Yönlendirilmiş sınırlayıcı kutu (OBB) algılama nedir?

Nesneleri nasıl düzenlendiklerinden veya hangi yöne baktıklarından bağımsız olarak tanımak, insanlar için doğal bir beceridir. İster bir kavşaktaki arabalar ister bir limandaki tekneler olsun, ne olduklarını ve hangi yöne baktıklarını kolayca anlayabiliriz. Ancak yapay zekâ (AI) sistemleri için bu o kadar da basit değildir.

Örneğin, görüntüleri ve videoları anlamaya odaklanan bir AI dalı olan bilgisayarlı görü, makinelerin bir sahnedeki nesneleri tanımlamasına ve konumlandırmasına yardımcı olan nesne algılama gibi görevleri mümkün kılar. Geleneksel nesne algılama, nesnelerin çevresine kutular çizmek için eksenlere hizalı sınırlayıcı kutular kullanır. Bu kutuların düz kenarları ve sabit dik açıları vardır. Bu yaklaşım, nesneler dik konumdayken ve birbirine çok yakın değilken iyi çalışır.

Ancak nesneler eğik, döndürülmüş veya birbirine yakın olduğunda, geleneksel nesne algılama bunları doğru şekilde yakalamakta çoğu zaman zorlanır. Bu daha karmaşık durumlarla başa çıkmak için yönlendirilmiş sınırlayıcı kutu (OBB) algılama gibi teknikler geliştirilmiştir. Standart sınırlayıcı kutuların aksine OBB'ler, nesnenin açısına ve şekline uyacak şekilde dönebilir ve daha sıkı, daha doğru bir uyum sağlar.

OBB algılamayı destekleyen Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, özellikle nesne yöneliminin önemli olduğu hava gözetimi gibi senaryolarda çeşitli gerçek zamanlı uygulamaları mümkün kılar. Bunun yanı sıra OBB algılama sağlık hizmetlerinde, tarımda ve belge analizinde de kullanılır.

Bu makalede OBB algılamanın ne olduğunu, nasıl çalıştığını ve gerçek dünyadaki hangi senaryolarda uygulandığını inceleyeceğiz. Hadi başlayalım!

Şekil 1. Tekneleri OBB ile algılamak için YOLO11 kullanımına dair örnek bir demo.

Yönlendirilmiş sınırlayıcı kutu nedir?#

Yönlendirilmiş bir sınırlayıcı kutu, bilgisayarlı görmede bir görüntüdeki algılanan nesneleri temsil etmek için kullanılan dikdörtgen bir kutu türüdür. Standart sınırlayıcı kutular görüntünün yatay ve dikey eksenlerine hizalanırken OBB'ler, nesnenin gerçek açısına uyacak şekilde dönebilir.

Dönebilme özelliği birçok avantaj sağlar. OBB'ler nesnenin yönelimine daha yakından hizalanarak kutunun nesnenin şekli ve yönü etrafına sıkı şekilde oturmasını sağlar. Bunun sonucunda algılama daha doğru ve kesin hâle gelir.

OBB'ler, hava görüntülerinde virajlı bir yolda dönen bir araba, masa üzerindeki eğik bir kitap veya tıbbi taramadaki döndürülmüş bir tümör gibi tamamen dik konumda olmayan nesneler için özellikle kullanışlıdır. OBB'ler, nesnenin açısını daha doğru eşleştirerek algılama performansını artırır, arka plan parazitini azaltır ve nesne yöneliminin konumu kadar önemli olduğu uygulamalar için özellikle uygundur.

Şekil 2. Nesne algılama ile OBB algılamanın karşılaştırılması.

OBB algılama ve nesne algılama karşılaştırması#

OBB algılama ile geleneksel nesne algılama ilk bakışta benzer görünebilir, ancak farklı şekillerde ve farklı durumlarda kullanılır. Bir örnek üzerinden nasıl karşılaştırıldıklarına daha yakından bakalım.

