Yönlendirilmiş sınırlayıcı kutu (OBB) algılama nedir?

Yönlendirilmiş sınırlayıcı kutu nedir?

Yönlendirilmiş sınırlayıcı kutu, bir görüntüde algılanan nesneleri temsil etmek için bilgisayarla görmede kullanılan bir tür dikdörtgen kutudur. Standart sınırlayıcı kutular görüntünün yatay ve dikey eksenleriyle hizalanırken, OBB'ler nesnenin gerçek açısına uyacak şekilde dönebilir.

Bu döndürme yeteneği masaya çeşitli avantajlar getirir. OBB'ler bir nesnenin yönüne daha yakın bir şekilde hizalanabilir ve kutunun nesnenin şekli ve yönü etrafına sıkıca oturmasını sağlar. Sonuç olarak, algılama daha doğru ve hassas hale gelir.

OBB'ler özellikle havadan çekilen görüntülerde kavisli bir yolda dönen bir araba, masanın üzerinde eğilmiş bir kitap veya tıbbi taramada döndürülmüş bir tümör gibi nesneler tamamen dik olmadığında kullanışlıdır. Bir nesnenin açısını daha doğru bir şekilde eşleştirerek, OBB'ler algılama performansını artırır, arka plan parazitini azaltır ve özellikle bir nesnenin yönünün konumu kadar önemli olduğu uygulamalar için mükemmeldir.

‍

OBB algılama vs. nesne algılama

OBB algılama ve geleneksel nesne algılama ilk başta benzer görünebilir, ancak farklı şekillerde ve farklı durumlar için kullanılırlar. Bir örnekle nasıl karşılaştırıldıklarına daha yakından bakalım.

YOLO11 gibi bilgisayarla görme modelleri, endüstriyel denetim gibi çeşitli gerçek dünya uygulamalarında nesneleri tespit etmek ve sınıflandırmak için eğitilebilir. Farklı makine parçalarının bir konveyör bant boyunca hareket ettiği bir fabrika montaj hattını düşünün. Bazı parçalar düzgün bir şekilde yerleştirilmiş olabilir, ancak diğerleri titreşim veya hız nedeniyle hafifçe dönmüş, eğilmiş veya üst üste binmiş olabilir.

Geleneksel nesne algılama, görüntünün yatay ve dikey kenarlarıyla hizalanan dik, dikdörtgen kutular kullanır. Dolayısıyla, bir parça döndürüldüğünde kutu tam olarak oturmayabilir - nesnenin bir kısmını dışarıda bırakabilir veya arka planı çok fazla içerebilir. Bu durum tespitlerin daha az doğru olmasına ve sistemin parçayı güvenle tanımlamasının zorlaşmasına neden olabilir.

Şimdi, bunun yerine OBB algılamayı kullandığınızı 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 kutu tarafından sıkıca çevrelenecektir. Bu, özellikle otomatik kalite kontrol veya robotik sıralama gibi kullanım durumları açısından daha iyi hassasiyet, daha az hata ve daha güvenilir sonuçlar anlamına gelir.

Popüler OBB algılama modelleri

Artık OBB tespitinin ne olduğunu daha iyi anladığımıza göre, bunu destekleyen en yaygın kullanılan Vision AI modellerinden bazılarına bir göz atalım.

Döndürülmüş veya eğilmiş nesneleri tespit etmek için özel olarak birkaç gelişmiş bilgisayarla görme modeli geliştirilmiştir. Bunlar arasında, Ultralytics YOLO modelleri özellikle güvenilir ve verimli OBB algılama yetenekleriyle tanınmaktadır.

Ultralytics YOLOv5 gibi önceki sürümler standart nesne algılama için tasarlanmıştır. Ultralytics YOLOv8 ve daha yeni olan YOLO11 gibi daha sonraki yinelemeler, OBB algılama için yerel destek sağladı. Özellikle YOLO11, hızdan ödün vermeden son teknoloji ürünü doğruluk sunar ve bu da onu gerçek zamanlı uygulamalar için etkili bir seçenek haline getirir.

