Ultralytics YOLO11 ile küçük nesne tespitini keşfetme

Görüntüleme yapay zekası ile entegre dronlar, yerden yüzlerce metre yukarıda uçabilir ve yine de video akışlarında sadece birkaç piksel olarak görünen bir kişiyi tespit etmeleri beklenebilir. Aslında bu, sistemlerin bir görüntü içindeki çok küçük nesneleri tanımlaması gereken robotik, gözetim ve uzaktan algılama gibi uygulamalarda yaygın bir zorluktur.

Ancak geleneksel object detection modelleri bunu yapmakta zorlanabilir. Resim ve videolardaki küçük nesneler çok sınırlı görsel bilgi temsil eder. Basitçe söylemek gerekirse, bir model bunlara baktığında öğrenilecek veya tanınacak çok fazla detay yoktur.

Perde arkasında bu modeller genellikle evrişimli sinir ağı (CNN) tabanlı bir mimariye dayanır. Görüntüler ağın katmanlarından geçirilir ve ham pikseller yerine ilgili desenleri vurgulayan özellik haritalarına veya basitleştirilmiş temsilcilere dönüştürülür.

Görüntü ağın derinliklerine ilerledikçe, bu özellik haritaları küçülür. Bu, hesaplamayı hızlandırır ancak aynı zamanda ince detayların kaybolabileceği anlamına gelir.

Çok küçük nesneler için bu detaylar çok önemlidir. Bu detaylar kaybolduğunda, bir görüntüleme yapay zekası modeli nesneyi tespit etmekte zorlanabilir, bu da daha az doğru veya tutarsız sınırlayıcı kutulara (bounding boxes) yol açabilir.

Gerçek zamanlı uçtan uca görüntüleme yapay zeka sistemleri bunu daha da zorlaştırır. Yüksek çözünürlüklü görüntüler detayı korumaya yardımcı olur ancak çıkarımı yavaşlatır ve daha fazla GPU gücü gerektirir. Düşük çözünürlükler daha hızlı çalışır ancak küçük nesnelerin tespiti daha da zorlaşır.

Hız, doğruluk ve donanım sınırları arasında sürekli bir dengeleme çabası haline gelir. Son teknolojik gelişmeler sayesinde Ultralytics YOLO11 ve yakında çıkacak olan Ultralytics YOLO26 gibi bilgisayarla görü modelleri, bu ödünleşimi daha etkili bir şekilde yönetmek için tasarlanmıştır.

Şekil 1. Hava görüntülerindeki küçük nesneleri tespit etmek için YOLO11 kullanımı (Kaynak)

Bu makalede, küçük nesne tespitinin neden zor olduğunu ve Ultralytics YOLO11 ile bunun nasıl kolaylaştırabileceğini keşfedeceğiz. Hadi başlayalım!

Küçük nesne tespiti nedir ve neden önemlidir?#

Küçük nesne tespiti, yapay zekanın bir dalı olan görüntüleme yapay zekasında, bir görüntünün çok küçük bir kısmını kaplayan nesneleri tanımlamaya ve konumlandırmaya odaklanan bir görevdir. Bu nesneler görüntü içinde genellikle, dijital bir görüntünün en küçük birimi olan sınırlı sayıda pikselle temsil edilir. Bu durum onları, daha büyük ve daha net hedeflerden (genellikle daha fazla piksel içeren) tespit etmeyi daha zor hale getirir.

Örneğin, hava görüntülerindeki araçlar, bir fabrika zeminindeki aletler veya geniş açılı gözetim kameraları tarafından yakalanan insanlar, görüntü içinde küçük nesneler olarak görünebilir. Onları tespit etmek önemlidir çünkü genellikle kritik bilgiler taşırlar ve gözetim gibi birçok gerçek dünya uygulaması, düzgün çalışmak için bu tespitlere güvenir.

Küçük nesneler kaçırıldığında, sistem performansı ve karar verme süreçleri etkilenebilir. İnsansız hava aracı (UAV) izleme, yerdeki küçük hareketli bir nesneyi kaçırmanın navigasyon veya izleme doğruluğunu etkileyebileceği iyi bir örnektir.

Küçük nesnelerin tespitiyle ilgili zorluklar#

Eski sistemler, yoğun veya değişken sahnelerde sorun yaşayan el yapımı özellikler ve geleneksel görüntüleme yapay zekası yöntemleri kullanıyordu. Bugün bile, derin öğrenme modelleri çok daha iyi performans gösterse de, küçük hedefler görüntünün sadece küçük bir kısmını kapladığında tespit etmek hala zordur.