YOLO11 gibi bilgisayarlı görü modelleri, endüstriyel denetim gibi çeşitli gerçek dünya uygulamalarında nesneleri algılayıp sınıflandırmak üzere eğitilebilir. Farklı makine parçalarının bir taşıma bandı boyunca ilerlediği bir fabrika montaj hattını düşün. Bazı parçalar düzgün şekilde yerleştirilmiş olabilir, ancak diğerleri titreşim veya hız nedeniyle hafifçe döndürülmüş, eğilmiş ya da üst üste binmiş olabilir.

Geleneksel nesne algılama, görüntünün yatay ve dikey kenarlarıyla hizalanan dikdörtgen kutular kullanır. Bu nedenle bir parça döndürüldüğünde kutu düzgün oturmayabilir; nesnenin bir bölümünü dışarıda bırakabilir veya arka planın fazlasını içerebilir. Bu durum algılamaları daha az doğru hâle getirebilir ve sistemin parçayı güvenle tanımlamasını zorlaştırabilir.

Bunun yerine OBB algılama kullandığını varsayalım. Bu durumda model, her parçanın tam açısıyla eşleşecek şekilde dönen bir kutu çizebilir. Eğik bir dişli veya açılı bir bileşen, şekline ve yönüne uyan bir kutuyla sıkı şekilde çevrelenir. Bu da özellikle otomatik kalite kontrolü veya robotik ayıklama gibi kullanım alanlarında daha iyi kesinlik, daha az hata ve daha güvenilir sonuçlar anlamına gelir.

Popüler OBB algılama modelleri#

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

Döndürülmüş veya eğik nesneleri algılamak için özel olarak geliştirilmiş birçok gelişmiş bilgisayarlı görü modeli vardır. Bunlar arasında Ultralytics YOLO modelleri, güvenilir ve verimli OBB algılama yetenekleriyle özellikle tanınır.

Ultralytics YOLOv5 gibi önceki sürümler standart nesne algılama için tasarlanmıştı. Daha sonraki sürümler olan Ultralytics YOLOv8 ve daha yeni YOLO11, OBB algılama için yerel destek sundu. Özellikle YOLO11, hızdan ödün vermeden son teknoloji doğruluk sunarak gerçek zamanlı uygulamalar için etkili bir seçenek hâline gelir.

YOLO11n-obb gibi önceden eğitilmiş YOLO11 OBB modelleri, çeşitli açılarda ve yönelimlerde 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 gereksinimlerine uyum sağlamak üzere nano (n-obb) boyutundan ekstra büyük (x-obb) boyutuna kadar beş farklı boyutta sunulur. Bu çok yönlülük, modellerin kentsel altyapıyı izlemekten ve makineleri denetlemekten taranmış belgelerdeki eğik metinleri okumaya kadar çeşitli sektörlerde uygulanabilmesini sağlar.

Yönlendirilmiş sınırlayıcı kutu algılama için Ultralytics YOLO11'i özel olarak eğitmek#

Gerçek dünyadaki birçok durumda algılaman gereken nesneler, standart eğitim veri kümelerindeki nesnelerden tamamen farklı olabilir. Örneğin üretim hattındaki aletler, ürün ambalajları veya devre kartındaki bileşenler döndürülmüş, düzensiz şekilde yerleştirilmiş ya da farklı şekillerde olabilir.

Bu özel nesneleri, özellikle yönelimin önemli olduğu durumlarda, doğru şekilde algılamak için Ultralytics YOLO11 gibi modelleri kendi görüntülerin ve etiketlerinle eğitmen önemlidir. Bu süreç özel eğitim olarak adlandırılır.

