdeki nesneleri tek geçişte tahmin etmek için özellik haritalarıyla birlikte çapa kutuları adı verilen önceden tanımlanmış kutuları kullanır.

Günümüzde son teknoloji nesne algılama modelleri çapasız yaklaşımları araştırıyor. Önceden tanımlanmış çapa kutularına dayanan geleneksel tek aşamalı modellerin aksine çapasız modeller, nesne konumlarını ve boyutlarını doğrudan özellik haritalarından tahmin eder. Bu, mimariyi basitleştirebilir, hesaplama yükünü azaltabilir ve özellikle farklı şekil ve boyutlardaki nesnelerin algılanmasında performansı artırabilir.

En iyi nesne algılama modellerine bir bakış#

Günümüzde, her biri belirli hedefler göz önünde bulundurularak tasarlanmış çok sayıda nesne algılama modeli bulunuyor. Bazıları gerçek zamanlı performans için optimize edilirken diğerleri en yüksek doğruluğa ulaşmaya odaklanır. Bir bilgisayarlı görü çözümü için doğru modeli seçmek genellikle özel kullanım alanına ve performans gereksinimlerine bağlıdır.

Şimdi 2026'nın en iyi nesne algılama modellerinden bazılarını inceleyelim.

1. Ultralytics YOLO modelleri#

Günümüzde en yaygın kullanılan nesne algılama modeli ailelerinden biri Ultralytics YOLO model ailesidir. Açılımı You Only Look Once olan YOLO, hızlı, güvenilir ve kullanımı kolay olmasının yanı sıra güçlü algılama performansı sunduğu için birçok sektörde popülerdir.

Ultralytics YOLO ailesi; farklı performans ve kullanım alanı gereksinimleri için çeşitli seçenekler sunan Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11 ve yakında çıkacak Ultralytics YOLO26 modellerini içerir. Hafif tasarımları ve hız optimizasyonları sayesinde Ultralytics YOLO modelleri gerçek zamanlı algılama için idealdir ve sınırlı işlem gücüne ve belleğe sahip uç cihazlarda çalıştırılabilir.

Şekil 3. Nesne algılama için Ultralytics YOLO11 kullanımı (Kaynak)

Temel nesne algılamanın ötesinde bu modeller son derece çok yönlüdür. Ayrıca nesnelerin piksel düzeyinde ana hatlarını çıkaran örnek segmentasyonu ve insanlar ya da nesneler üzerindeki kilit noktaları belirleyen poz tahmini gibi görevleri de destekler. Bu esneklik, Ultralytics YOLO modellerini tarım ve lojistikten perakende ve üretime kadar çok çeşitli uygulamalar için başvurulan bir seçenek hâline getirir.

Ultralytics YOLO modellerinin popülerliğinin bir diğer önemli nedeni, modelleri eğitmek, ince ayar yapmak ve dağıtmak için basit ve kullanıcı dostu bir arayüz sağlayan Ultralytics Python paketi'dir. Geliştiriciler önceden eğitilmiş ağırlıklarla başlayabilir, modelleri kendi veri kümelerine göre özelleştirebilir ve modelleri yalnızca birkaç satır kodla dağıtabilir.

2. RT-DETR ve RT-DETRv2#

RT‑DETR (Gerçek Zamanlı Algılama Transformer'ı) ve daha yeni RT‑DETRv2, gerçek zamanlı kullanım için geliştirilmiş nesne algılama modelleridir. Birçok geleneksel modelin aksine, maksimum olmayan bastırmayı (NMS) kullanmadan bir görüntüyü alıp son algılamaları doğrudan sağlayabilirler.

NMS, bir model aynı nesneyi birden fazla kez tahmin ettiğinde üst üste binen fazladan kutuları kaldıran bir adımdır. NMS'yi atlamak, algılama sürecini daha basit ve hızlı hâle getirir.

Bu modeller CNN'leri Transformer'larla birleştirir. CNN kenarlar ve şekiller gibi görsel ayrıntıları bulurken Transformer, görüntünün tamamına aynı anda bakabilen ve farklı kısımların birbiriyle nasıl ilişkili olduğunu anlayabilen bir sinir ağı türüdür. Bu kapsamlı anlayış, modelin birbirine yakın veya üst üste binen nesneleri algılamasını sağlar.

RT‑DETRv2, küçük ve büyük nesnelerin bulunmasına yardımcı olan çok ölçekli algılama ve karmaşık sahnelerin daha iyi ele alınması gibi özelliklerle özgün modelin geliştirilmiş hâlidir. Bu değişiklikler, doğruluğu artırırken modelin hızını korur.

3. RF-DETR#

RF‑DETR, Transformer mimarilerinin doğruluğunu gerçek dünya uygulamaları için gereken hızla birleştirmek üzere tasarlanmış, gerçek zamanlı ve Transformer tabanlı bir modeldir. RT‑DETR ve RT‑DETRv2 gibi o da tüm görüntüyü analiz etmek için bir Transformer ve kenarlar, şekiller ve dokular gibi ince görsel özellikleri çıkarmak için bir CNN kullanır.

