Yönelimli sınırlayıcı kutu (OBB) tespiti nedir?

Nesneleri nasıl düzenlendiklerine veya hangi yöne baktıklarına bakılmaksızın tanımak, insan olarak bizim için son derece doğaldır. İster bir kavşaktaki arabalar ister bir limandaki tekneler olsun, ne olduklarını ve hangi yöne baktıklarını kolayca anlayabiliriz. Ancak yapay zeka (AI) sistemleri için bu o kadar da basit değildir.

Örneğin, görüntüleri ve videoları anlamaya odaklı bir yapay zeka dalı olan computer vision, makinelerin bir sahne içindeki nesneleri tanımlamasına ve konumlandırmasına yardımcı olan nesne tespiti gibi görevleri mümkün kılar. Geleneksel nesne tespiti, nesnelerin etrafına kutular çizebilmek için eksene hizalanmış sınırlayıcı kutulara dayanır. Bu kutuların düz kenarları ve sabit dik açıları vardır. Bu yaklaşım, nesneler dik durduğunda ve birbirine çok yakın olmadığında oldukça iyi çalışır.

Ancak nesneler eğimli, dönmüş veya birbirine yakın olduğunda geleneksel nesne tespiti genellikle bunları doğru şekilde yakalamakta zorlanır. Bu tür daha karmaşık durumlarla başa çıkmak için oriented bounding box (OBB) detection gibi teknikler geliştirilmiştir. Standart sınırlayıcı kutuların aksine OBB'ler, nesnenin açısına ve şekline uyum sağlayacak şekilde dönebilir ve daha sıkı, daha doğru bir uyum sağlar.

OBB tespitini destekleyen Ultralytics YOLO11 gibi computer vision modelleri, özellikle hava gözetimi gibi nesne yöneliminin önem taşıdığı senaryolarda bir dizi gerçek zamanlı uygulamaya olanak tanır. Bunun ötesinde OBB tespiti sağlık, tarım ve belge analizinde de kullanılmaktadır.

Bu makalede, OBB tespitinin ne olduğunu, nasıl çalıştığını ve gerçek dünya senaryolarında nerelerde uygulandığını inceleyeceğiz. Hadi başlayalım!

Fig 1. Teknelerin OBB tespiti için YOLO11 kullanımına dair örnek bir demo.

Yönlendirilmiş sınırlayıcı kutu nedir?#

Yönlendirilmiş bir bounding box, bir görüntüde tespit edilen nesneleri temsil etmek için computer vision alanında kullanılan bir tür dikdörtgen kutudur. Standart sınırlayıcı kutular görüntünün yatay ve dikey eksenleriyle hizalanırken, OBB'ler nesnenin gerçek açısına uyum sağlamak için dönebilir.

Bu dönme yeteneği birçok avantajı beraberinde getirir. OBB'ler bir nesnenin yönelimiyle daha yakından hizalanabilir, böylece kutunun nesnenin şekline ve yönüne tam olarak oturmasını sağlar. Sonuç olarak, tespit daha doğru ve hassas hale gelir.

OBB'ler, özellikle nesneler tam olarak dik olmadığında (örneğin hava görüntülerinde virajlı bir yolda dönen bir araba, bir masa üzerindeki eğik bir kitap veya tıbbi bir taramada döndürülmüş bir tümör gibi) oldukça yararlıdır. Bir nesnenin açısını daha doğru bir şekilde eşleştirerek, OBB'ler tespit performansını iyileştirir, arka plan parazitini azaltır ve özellikle nesnenin yöneliminin konumu kadar önemli olduğu uygulamalar için harikadır.

Fig 2. Nesne tespiti ve OBB tespitinin karşılaştırılması.

OBB tespiti vs. nesne tespiti#

OBB tespiti ve geleneksel nesne tespiti ilk bakışta benzer görünebilir, ancak farklı yollarla ve farklı durumlar için kullanılırlar. Bir örnekle nasıl karşılaştırıldıklarına daha yakından bakalım.