Ultralytics YOLO11'i OBB algılama için eğitmeye yönelik adım adım sürece daha yakından bakalım:

• Görüntü toplama: Hedef nesnelerini farklı açılardan, konumlardan ve gerçek dünya ortamlarından gösteren görüntüler topla.
• Nesne açıklama: OBB desteğine sahip açıklama araçlarını kullanarak her nesneyi, hem konumunu hem de yönelimini yakalayacak şekilde döndürülmüş sınırlayıcı kutularla (OBB'ler) etiketle.
• Veri kümesi hazırlama: Görüntülerini ve etiketlerini YOLO dizin yapısında düzenle ve sınıf adlarını ve veri kümesi yollarını içeren bir YAML yapılandırma dosyası oluştur.
• Model eğitimi: İhtiyaçlarına uygun bir Ultralytics YOLO11 model sürümü seç ve modelin etiketli görüntülerinden öğrenebilmesi için eğitim sürecini çalıştır.
• Değerlendirme ve dağıtım: Eğitilmiş modelini yeni görüntüler üzerinde test et, doğruluğunu değerlendir ve üretim, hava gözetimi veya belge analizi gibi pratik uygulamalarda kullanıma al.

OBB algılamanın mümkün kıldığı uygulamalar#

Merkezden sapmış veya eğik nesneler gerçek hayat senaryolarında oldukça yaygındır. OBB algılamanın bu nesneleri doğru şekilde algılayarak gerçek bir fark yarattığı birkaç örneği inceleyelim.

OBB algılama ile X-ray görüntüsü analizi#

OBB algılama, kesinliği artırarak tıbbi görüntü analizini bir adım ileri taşıyabilir. Tıbbi görüntülerde genellikle tümörler, organlar veya kemikler gibi anatomik yapılar bulunur. Bu yapılar çoğu zaman düzensiz şekillerde ve farklı yönelimlerde görünür. OBB'ler nesnenin açısına uyacak şekilde dönebildiğinden daha doğru konumlandırma ve ölçüm sağlar; bu da tanı ve tedavi planlaması için kritik öneme sahiptir.

Bu yaklaşım, kemiklerin konumu ve hizalanmasının temel faktörler olduğu kemik kırıklarına ait X-ray görüntülerinin analizinde özellikle etkilidir. Örneğin OBB algılama, çocuk dirseği X-ray'lerini analiz etmek için kullanılmıştır. Kemiklerin yönelimine uyum sağlayarak algılama doğruluğunun artırılmasına yardımcı olmuştur.

Şekil 3. Nesne algılama (b, e) ve yönlendirilmiş sınırlayıcı kutu algılama (c, f) içeren X-ray görüntüleri (a, d).

OBB algılama destekli hava gözetimi#

Hava gözetimi, kamu güvenliği, çevresel izleme ve şehir planlaması gibi sektörlerde temel bir araçtır. Dronlar veya uydular tarafından çekilen görüntüler gemiler, araçlar ve binalar gibi nesnelerin belirlenmesine yardımcı olabilir. Ancak bu görüntülerde nesneler genellikle küçük ve alışılmadık açılarda görünür; bu da doğru şekilde algılanmalarını zorlaştırır.

OBB algılama, sınırlayıcı kutuları her nesnenin açısına uyacak şekilde eğerek bu sorunu çözer. Bu, nesnenin boyutu ve yöneliminin daha doğru ölçülmesini sağlar ve şehir planlaması, savunma, afet müdahalesi ve çevresel izleme gibi alanlarda daha iyi karar vermeyi destekler.

OBB algılamanın ilginç bir örneği, deniz gözetiminde gemi takibidir. Uydu görüntüleri, hava koşulları, aydınlatma veya hareket nedeniyle gemileri genellikle farklı açılarda ve boyutlarda yakalar. OBB'ler bu değişikliklere uyum sağlayarak özellikle daha küçük veya kısmen engellenmiş gemilerde algılamayı iyileştirebilir.

Şekil 4. Deniz gözetimi için OBB algılama kullanımına bir bakış.