Model, çapa kutularını ve maksimum olmayan bastırmayı atlayarak nesneleri doğrudan girdi görüntüsünden tahmin eder; bu da algılama sürecini basitleştirir ve çıkarımın hızlı kalmasını sağlar. RF‑DETR ayrıca örnek segmentasyonunu destekler; böylece sınırlayıcı kutuları tahmin etmenin yanı sıra nesnelerin ana hatlarını piksel düzeyinde çıkarabilir.

4. EfficientDet#

2019'un sonlarında yayımlanan EfficientDet, verimli ölçeklendirme ve yüksek performans için tasarlanmış bir nesne algılama modelidir. EfficientDet'i farklı kılan, yalnızca tek bir faktörü ayarlamak yerine girdi çözünürlüğünü, ağ derinliğini ve ağ genişliğini eş zamanlı olarak ölçeklendiren bir yöntem olan bileşik ölçeklendirmedir. Bu yaklaşım, modelin yüksek performanslı görevler için büyütülse de hafif dağıtımlar için küçültülse de kararlı doğruluğu korumasına yardımcı olur.

EfficientDet'in bir diğer önemli bileşeni, modelin görüntüleri birden çok ölçekte analiz etmesini sağlayan verimli özellik piramidi ağıdır (FPN). Bu çok ölçekli analiz, farklı boyutlardaki nesneleri algılamak için kritik öneme sahiptir ve EfficientDet'in aynı görüntü içindeki hem küçük hem de büyük nesneleri güvenilir biçimde tanımlamasını sağlar.

5. PP-YOLOE+#

2022'de yayımlanan PP-YOLOE+, YOLO tarzı bir nesne algılama modelidir; yani görüntü üzerinde tek geçişte nesneleri algılar ve sınıflandırır. Bu yaklaşım, yüksek doğruluğu korurken modeli hızlı ve gerçek zamanlı uygulamalara uygun hâle getirir.

PP-YOLOE+'daki temel geliştirmelerden biri, modelin güven skorlarının nesnelerin ne kadar doğru konumlandırıldığını yansıtmasına yardımcı olan görev hizalı öğrenmedir. Bu, özellikle küçük veya üst üste binen nesneleri algılamak için yararlıdır.

Şekil 4. PP-YOLOE+ kullanılarak nesne algılama (Kaynak)

Model ayrıca nesne konumlarını ve sınıf etiketlerini tahmin etme görevlerini ayıran ayrıştırılmış bir başlık mimarisi kullanır. Bu, nesneleri doğru biçimde sınıflandırırken sınırlayıcı kutuları daha hassas çizmesini sağlar.

6. GroundingDINO#

GroundingDINO, görme ve dili birleştiren Transformer tabanlı bir nesne algılama modelidir. Sabit bir kategori kümesine güvenmek yerine kullanıcıların doğal dildeki metin istemlerini kullanarak nesneleri algılamasına olanak tanır.

Model, bir görüntüdeki görsel özellikleri metin açıklamalarıyla hizalayarak, bu tam etiketler eğitim verilerinde bulunmasa bile nesnelerin konumunu belirleyebilir. Bu, modele “kask takan bir insan” veya “bir binanın yakınındaki kırmızı bir araba” gibi açıklamalar verebileceğin ve modelin eşleşen nesnelerin etrafında doğru sınırlayıcı kutular oluşturacağı anlamına gelir.

Ayrıca GroundingDINO, sıfır örnekli algılamayı destekleyerek her yeni kullanım alanı için modeli yeniden eğitme veya ince ayar yapma ihtiyacını azaltır ve çok çeşitli uygulamalarda son derece esnek olmasını sağlar. Dil anlama ile görsel tanımanın bu birleşimi, etkileşimli ve uyarlanabilir yapay zekâ sistemleri için yeni olanaklar sunar.

Nesne algılayıcıları değerlendirmek için kullanılan yaygın metrikler#

Çeşitli nesne algılama modellerini karşılaştırırken hangisinin gerçekten en iyi performansı gösterdiğini nasıl anlayacağını merak ediyor olabilirsin. Bu iyi bir soru; çünkü model mimarisinin ve verilerinin kalitesinin yanı sıra birçok faktör performansı etkileyebilir.

Araştırmacılar, modelleri tutarlı biçimde değerlendirmek, sonuçları karşılaştırmak ve hız ile doğruluk arasındaki ödünleşimleri anlamak için genellikle ortak kıyaslamalara ve standart performans metriklerine güvenir. Standart kıyaslamalar özellikle önemlidir; çünkü birçok nesne algılama modeli COCO veri kümesi gibi aynı veri kümeleri üzerinde değerlendirilir.