YOLO11 gibi Computer vision modelleri, endüstriyel denetim gibi çeşitli gerçek dünya uygulamalarındaki nesneleri tespit etmek ve sınıflandırmak üzere eğitilebilir. Bir konveyör bant boyunca hareket eden farklı makine parçalarının bulunduğu bir fabrika montaj hattını düşünün. Bazı parçalar düzgün bir şekilde yerleştirilmiş olabilir, ancak diğerleri titreşim veya hız nedeniyle biraz dönmüş, eğilmiş veya üst üste binmiş olabilir.

Geleneksel nesne tespiti, görüntünün yatay ve dikey kenarlarıyla hizalanan dik, dikdörtgen kutular kullanır. Bu nedenle, bir parça döndürüldüğünde kutu düzgün bir şekilde oturmayabilir; nesnenin bir kısmını dışarıda bırakabilir veya arka planın çok fazla kısmını dahil edebilir. Bu, tespitlerin daha az doğru olmasına ve sistemin parçayı güvenle tanımlamasının zorlaşmasına neden olabilir.

Şimdi, bunun yerine OBB tespiti kullandığını varsayalım. Bu durumda model, her bir parçanın tam açısına uyacak şekilde dönen bir kutu çizebilir. Eğik bir dişli veya açılı bir bileşen, şekline ve yönüne uyan bir kutuyla sıkıca çevrelenecektir. Bu, özellikle otomatik kalite kontrol veya robotik sıralama gibi kullanım durumlarıyla ilgili olarak daha iyi hassasiyet, daha az hata ve daha güvenilir sonuçlar anlamına gelir.

Popüler OBB tespit modelleri#

Artık OBB tespitinin ne olduğuna dair daha iyi bir anlayışa sahip olduğumuza göre, bunu destekleyen en yaygın kullanılan Vision AI modellerinden bazılarına göz atalım.

Döndürülmüş veya eğik nesneleri tespit etmek için özel olarak geliştirilmiş birkaç gelişmiş bilgisayarlı görü modeli bulunmaktadır. Bunlar arasında Ultralytics YOLO modelleri, güvenilir ve verimli OBB tespit yetenekleriyle özellikle tanınır.

Ultralytics YOLOv5 gibi önceki sürümler standart nesne tespiti için tasarlanmıştı. Ultralytics YOLOv8 ve daha güncel olan YOLO11 gibi sonraki sürümler ise OBB tespiti için yerel destek getirmiştir. Özellikle YOLO11, hızdan ödün vermeden son teknoloji doğruluk sunarak gerçek zamanlı uygulamalar için etkili bir seçenek haline gelmektedir.

YOLO11n-obb gibi önceden eğitilmiş YOLO11 OBB models, çeşitli açılarda ve yönlerde görünen uçaklar, gemiler ve tenis kortları gibi bir dizi nesne sınıfıyla etiketlenmiş hava görüntülerinden oluşan DOTAv1 gibi veri kümeleri üzerinde eğitilir.

Ayrıca bu modeller, farklı performans ihtiyaçlarını karşılamak için nano (n-obb) boyutundan ekstra büyük (x-obb) boyutuna kadar beş farklı boyutta mevcuttur. Bu çok yönlülük, kentsel altyapıyı izlemekten makine incelemeye ve taranmış belgelerdeki eğri metinleri okumaya kadar çeşitli endüstrilerde uygulanmalarını sağlar.

Yönlendirilmiş sınırlayıcı kutu tespiti için Ultralytics YOLO11 özel eğitimi#

Birçok gerçek dünya durumunda, tespit etmeniz gereken nesneler standart training datasets içindekilerden tamamen farklı olabilir. Örneğin, bir üretim hattındaki aletler, ürün ambalajları veya bir devre kartındaki bileşenler döndürülmüş, düzensiz yerleştirilmiş veya farklı şekillere sahip olabilir.

Bu özel nesneleri, özellikle yönelimin önemli olduğu durumlarda doğru bir şekilde tespit etmek için, kendi görsellerini ve etiketlerini kullanarak Ultralytics YOLO11 gibi modelleri eğitmek önemlidir. Bu süreç özel eğitim olarak bilinir.