Tarımda OBB algılama kullanımı#

Hasattan sonra ürünleri ayıklamak, paketlenip pazara gönderilmeden önce kaliteyi güvence altına almak için kritik bir adımdır. Birçok sistem elma ve portakal gibi yuvarlak meyvelerde iyi çalışırken havuç veya Zizania filizleri gibi uzun ve dar ürünleri işlemek çok daha zor olabilir. Şekilleri değişkenlik gösterir ve çoğu zaman farklı açılarda bulunurlar; bu da doğru şekilde algılanıp ayıklanmalarını zorlaştırır.

Bu sorunun üstesinden gelmek için araştırmacılar, bu ürünleri daha doğru şekilde tanımlamak ve kalitelerine göre sınıflandırmak üzere yönlendirilmiş sınırlayıcı kutu (OBB) algılama kullanan bir sistem geliştirdi. Sistem, eğik veya üst üste binmiş olsalar bile tek bir görüntüde birden fazla ürünü algılayabilir ve kalite ve konumlarını gerçek zamanlı olarak değerlendirebilir.

OBB algılamanın avantajları ve dezavantajları#

OBB algılamayı kullanmanın bazı avantajları şunlardır:

• Alt akış görevlerine daha iyi girdi: Örnek segmentasyonu ve nesne takibi gibi bilgisayarlı görü görevleri, daha doğru nesne algılamalarıyla beslendiğinde daha iyi performans gösterebilir.
• Gelişmiş uzamsal akıl yürütme: OBB'ler yönelim açısını yakalayarak nesnenin hizalanmasını ve yönünü anlamayı mümkün kılar.
• Kalabalık sahnelerde daha az örtüşme: OBB'ler, yoğun veya karmaşık sahnelerde bile nesnelere daha sıkı oturarak belirsizliği azaltır.

Karmaşık sahnelerde algılama doğruluğunu artırmaya yardımcı olsa da OBB algılamanın dikkate alman gereken bazı sınırlamaları vardır:

• Gürültüye daha yüksek duyarlılık: Açı tahminindeki küçük hatalar, özellikle birbirine sıkıca yerleşmiş veya uzun nesnelerde algılama doğruluğunu daha fazla etkileyebilir.
• Özel araç gereksinimi: Etiketleme ve eğitim platformlarının tümü OBB'leri yerel olarak desteklemediğinden, bunlarla çalışmak ek araçlar veya kurulum gerektirebilir.
• Sınırlı veri kümesi erişilebilirliği: Standart nesne algılamayla karşılaştırıldığında, OBB açıklamalarına sahip kamuya açık veri kümelerinin sayısı şu anda daha azdır; bu da işe başlamayı veya sonuçları karşılaştırmayı biraz daha zorlaştırabilir.

Önemli çıkarımlar#

Yönlendirilmiş sınırlayıcı kutu algılama, bilgisayarlı görü çözümlerinin tamamen düz veya hizalı olmayan nesneleri tanımasını kolaylaştırır. Nesnelerin hem konumunu hem de yönelimini yakalayan OBB algılama; tıbbi görüntüleri tarama, tarım arazilerini izleme veya uydu fotoğraflarını analiz etme gibi gerçek dünya kullanım alanlarında doğruluğu artırır.

Ultralytics YOLO11 gibi modellerin OBB algılamayı daha erişilebilir hâle getirmesiyle bu yöntem birçok sektör için pratik bir seçenek hâline geliyor. İster eğik, üst üste binmiş veya alışılmadık şekilli nesnelerle çalışıyor ol, OBB algılama standart yöntemlerin çoğu zaman gözden kaçırdığı ek bir kesinlik katmanı sağlar.

Yapay zekâya mı meraklısın? Bilgisayarlı görü projenle hızlı bir başlangıç yapmak için GitHub depomuzu incele, topluluğumuzla bağlantı kur ve lisans seçeneklerimize göz at. Çözümler sayfalarımızda perakendede yapay zekâ ve lojistik sektöründe bilgisayarlı görü gibi yenilikler hakkında daha fazla bilgi edin.