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

Ayrıca bu modeller, farklı performans ihtiyaçlarını karşılamak için nano (n-obb) ile ekstra büyük (x-obb) arasında beş farklı boyutta mevcuttur. Bu çok yönlülük, kentsel altyapının izlenmesi ve makinelerin denetlenmesinden taranan belgelerdeki çarpık metinlerin okunmasına kadar çeşitli sektörlerde uygulanmalarına olanak tanır.

Yönlendirilmiş sınırlayıcı kutu tespiti için özel eğitim YOLO11

Gerçek dünyadaki birçok durumda, tespit etmeniz gereken nesneler standart eğitim veri kümelerindekilerden tamamen farklı olabilir. Örneğin, bir üretim hattındaki aletler, ürün paketleri veya devre kartındaki bileşenler gibi nesneler döndürülmüş, düzensiz yerleştirilmiş veya farklı şekillendirilmiş olabilir. 

Bu özel nesneleri doğru bir şekilde tespit etmek için, özellikle de yönelim önemli olduğunda, YOLO11 gibi modelleri kendi görüntülerinizi ve etiketlerinizi kullanarak eğitmek önemlidir. Bu süreç özel eğitim olarak bilinir. 

İşte YOLO11'i OBB tespiti için eğitmeye yönelik adım adım sürece daha yakından bir bakış:

• Görüntü koleksiyonu: Hedef nesnelerinizi farklı açılardan, konumlardan ve gerçek dünya ortamlarından gösteren görüntüler toplayın.
  ‍
• Nesne açıklaması: OBB destekli açıklama araçlarını kullanarak hem konumlarını hem de yönlerini yakalamak için döndürülmüş sınırlayıcı kutular (OBB'ler) kullanarak her nesneyi etiketleyin.
  ‍
• Veri kümesi hazırlığı: Görüntülerinizi ve etiketlerinizi YOLO dizin yapısında düzenleyin ve sınıf adlarınız ve veri kümesi yollarınızla bir YAML yapılandırma dosyası oluşturun.
  ‍
• Model eğitimi: YOLO11 modelinin ihtiyaçlarınıza uygun bir sürümünü seçin ve modelin etiketli görüntülerinizden öğrenebilmesi için eğitim sürecini çalıştırın.
  ‍
• Değerlendirme ve dağıtım: Eğitilmiş modelinizi yeni görüntüler üzerinde test edin, doğruluğunu değerlendirin ve üretim, havadan gözetleme veya belge analizi gibi pratik uygulamalarda kullanın.

OBB algılama ile etkinleştirilen uygulamalar

Merkezden uzak veya eğik nesneler gerçek hayat senaryolarında oldukça yaygındır. OBB algılamanın bu nesneleri doğru bir şekilde algılayarak gerçek bir fark yarattığı birkaç örnek üzerinden gidelim.

OBB algılama kullanarak X-ray görüntü analizi

OBB tespiti, hassasiyeti artırarak tıbbi görüntü analizini bir adım öteye taşıyabilir. Tıbbi görüntüler genellikle tümörler, organlar veya kemikler gibi anatomik yapılar içerir. Bu yapılar genellikle düzensiz şekillerde ve çeşitli yönlerde görünür. OBB'ler bir nesnenin açısına uyacak şekilde dönebildiğinden, teşhis ve tedavi planlaması için kritik olan daha doğru lokalizasyon ve ölçüm sağlarlar.

Bu yaklaşım, özellikle kemiklerin konumu ve hizalanmasının kilit faktörler olduğu kemik kırıklarının röntgen görüntülerinin analizi söz konusu olduğunda etkilidir. Örneğin, OBB tespiti pediatrik dirsek röntgenlerini analiz etmek için kullanılmıştır. Kemiklerin oryantasyonuna uyum sağlayarak tespit doğruluğunu artırmaya yardımcı oldu. 

‍

OBB tespiti ile güçlendirilmiş hava gözetimi

Havadan gözetleme, kamu güvenliği, çevre izleme ve şehir planlama gibi sektörlerde önemli bir araçtır. Dronlar veya uydular tarafından çekilen görüntüler gemiler, araçlar ve binalar gibi nesnelerin tanımlanmasına yardımcı olabilir. Ancak bu görüntülerde nesneler genellikle küçük ve alışılmadık açılarda görünür, bu da doğru bir şekilde tespit edilmelerini zorlaştırır.