Ultralytics YOLO11 modelini OBB tespiti için eğitme sürecine adım adım daha yakından bakalım:

• Görsel toplama: Hedef nesnelerinizi farklı açılardan, konumlardan ve gerçek dünya ortamlarından gösteren görselleri topla.
• Nesne etiketleme: Hem konumlarını hem de yönelimlerini yakalamak için OBB desteğine sahip etiketleme araçlarını kullanarak her nesneyi döndürülmüş sınırlayıcı kutularla (OBB'ler) etiketle.
• Veri kümesi hazırlığı: Görsellerini ve etiketlerini YOLO dizin yapısına göre düzenle ve sınıf adların ile veri kümesi yollarını içeren bir YAML yapılandırma dosyası oluştur.
• Model eğitimi: İhtiyaçlarına uygun bir Ultralytics YOLO11 modeli versiyonunu seç ve modelin etiketli görsellerinden öğrenebilmesi için eğitim sürecini çalıştır.
• Değerlendirme ve dağıtım: Eğittiğin modeli yeni görseller üzerinde test et, doğruluğunu değerlendir ve üretim, hava gözetimi veya belge analizi gibi pratik uygulamalarda kullanıma sun.

OBB tespiti tarafından etkinleştirilen uygulamalar#

Merkezden uzak veya eğik nesneler gerçek hayattaki senaryolarda oldukça yaygındır. OBB tespitinin bu nesneleri doğru bir şekilde tespit ederek gerçek bir fark yarattığı birkaç örneği inceleyelim.

OBB tespiti kullanarak röntgen görüntü analizi#

OBB tespiti, hassasiyeti artırarak medical image analysis sürecini bir adım öteye taşıyabilir. Tıbbi görüntüler genellikle tümörler, organlar veya kemikler gibi anatomik yapıları içerir. Bu yapılar sıklıkla düzensiz şekillerde ve çeşitli yönelimlerde görünür. OBB'ler bir nesnenin açısına uyum sağlayabildiğinden, teşhis ve tedavi planlaması için kritik önem taşıyan daha doğru lokalizasyon ve ölçüm sağlar.

Bu yaklaşım, kemiklerin konumunun ve hizalanmasının kilit faktörler olduğu kemik kırıklarının X-ışını görüntülerini analiz etmede özellikle etkilidir. Örneğin, OBB tespiti pediatric elbow X-rays analiz etmek için kullanılmaktadır. Kemiklerin yönelimine uyum sağlayarak tespit doğruluğunun artmasına yardımcı olmuştur.

Fig 3. Nesne tespiti (b, e) ve yönlendirilmiş sınırlayıcı kutu tespiti (c, f) içeren X-ışınları (a, d).

OBB tespitiyle güçlendirilmiş hava gözetimi#

Hava gözetimi, kamu güvenliği, çevre izleme ve şehir planlaması gibi sektörlerde temel bir araçtır. Dronlar veya uydular tarafından yakalanan görüntüler gemiler, araçlar ve binalar gibi nesneleri tanımlamaya yardımcı olabilir. Ancak bu görüntülerde nesneler genellikle küçük ve alışılmadık açılarda görünür, bu da onları doğru bir şekilde tespit etmeyi zorlaştırır.

OBB tespiti, sınırlayıcı kutuları her nesnenin açısına uyacak şekilde eğerek bunu çözer. Bu, bir nesnenin boyutu ve yöneliminin daha doğru ölçülmesine yol açarak kentsel planlama, savunma, afet müdahalesi ve çevre izleme gibi alanlarda daha iyi karar vermeyi destekler.

OBB tespitinin ilginç bir örneği, maritime surveillance alanında gemi takibidir. Uydu görüntüleri genellikle hava durumu, aydınlatma veya hareket nedeniyle gemileri farklı açılarda ve boyutlarda yakalar. OBB'ler bu değişikliklere uyum sağlayarak özellikle küçük veya kısmen gizlenmiş tekneler için tespit kalitesini artırabilir.

Fig 4. Deniz gözetimi için OBB tespiti kullanımına bir bakış.