Sırada, küçük nesneleri tespit ederken farklı gerçek dünya senaryolarında ortaya çıkan yaygın zorluklardan bazılarına bakalım.

Boyut, pikseller ve bilgi kaybı#

Küçük nesneler çok az piksel içerir, bu da bir modelin özellik çıkarımı gibi aşamalarda öğrenebileceği görsel detay miktarını sınırlar. Sonuç olarak, kenarlar, şekiller ve dokular gibi desenlerin tespiti zorlaşır, bu da küçük nesnelerin arka plana karışma olasılığını artırır.

Görseller bir sinir ağının convolutional layers üzerinden geçerken, piksellerdeki görsel bilgi kademeli olarak özellik haritalarına sıkıştırılır. Bu, modelin verimli kalmasına yardımcı olur ancak aynı zamanda ince detayların kaybolması anlamına gelir.

Şekil 2. Özellik haritaları bir görseldeki görsel kalıpları temsil eder (Kaynak)

Küçük hedefler için, önemli ipuçları tespit ağı harekete geçme şansı bulamadan kaybolabilir. Bu olduğunda, yerelleştirme daha az güvenilir hale gelir ve sınırlayıcı kutular kayabilir, üst üste binebilir veya hedef nesneleri tamamen ıskalayabilir.

Tıkanma, ölçek farkı ve bağlam#

Boyutla ilgili zorluklar genellikle tıkanma (occlusion) ile de ortaya çıkar. Tıkanma, nesneler, özellikle de daha küçük olanlar, sahnedeki diğer nesneler tarafından kısmen gizlendiğinde meydana gelir.

Bu, bir hedef görünür alanını azaltır ve bu da nesne dedektörünün erişebileceği bilgiyi sınırlar. Küçük bir tıkanma bile, özellikle düşük çözünürlüklü girişle birleştiğinde, tespit ağlarının kafasını karıştırabilir. Bunun ilginç bir örneği, yayaların, bisikletlerin veya araçların binalar, ağaçlar veya diğer hareketli nesneler tarafından kısmen engellenebildiği VisDrone gibi İHA veri kümelerinde görülebilir.

Şekil 3. Küçük nesneleri gösteren VisDrone veri kümesinden bir örnek (Kaynak)

Benzer şekilde, ölçek farkı, aynı nesnenin mesafe ve kamera konumuna bağlı olarak çok küçük veya nispeten büyük görünmesi durumunda başka bir zorluk katmanı ekler. Bu engellere rağmen, tespit algoritmaları bu küçük nesneleri doğruluk kaybı olmadan farklı ölçeklerde tanımalıdır.

Bağlam da tespitte önemli bir rol oynar. Örneğin, büyük nesneler genellikle yardımcı görsel ipuçları sağlayan net çevrelerle görünür. Öte yandan, küçük hedefler genellikle bu bağlamsal bilgiden yoksundur, bu da desen tanımayı zorlaştırır.

Küçük nesne tespitinde gizli metrik sorunu#

Intersection over Union (IoU) gibi yaygın değerlendirme metrikleri, tahmin edilen bir sınırlayıcı kutunun gerçek kutuyla ne kadar iyi örtüştüğünü ölçer. IoU daha büyük nesneler için iyi çalışsa da, davranışları küçükler için oldukça farklıdır.

Küçük nesneler sadece birkaç piksel kaplar, bu nedenle tahmin edilen kutudaki küçük bir kayma bile büyük bir orantısal hata yaratabilir ve IoU puanını keskin bir şekilde düşürebilir. Bu, küçük nesnelerin, nesne görüntüde görünür olsa bile, bir tahmini doğru olarak saymak için kullanılan standart IoU eşiğini karşılayamaması anlamına gelir.

Sonuç olarak, yerelleştirme hatalarının yanlış pozitif veya yanlış negatif olarak sınıflandırılma olasılığı daha yüksektir. Bu sınırlamalar araştırmacıları, nesne tespit sistemlerinin küçük, tespit edilmesi zor hedefleri nasıl değerlendirdiğini ve ele aldığını yeniden düşünmeye sevk etmiştir.

