Mask R-CNN nedir ve nasıl çalışır?

Depolardaki robotlar, yoğun sokaklarda güvenle ilerleyen sürücüsüz araçlar, mahsulleri kontrol eden dronlar ve fabrikalarda ürünleri denetleyen AI sistemleri gibi yenilikler, AI'ın benimsenmesi arttıkça daha yaygın hale geliyor. Bu yenilikleri yönlendiren kilit bir teknoloji, makinelerin görsel verileri anlamasını ve yorumlamasını sağlayan bir AI dalı olan computer vision teknolojisidir.

Örneğin, nesne tespiti, sınırlayıcı kutular (bounding boxes) kullanarak görüntülerdeki nesneleri tanımlamaya ve konumlandırmaya yardımcı olan bir bilgisayarlı görü görevidir. Sınırlayıcı kutular yararlı bilgiler sunsa da, bunlar yalnızca bir nesnenin konumu hakkında kaba bir tahmin sağlar ve tam şeklini veya sınırlarını yakalayamaz. Bu da onları, kesin tanımlama gerektiren uygulamalarda daha az etkili kılar.

Bu sorunu çözmek için araştırmacılar, nesnelerin tam konturlarını yakalayan ve daha doğru tespit ve analiz için piksel düzeyinde ayrıntılar sağlayan segmentasyon modelleri geliştirdiler.

Mask R-CNN bu modellerden biridir. 2017 yılında Facebook AI Research (FAIR) tarafından tanıtılan model, R-CNN, Fast R-CNN ve Faster R-CNN gibi önceki modellerin üzerine kurulmuştur. Computer vision tarihinin önemli bir mil taşı olan Mask R-CNN, Ultralytics YOLO11 gibi daha gelişmiş modellerin yolunu açmıştır.

Bu makalede Mask R-CNN'in ne olduğunu, nasıl çalıştığını, uygulama alanlarını ve sonrasında gelen iyileştirmelerin Ultralytics YOLO11'e nasıl yol açtığını inceleyeceğiz.

Mask R-CNN'e genel bir bakış#

Mask Region-based Convolutional Neural Network kelimelerinin kısaltması olan Mask R-CNN; nesne tespiti ve örnek bölütleme gibi computer vision tasks için tasarlanmış bir derin öğrenme modelidir.

Örnek segmentasyonu, geleneksel nesne tespitinin ötesine geçerek yalnızca bir görüntüdeki nesneleri tanımlamakla kalmaz, aynı zamanda her birini doğru bir şekilde ana hatlarıyla belirtir. Tespit edilen her nesneye benzersiz bir etiket atar ve tam şeklini piksel düzeyinde yakalar. Bu ayrıntılı yaklaşım, üst üste binen nesneleri net bir şekilde ayırt etmeyi ve karmaşık şekilleri doğru bir şekilde işlemeyi mümkün kılar.

Mask R-CNN, nesneleri tespit eden ve etiketleyen ancak tam şekillerini tanımlamayan Faster R-CNN üzerine inşa edilmiştir. Mask R-CNN, her bir nesneyi oluşturan tam pikselleri tanımlayarak bunu geliştirir ve çok daha ayrıntılı ve doğru görüntü analizi sağlar.

Fig 1. Nesne tespiti ve örnek bölütlemenin karşılaştırılması.

Mask R-CNN mimarisine ve çalışma prensibine bir bakış#

Mask R-CNN, nesneleri doğru bir şekilde tespit etmek ve bölütlemek için adım adım bir yaklaşım izler. İlk olarak derin bir sinir ağı (verilerden öğrenen çok katmanlı bir model) kullanarak temel özellikleri çıkarır, ardından bir bölge öneri ağı (olası nesne bölgelerini öneren bir bileşen) ile potansiyel nesne alanlarını tanımlar ve son olarak her nesnenin tam şeklini yakalayan ayrıntılı segmentasyon maskeleri (nesnelerin kesin ana hatları) oluşturarak bu alanları iyileştirir.

Bir sonraki adımda, Mask R-CNN'in nasıl çalıştığına dair daha iyi bir fikir edinmek için her bir adımı inceleyeceğiz.

Şekil 2. Mask R-CNN mimarisine genel bir bakış (Kaynak: researchgate.net).

Özellik çıkarma ile başlangıç#

Mask R-CNN mimarisindeki ilk adım, modelin içindekileri anlayabilmesi için görüntüyü temel parçalarına ayırmaktır. Bunu, bir fotoğrafa baktığınızda şekiller, renkler ve kenarlar gibi ayrıntıları doğal olarak fark etmeniz gibi düşünebilirsin. Model, görüntüyü taramak ve temel ayrıntıları yakalamak için gözleri gibi işlev gören "backbone" (genellikle ResNet-50 veya ResNet-101) adlı bir derin sinir ağı kullanarak benzer bir işlem yapar.