Tarımda OBB tespiti kullanma#

Hasattan sonra mahsullerin sıralanması, paketlenip pazara gönderilmeden önce kalitenin sağlanması için kritik bir adımdır. Birçok sistem elma ve portakal gibi yuvarlak meyveler için iyi çalışsa da, havuç veya Zizania filizleri gibi uzun ve dar mahsulleri işlemek çok daha zor olabilir. Şekilleri değişkendir ve genellikle farklı açılarda oldukları için onları doğru bir şekilde tespit etmek ve sıralamak zordur.

Bunun üstesinden gelmek için araştırmacılar, bu mahsulleri daha doğru bir şekilde tanımlamak ve grade these crops için yönlendirilmiş sınırlayıcı kutu (OBB) tespiti kullanan bir sistem geliştirmiştir. Sistem, eğimli veya üst üste binmiş olsalar bile tek bir görüntülle birden fazla mahsulü tespit edebilir ve bunların kalitesini ve konumunu gerçek zamanlı olarak değerlendirebilir.

OBB tespitinin artıları ve eksileri#

İşte OBB tespiti kullanmanın faydalarından bazıları:

• Akıştaki alt görevler için iyileştirilmiş girdi: Örnek bölütleme ve nesne takibi gibi Computer vision tasks, daha doğru nesne tespiti sonuçları sağlandığında daha iyi performans gösterebilir.
• Gelişmiş uzamsal akıl yürütme: Yönelim açısını yakalayarak, OBB'ler bir nesnenin hizasını ve yönünü anlamayı mümkün kılar.
• Kalabalık sahnelerde azaltılmış örtüşme: OBB'ler, yoğun veya karmaşık sahnelerde bile nesnelere daha sıkı uyum sağlayarak belirsizliği azaltır.

Karmaşık sahnelerde tespit doğruluğunu iyileştirmeye yardımcı olmasına rağmen, OBB tespitinin göz önünde bulundurulması gereken birkaç sınırlaması vardır:

• Gürültüye karşı daha fazla hassasiyet: Açı tahminindeki küçük hatalar, özellikle sıkı paketlenmiş veya uzun nesneler için tespit doğruluğu üzerinde daha büyük bir etkiye sahip olabilir.
• Uzmanlaşmış araçlar gereklidir: Tüm etiketleme ve eğitim platformları OBB'leri yerel olarak desteklemediğinden, bunlarla çalışmak ek araçlar veya kurulum gerektirebilir.
• Sınırlı veri kümesi mevcudiyeti: Standart object detection ile karşılaştırıldığında, şu anda OBB etiketlerine sahip ve herkese açık olan daha az veri kümesi bulunmaktadır; bu da başlangıç yapmayı veya sonuçları karşılaştırmayı biraz daha zorlaştırabilir.

Öne çıkanlar#

Yönlendirilmiş sınırlayıcı kutu tespiti, bilgisayarlı görü çözümlerinin tam olarak düz veya hizalı olmayan nesneleri tanımasını kolaylaştırır. Nesnelerin hem konumunu hem de yönelimini yakalayarak, OBB tespiti tıbbi görüntüleri tarama, tarım arazilerini izleme veya uydu fotoğraflarını analiz etme gibi gerçek dünya kullanım durumlarında doğruluğu artırır.

Ultralytics YOLO11 gibi modellerin OBB tespitini daha erişilebilir kılınmasıyla birlikte bu, birçok sektör için pratik bir seçenek haline geliyor. İster eğimli, üst üste binen veya garip şekilli nesnelerle uğraşıyor ol, OBB tespiti standart yöntemlerin genellikle kaçırdığı ekstra bir hassasiyet katmanı ekler.

AI hakkında meraklı mısınız? Computer vision projenizi hızlandırmak için GitHub repository sayfamızı keşfedin, our community ile bağlantı kurun ve our licensing options seçeneklerimize göz atın. Çözüm sayfalarımızda AI in retail ve computer vision in the logistics endüstrisindeki bilgisayarla görü gibi yenilikler hakkında daha fazla bilgi edinin.