Çok ölçekli özellikler: Gerçek zamanlı küçük nesne tespitinin anahtarı#

Araştırmacılar küçük nesne tespitini iyileştirmek için çalışırken, görsel bilgiyi birden fazla ölçekte korumanın ve temsil etmenin gerekli olduğu netleşti. Bu içgörü, son arXiv araştırmalarında ve IEEE Uluslararası Konferansları ve Avrupa Bilgisayarlı Görme Derneği (ECCV) gibi mekanlarda sunulan makalelerde yankılanmaktadır.

Görseller bir sinir ağında derine indikçe küçük nesneler detay kaybedebilir veya tamamen kaybolabilir; bu nedenle Ultralytics YOLO11 gibi modern bilgisayarlı görü modelleri, daha iyi özellik çıkarımına güçlü bir odak noktası koyar. Şimdi, bunları daha iyi anlamak için özellik haritaları ve özellik piramidi ağlarının arkasındaki temel kavramları inceleyelim.

Özellik haritaları ve ölçek temsili#

Uzaktan algılama görüntüsü gibi bir giriş görüntüsü bir sinir ağına girdiğinde, kademeli olarak özellik haritalarına dönüştürülür. Bunlar, kenarlar, şekiller ve dokular gibi görsel desenleri vurgulayan görüntünün basitleştirilmiş temsilleridir.

Ağ derinleştikçe, bu özellik haritaları uzamsal boyutta küçülür. Bu küçülme, modelin verimli çalışmasına ve üst düzey bilgilere odaklanmasına yardımcı olur. Ancak, küçülen ve derin özellik haritaları uzamsal detayı da azaltır.

Şekil 4. Özellik çıkarımı, küçük nesne tespiti için anahtardır. (Kaynak)

Büyük nesneler doğru tespit için yeterli görsel bilgiyi korurken, küçük hedefler sadece birkaç ağ katmanından sonra kritik detayları kaybedebilir. Bu olduğunda, bir model küçük bir nesnenin var olduğunu bile tanımakta zorlanabilir. Bu, derin nesne tespit modellerinde küçük nesnelerin kaçırılmasının temel nedenlerinden biridir.

Özellik piramidi ağları ve çok ölçekli öğrenme#

Genellikle FPN olarak adlandırılan Feature pyramid networks, uzaysal detay kaybını ele almak için tanıtılmıştır ve modellerin küçük nesneleri daha etkili bir şekilde tespit edebilmesi için birden fazla katmandan bilgiyi birleştiren destekleyici bir modül olarak çalışır. Bu süreç aynı zamanda özellik birleştirme ve özellik füzyonu olarak da bilinir.

Sığ katmanlar ince uzamsal detaylar sağlarken, daha derin katmanlar anlamsal bağlam ekleyerek etkili çok ölçekli özellik öğrenmesini mümkün kılar. Özellik haritalarını sadece büyüten naif yukarı örneklemenin (upsampling) aksine, FPN anlamlı bilgileri korur ve küçük nesne tespitini iyileştirir.

Modern yaklaşımlar, küçük hedeflerin tespitini daha da artırmak için uyarlanabilir özellik birleştirme ve bağlam farkındalığına sahip tasarımlar kullanarak bu fikir üzerine inşa edilmiştir. Başka bir deyişle, FPN modellerin hem büyük resmi hem de küçük detayları aynı anda görmesine yardımcı olur. Bu optimizasyon, nesneler küçük olduğunda gereklidir.

Nesne tespit modelleri küçük nesneleri ele almak için nasıl evrimleşti#

İşte nesne tespit modellerinin, çok küçük olanlar da dahil olmak üzere farklı boyutlardaki nesneleri daha iyi tespit etmek için zaman içinde nasıl evrimleştiğine ve ilerlediğine dair kısa bir bakış:

• Erken tespit yöntemleri: Erken nesne tespit yaklaşımları, manuel olarak tasarlanmış özelliklere ve klasik görüntü işlemeye dayalı kural tabanlı algoritmalara dayanıyordu. Bu özellikler sabit olduğundan, performans farklı görüntülerle düştü.
• Makine öğrenimi ve derin öğrenmenin tanıtılması: Makine öğrenimi ve derin öğrenmenin benimsenmesi, nesne tespiti araştırmalarında büyük bir değişime işaret etti. Önceden tanımlanmış kurallara güvenmek yerine, sinir ağları görsel temsilleri doğrudan eğitim verilerinden öğrendi, bu da değişen nesne boyutlarında ve sahnelerde uyarlanabilirliği artırdı.
• Evrişimli ağlar: Bu sinir ağları, görüntülerdeki desenleri görmeyi öğrenir. Her katman, basit kenarlar ve renklerle başlayıp, ardından şekiller ve sonunda tam nesnelerle farklı detayları yakalar, bu da onları modern görüntüleme yapay zekası için vazgeçilmez kılar.
• İki aşamalı nesne dedektörleri: Girshick ve Ren tarafından tanıtılan Faster R-CNN gibi iki aşamalı dedektörler, önce aday bölgeler oluşturdu ve ardından bunları sınıflandırdı. Bu yaklaşım küçük nesneler için doğruluğu artırdı ancak hesaplama maliyetini artırdı ve gerçek zamanlı performansı düşürdü.
• Tek aşamalı nesne dedektörleri: SSD (Single-Shot Detector) ve YOLOv3, Ultralytics YOLOv5 ve sonrasındaki Ultralytics YOLOv8 dahil olmak üzere YOLO (You Only Look Once) ailesi gibi tek aşamalı dedektörler, tespiti tek bir geçişte gerçekleştirir. Bu tasarım, rekabetçi doğruluğu korurken çıkarım hızını önemli ölçüde artırır.
• En son teknoloji modeller: Yeni nesne tespit modelleri gerçek zamanlı performansa ve uç (edge) dağıtıma daha fazla odaklanır. Ultralytics YOLO11 ve yakında çıkacak olan Ultralytics YOLO26 gibi yeni Ultralytics YOLO model sürümleri, yüksek doğruluğu düşük gecikmeli çıkarımla dengelemek için tasarlanmıştır, bu da onları sınırlı bilgi işlem gücüne sahip cihazlarda küçük hedefler dahil tüm boyutlardaki nesneleri tespit etmek için çok uygun hale getirir.

Küçük nesne tespiti kullanım senaryoları için Ultralytics YOLO11 kullanımı#

Küçük nesne tespiti nasıl çalışır konusunda artık daha iyi bir anlayışa sahip olduğumuza göre, Ultralytics YOLO11'in uygulanabileceği birkaç gerçek dünya uygulamasına göz atalım.

UAV ve hava görüntüleme#

Yoğun bir şehir caddesinin çok üzerinde uçan bir dron hayal edin. O yükseklikten arabalar, bisikletler ve hatta insanlar bir ekranda sadece birkaç piksele küçülür.

UAV ve hava görüntüleme modülleri genellikle, ilgi nesnelerinin küçük olduğu ve karmaşık arka planlarla çevrili olduğu, bu da onları görüntüleme yapay zekası modelleri için tespit edilmesi zor hale getiren sahneleri yakalar.

Bu tür senaryolarda, Ultralytics YOLO11 ideal bir model seçimi olabilir. Örneğin, YOLO11 gibi bir modelle donatılmış bir drone, her nesne görüntünün yalnızca küçük bir kısmını kaplasa bile sahne boyunca hareket ederken araçları, bisikletlileri ve yayaları tespit ederek trafiği gerçek zamanlı olarak izleyebilir. Bu, trafik yönetimi, kamu güvenliği veya şehir planlaması gibi uygulamalarda daha hızlı karar vermeyi ve daha doğru içgörüler elde etmeyi sağlar.

Robotik ve otomasyon#

Robotlar genellikle doğruluğun ve zamanlamanın kritik olduğu ortamlarda kullanılır. Depolar, fabrikalar ve çiftlikler gibi ortamlarda bir robot, bir montaj hattındaki bir parça, bir paket üzerindeki bir etiket veya bir tarladaki küçük bir bitki tomurcuğu gibi çok küçük nesneleri tanımalı ve hızlı bir şekilde yanıt vermelidir.

Bu boyuttaki nesneleri tespit etmek, özellikle kamera akışında sadece birkaç piksel olarak göründüklerinde veya diğer nesneler tarafından kısmen tıkandıklarında karmaşık olabilir. Bu küçük detayları kaçırmak otomasyonu yavaşlatabilir veya robotun bir görevi tamamlama yeteneğini etkileyebilir.

Ultralytics YOLO11 bu durumlarda fark yaratabilir. Geliştirilmiş özellik çıkarımı ve hızlı çıkarımı, robotların küçük nesneleri gerçek zamanlı olarak tespit etmesini ve hemen harekete geçmesini sağlar.