Görüntülerdeki nesneler çok küçük veya çok büyük olabileceğinden, Mask R-CNN bir Özellik Piramidi Ağı (Feature Pyramid Network) kullanır. Bu, modelin hem ince ayrıntıları hem de büyük resmi görmesini sağlayan farklı büyüteçlere sahip olmak gibidir ve her boyuttaki nesnenin fark edilmesini sağlar.

Bu önemli features are extracted edildikten sonra model, görüntüdeki potansiyel nesneleri konumlandırmaya geçer ve daha ileri düzey analizler için zemin hazırlar.

Görüntüdeki nesnelerin bulunduğu potansiyel alanların önerilmesi#

Görüntü temel özellikler için işlendikten sonra, Bölge Öneri Ağı (Region Proposal Network) devreye girer. Modelin bu parçası görüntüye bakar ve nesne içermesi muhtemel alanları önerir.

Bunu, anchors adı verilen birden fazla olası nesne konumu üreterek yapar. Ağ daha sonra bu çıpaları değerlendirir ve ileri analiz için en umut verici olanları seçer. Bu sayede model, görüntüdeki her bir noktayı tek tek kontrol etmek yerine, yalnızca ilgi çekme olasılığı en yüksek olan alanlara odaklanır.

Fig 3. Bir Bölge Öneri Ağı (Region Proposal Network) örneği.

Çıkarılan özelliklerin geliştirilmesi#

Temel alanlar belirlendikten sonra, bir sonraki adım bu bölgelerden çıkarılan ayrıntıları iyileştirmektir. Önceki modeller, her alandan özellikleri toplamak için ROI Pooling (İlgi Bölgesi Havuzlama) adlı bir yöntem kullanıyordu, ancak bu teknik bazen bölgeleri yeniden boyutlandırırken hafif yanlış hizalamalara yol açıyor ve bu da onu, özellikle daha küçük veya üst üste binen nesneler için daha az etkili kılıyordu.

Mask R-CNN, ROI Align (İlgi Bölgesi Hizalama) olarak adlandırılan bir teknik kullanarak bunu geliştirir. ROI Pooling gibi koordinatları yuvarlamak yerine, ROI Align piksel değerlerini daha kesin tahmin etmek için bilineer enterpolasyon kullanır. Bilineer enterpolasyon, yeni bir piksel değerini en yakın dört komşusunun değerlerini ortalayarak hesaplayan ve daha yumuşak geçişler oluşturan bir yöntemdir. Bu, özelliklerin orijinal görüntüyle doğru bir şekilde hizalanmasını sağlar ve daha doğru nesne tespiti ve segmentasyonu ile sonuçlanır.

Örneğin, bir futbol maçında, yan yana duran iki oyuncu sınırlayıcı kutuları üst üste bindiği için birbiriyle karıştırılabilir. ROI Align, şekillerini belirgin tutarak onları ayırmaya yardımcı olur.

Fig 4. Mask R-CNN, ROI Align kullanır.

Nesnelerin sınıflandırılması ve maskelerinin tahmin edilmesi#

ROI Align görüntüyü işledikten sonra, bir sonraki adım nesneleri sınıflandırmak ve konumlarına ince ayar yapmaktır. Model, çıkarılan her bölgeye bakar ve içinde hangi nesnenin olduğuna karar verir. Farklı kategorilere bir olasılık puanı atar ve en iyi eşleşmeyi seçer.

Aynı zamanda, sınırlayıcı kutuları nesnelere daha iyi uyacak şekilde ayarlar. İlk kutular ideal şekilde yerleştirilmemiş olabilir, bu nedenle bu işlem, her kutunun tespit edilen nesneyi tam olarak çevrelediğinden emin olarak doğruluğu artırmaya yardımcı olur.

Son olarak Mask R-CNN ekstra bir adım atar: her nesne için paralel olarak ayrıntılı bir segmentation mask üretir.

Mask R-CNN ve gerçek zamanlı uygulamaları#

Bu model çıktığında, yapay zeka topluluğunda büyük bir heyecanla karşılandı ve kısa sürede çeşitli uygulamalarda kullanılmaya başlandı. Nesneleri gerçek zamanlı olarak tespit etme ve bölütleme yeteneği, farklı sektörlerde oyunun kurallarını değiştirdi.

Örneğin, doğadaki tracking endangered animals zorlu bir iştir. Birçok tür yoğun ormanlarda hareket eder ve bu da doğa korumacılarının onları takip etmesini zorlaştırır. Geleneksel yöntemler kamera kapanları, dronlar ve uydu görüntüleri kullanır, ancak tüm bu verileri elle incelemek zaman alıcıdır. Yanlış tanımlamalar ve kaçırılan gözlemler koruma çabalarını yavaşlatabilir.