Algılama doğruluğunu ve hızını ölçme#

Nesne algılama modellerini değerlendirmek için kullanılan bazı yaygın metriklere daha yakından bakalım:

• Kesişim-birleşim oranı (IoU): Bu metrik, tahmin edilen bir sınırlayıcı kutunun görüntüdeki gerçek nesneyle ne kadar örtüştüğünü ölçer. Modelin çizdiği kutuyu, veri kümesinde etiketlendiği şekliyle nesnenin konumu olan gerçek referans kutusuyla karşılaştırır. IoU, örtüşme alanının iki kutunun birleşim alanına bölünmesiyle hesaplanır. Daha yüksek bir IoU, modelin kutuyu daha doğru konumlandırdığını gösterirken daha düşük bir IoU, tahminin daha az hassas olduğu anlamına gelir. Basitçe söylemek gerekirse IoU, modelin tahminlerinin gerçek nesne konumlarıyla ne kadar yakından eşleştiğini gösterir.
• Ortalama kesinlik ortalaması (mAP): Genel nesne algılama performansını değerlendirmek için kullanılan temel metriktir. Modelin doğru biçimde algıladığı nesnelerin sayısını ve farklı güven düzeyleri ile nesne kategorilerindeki bu algılamaların doğruluğunu birlikte değerlendirir.
• Saniyedeki kare sayısı (FPS) ve gecikme: FPS, bir modelin bir saniyede kaç görüntü veya video karesi işleyebildiğini gösterir. Örneğin 30 FPS hızında çalışan bir model, her saniye 30 kareyi işleyebilir. Daha yüksek FPS, sistemin daha hızlı yanıt verebileceği anlamına gelir; bu da canlı video, trafik izleme veya robotik gibi kullanım alanları için önemlidir. Buna karşılık gecikme, modelin tek bir görüntüyü veya kareyi aldığı andan sonucun hazır olduğu ana kadar işleme süresini ölçer.

Nesne algılama algoritmalarını kullanmanın avantajları ve dezavantajları#

Gerçek dünya uygulamalarında nesne algılama modellerini kullanmanın başlıca avantajlarından bazıları şunlardır:

• Sektörler arasında ölçeklenebilir: Nesne algılama, trafik izleme ve perakende analitiğinden sağlık hizmetleri, tarım ve üretime kadar çok çeşitli kullanım alanlarına uygulanabilir.
• Manuel iş yükünü azaltır: Görsel denetim ve izleme görevlerini otomatikleştirmek, sürekli insan gözetimi ihtiyacını azaltır ve ekiplerin daha yüksek değerli işlere odaklanmasına yardımcı olur.
• Açık kaynak ekosistemlerinden yararlanır: GitHub'daki etkin açık kaynak toplulukları ve kaynaklar, önceden eğitilmiş modellere erişmeyi, denemeler yapmayı ve çözümleri özelleştirmeyi kolaylaştırır.

Bu avantajlara rağmen nesne algılama modellerinin performansını etkileyebilecek pratik sınırlamalar vardır. Dikkate alınması gereken bazı önemli faktörler şunlardır:

• Yüksek kaliteli veri gereksinimleri: Nesne algılama modelleri eğitim için büyük ve iyi açıklanmış veri kümelerine dayanır. Bu verileri oluşturmak ve sürdürmek zaman alıcı, maliyetli ve ölçeklendirilmesi zor olabilir.
• Hesaplama gereksinimleri: Daha yüksek algılama doğruluğu sağlayan modeller, hem eğitim sırasında hem de gerçek zamanlı dağıtımda genellikle önemli miktarda işlem gücü gerektirir. Bu da genellikle yüksek performanslı GPU'ların kullanılmasını gerektirir ve altyapı maliyetlerini artırabilir.
• Gerçek dünya koşullarına duyarlılık: Aydınlatma, kamera açıları, hava durumu ve kalabalık sahnelerdeki değişiklikler algılama performansını etkileyebilir; bu nedenle sürekli test ve ayarlama yapılması gerekir.

Önemli çıkarımlar#

Bilgisayarlı görü projen için en iyi nesne algılama modeli kullanım alanına, veri düzenine, performans gereksinimlerine ve donanım kısıtlamalarına bağlıdır. Bazı modeller hız için optimize edilirken diğerleri doğruluğa odaklanır ve gerçek dünya uygulamalarının çoğunda her ikisi arasında denge kurulması gerekir. GitHub'daki açık kaynak çerçeveler ve etkin topluluklar sayesinde bu modelleri pratik kullanım için değerlendirmek, uyarlamak ve dağıtmak giderek kolaylaşıyor.

Daha fazla bilgi edinmek için GitHub depomuzu incele. Topluluğumuza katıl ve sağlık hizmetlerinde yapay zekâ ile otomotiv sektöründe bilgisayarlı görü gibi uygulamalar hakkında bilgi edinmek için çözüm sayfalarımıza göz at. Görsel yapay zekâya bugün başlamak için lisanslama seçeneklerimizi keşfet.