Ultralytics YOLO11 ayrıca, robotların yalnızca genel sınırlayıcı kutuları konumlandırmak yerine nesne sınırlarını ve kavrama noktalarını daha hassas bir şekilde anlamasına yardımcı olabilecek örnek bölütlemeyi de destekler. Örneğin, YOLO11 ile entegre edilmiş bir robot kol, bir konveyör bant üzerindeki küçük bileşenleri tespit edebilir, bunların tam şeklini bölütleyebilir ve bunlar menzil dışına çıkmadan önce onları alarak sistemin verimli ve güvenilir kalmasına yardımcı olabilir.

Ultralytics YOLO11'i küçük nesne tespiti için ne etkili kılıyor#

Günümüzde mevcut olan pek çok görüntüleme yapay zekası modeliyle, Ultralytics YOLO11'i öne çıkaran şeyin ne olduğunu merak ediyor olabilirsiniz.

Ultralytics YOLO11'in küçük nesnelerin tespit edilmesi gereken uygulamalar için harika bir seçenek olmasının birkaç nedeni şunlardır:

• Better feature extraction: YOLO11, özellik çıkarımını geliştirmek ve daha hassas nesne tespiti sağlamak için iyileştirilmiş bir omurga ve boyun mimarisi kullanır.
• Ekosistem ve kullanım kolaylığı: Ultralytics Python package, YOLO11 gibi modelleri yüklemek, eğitmek, doğrulamak ve dağıtmak için yerleşik işlevler sağlayan bir kütüphanedir. Bu iş akışları yalnızca birkaç satır kod gerektirdiğinden, ekipler küçük nesne tespiti için modelleri hızla deneyebilir ve ince ayar yapabilir.
• Edge dağıtımı için optimize edilmiştir: Ultralytics YOLO11, NVIDIA Jetson, Raspberry Pi ve endüstriyel kamera sistemleri gibi edge cihazlarında verimli bir şekilde çalışabilir. Basitçe söylemek gerekirse, doğrudan cihaz üzerinde gerçek zamanlı görsel AI görevlerini etkinleştirir.

Ultralytics YOLO11 ile küçük nesneleri tespit ederken kullanabileceğin pratik stratejiler#

Ultralytics YOLO11 gibi bir model kullanmanın yanı sıra, etiketlerinizi hazırlama biçiminiz, genel veri setiniz ve model eğitim prosedürünüz tespit performansında önemli bir fark yaratabilir.

İşte odaklanmanız gerekenlerin kısa bir özeti:

• Doğru veri artırma: Ölçeklendirme veya kırpma gibi hafif veri artırma, modelin yeni görüntülere genelleme yapmasına yardımcı olabilir. Ancak, agresif büyük ölçekli artırma, küçük nesneleri bozabilir veya kaldırabilir, bu da modelin onları öğrenmesini zorlaştırır.
• Hata durumlarına bakmak: Modelin nesneleri nerede ıskaladığını veya yanlış tanımladığını analiz etmek, bir temel oluşturmaya ve sorunların veri setinden mi, özellik çıkarımı sırasında bilginin kaybolmasından mı kaynaklandığını veya eğitim ayarlarını düzeltmek gerekip gerekmediğini ortaya çıkarmaya yardımcı olur.
• Veri seti bileşimi: Veri setiniz, modelin anlamlı desenleri öğrenebilmesi için yeterli miktarda küçük nesne örneği içermeli ve eğitim sırasında daha büyük nesnelerin daha küçük olanları gölgede bırakmaması için dengeli kalmalıdır.

Öne çıkanlar#

Küçük nesne tespiti zordur çünkü görüntüler bir bilgisayarlı görü modelinden geçerken küçük hedefler ayrıntı kaybeder. Ultralytics YOLO11, bu ayrıntıların korunma biçimini geliştirerek gerçek zamanlı performanstan ödün vermeden küçük nesne tespitini daha güvenilir hale getirir. Bu denge, YOLO11'in gerçek dünya uygulamalarında doğru ve verimli tespiti desteklemesine olanak tanır.

Büyüyen community katıl! Yapay zeka hakkında daha fazla bilgi edinmek için GitHub repository keşfet. Çözüm sayfalarımızı ziyaret ederek computer vision in retail ve AI in the automotive endüstrisindeki yapay zeka gibi inovasyonları keşfet. Bilgisayarlı görü ile bugün geliştirmeye başlamak için licensing options göz at.