Kaplan çizgileri, zürafa benekleri veya fil kulaklarının şekli gibi benzersiz özellikleri tanıyarak, Mask R-CNN hayvanları görüntülerde ve videolarda daha yüksek doğrulukla tespit edebilir ve bölütleyebilir. Hayvanlar ağaçlar tarafından kısmen gizlenmiş veya birbirine yakın duruyor olsalar bile, model onları ayırabilir ve her birini ayrı ayrı tanımlayabilir, bu da yaban hayatı izlemeyi daha hızlı ve daha güvenilir hale getirir.

Fig 5. Mask R-CNN kullanarak hayvanları tespit etme ve bölütleme.

Mask R-CNN'in sınırlamaları#

Nesne tespiti ve segmentasyonundaki tarihsel önemine rağmen, Mask R-CNN bazı temel dezavantajlara da sahiptir. İşte Mask R-CNN ile ilgili bazı zorluklar:

• High computational demand: Güçlü GPU'lara güvenir; bu da çalıştırmayı pahalı hale getirebilir ve büyük miktarda veri işlenirken yavaşlamalara yol açabilir.
• Daha yavaş işlem hızı: Çok aşamalı süreci, YOLO gibi daha hızlı gerçek zamanlı modellere kıyasla onu yavaşlatır ve bu da zamana duyarlı görevler için ideal olmayabilir.
• Yüksek kaliteli verilere bağımlılık: Model en iyi performansı net, iyi etiketlenmiş görüntülerle gösterir. Bulanık veya kötü aydınlatılmış görüntüler doğruluğunu önemli ölçüde azaltabilir.
• Karmaşık uygulama: Çok aşamalı mimari, özellikle büyük veri kümeleri veya sınırlı kaynaklarla uğraşırken kurulumu ve optimize edilmesi zor olabilir.

Mask R-CNN'den Ultralytics YOLO11'e#

Mask R-CNN segmentasyon görevleri için harikaydı, ancak birçok sektör hız ve gerçek zamanlı performansa öncelik vererek bilgisayarlı görü teknolojisini benimsemeye çalışıyordu. Bu gereksinim, araştırmacıları nesneleri tek bir geçişte tespit eden ve verimliliği büyük ölçüde artıran tek aşamalı modeller geliştirmeye yöneltti.

Mask R-CNN'in çok adımlı sürecinin aksine, YOLO (You Only Look Once) gibi tek aşamalı computer vision models gerçek zamanlı computer vision görevlerine odaklanır. Algılama ve bölütlemeyi ayrı ayrı ele almak yerine, YOLO modelleri bir görüntüyü tek seferde analiz edebilir. Bu da onu otonom sürüş, sağlık hizmetleri, üretim ve hızlı karar vermenin çok önemli olduğu robotik gibi uygulamalar için ideal kılar.

Özellikle Ultralytics YOLO11, hem hızlı hem de doğru olarak bunu bir adım ileri taşır. YOLOv8m'e göre %22 daha az parametre kullanır ancak COCO veri kümesinde hâlâ daha yüksek bir ortalama ortalama kesinlik (mAP) elde eder; bu da nesneleri daha hassas bir şekilde tespit ettiği anlamına gelir. Geliştirilmiş işleme hızı, onu her milisaniyenin önemli olduğu gerçek zamanlı uygulamalar için iyi bir seçenek haline getirir.

Fig 6. YOLO11'in diğer modellerle karşılaştırıldığında performans.

Öne çıkanlar#

Bilgisayarlı görü tarihine dönüp baktığımızda, Mask R-CNN nesne tespiti ve segmentasyonunda büyük bir buluş olarak kabul edilir. Ayrıntılı çok adımlı süreci sayesinde karmaşık ortamlarda bile çok kesin sonuçlar verir.

Ancak aynı süreç, onu YOLO gibi gerçek zamanlı modellere kıyasla daha yavaş hale getirir. Hız ve verimlilik ihtiyacı arttıkça, birçok uygulama artık hızlı ve doğru nesne tespiti sunan Ultralytics YOLO11 gibi tek aşamalı modelleri kullanıyor. Mask R-CNN bilgisayarlı görünün evrimini anlamak açısından önemli olsa da, gerçek zamanlı çözümlere yönelik eğilim, daha hızlı ve daha verimli bilgisayarlı görü çözümlerine yönelik artan talebi vurgulamaktadır.

Büyüyen community topluluğumuza katıl! Yapay zeka hakkında daha fazla bilgi edinmek için GitHub repository sayfamızı keşfet. Kendi computer vision projelerine başlamaya hazır mısın? licensing options seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek AI in agriculture ve vision AI in healthcare alanlarındaki gelişmeleri keşfet!