OBB algılama, sınırlayıcı kutuları her nesnenin açısına uyacak şekilde eğerek bu sorunu çözer. Bu, bir nesnenin boyutunun ve yönünün daha doğru ölçülmesini sağlayarak kentsel planlama, savunma, afet müdahalesi ve çevresel izleme gibi alanlarda daha iyi karar vermeyi destekler.

OBB tespitinin ilginç bir örneği deniz gözetiminde gemi takibidir. Uydu görüntüleri genellikle gemileri hava durumu, ışıklandırma veya hareket nedeniyle değişen açılarda ve boyutlarda yakalar. OBB'ler bu değişikliklere uyum sağlayarak özellikle daha küçük veya kısmen gizlenmiş gemilerin tespitini iyileştirebilir.

‍

OBB tespitinin artıları ve eksileri

OBB algılamayı kullanmanın faydalarından bazıları şunlardır:

• Sonraki görevler için geliştirilmiş girdi: Örnek segmentasyonu ve nesne takibi gibibilgisayarla görme görevleri, daha doğru nesne tespitleri verildiğinde daha iyi performans gösterebilir.
  
  
• Geliştirilmiş uzamsal muhakeme: OBB'ler, yönelim açısını yakalayarak bir nesnenin hizasını ve yönünü anlamayı mümkün kılar.
  
  
• Kalabalık sahnelerde daha az örtüşme: OBB'ler, yoğun veya dağınık sahnelerde bile nesneleri daha sıkı bir şekilde yerleştirerek belirsizliği azaltır.

Karmaşık sahnelerde tespit doğruluğunu artırmaya yardımcı olmasına rağmen, OBB tespiti dikkate alınması gereken birkaç sınırlamayla birlikte gelir:

• Gürültüye karşı daha fazla hassasiyet: Açı tahminindeki küçük hatalar, özellikle sıkıca paketlenmiş veya uzatılmış nesneler için algılama doğruluğu üzerinde daha büyük bir etkiye sahip olabilir.
  ‍
• Özel araçlar gereklidir: Tüm etiketleme ve eğitim platformları OBB'leri yerel olarak desteklemediğinden, bunlarla çalışmak için ek araçlar veya kurulum gerekebilir.
  
  
• Sınırlı veri seti kullanılabilirliği: Standart nesne algılama ile karşılaştırıldığında, şu anda OBB ek açıklamalarına sahip halka açık daha az veri kümesi vardır, bu da başlamayı veya sonuçları karşılaştırmayı biraz daha zorlaştırabilir.

Önemli çıkarımlar

Yönlendirilmiş sınırlayıcı kutu algılama, bilgisayarla görme çözümlerinin mükemmel şekilde düz veya hizalı olmayan nesneleri tanımasını kolaylaştırır. OBB algılama, nesnelerin hem konumunu hem de yönünü yakalayarak tıbbi görüntülerin taranması, tarım arazilerinin izlenmesi veya uydu fotoğraflarının analiz edilmesi gibi gerçek dünyadaki kullanım durumlarında doğruluğu artırır.

YOLO11 gibi modellerin OBB algılamayı daha erişilebilir hale getirmesiyle, birçok sektör için pratik bir seçim haline geliyor. Eğik, üst üste binen veya garip şekilli nesnelerle uğraşırken OBB algılama, standart yöntemlerin genellikle gözden kaçırdığı ekstra bir hassasiyet katmanı ekler.

Yapay zekayı merak mı ediyorsunuz? GitHub depomuzu keşfedin, topluluğumuzla bağlantı kurun ve bilgisayarla görme projenize hızlı bir başlangıç yapmak için lisanslama seçeneklerimize göz atın. Çözüm sayfalarımızda perakendede yapay zeka ve lojistik sektöründe bilgisayarla görme gibi yenilikler hakkında daha fazla bilgi edinin.