Yönlendirilmiş sınırlayıcı kutu (OBB) tespiti nedir?

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

Örneğin, görüntüleri ve videoları anlamaya odaklanan bir yapay zekâ dalı olan bilgisayarlı görü, makinelerin bir sahnedeki nesneleri tanımlayıp konumlarını belirlemesine yardımcı olan nesne algılama gibi görevleri mümkün kılar. Geleneksel nesne algılama, nesnelerin çevresine kutular çizmek için eksenlere hizalı sınırlayıcı kutular kullanır. Bu kutuların kenarları düzdür ve sabit dik açıları vardır. Bu yaklaşım, nesneler dik durduğunda ve birbirine çok yakın olmadığında iyi sonuç verir.

Ancak nesneler eğik, döndürülmüş veya birbirine yakın olduğunda, geleneksel nesne algılama bunları doğru biçimde belirlemekte çoğu zaman zorlanır. Bu daha karmaşık durumları ele almak için yönlendirilmiş sınırlayıcı kutu (OBB) algılama gibi teknikler geliştirilmiştir. Standart sınırlayıcı kutuların aksine OBB'ler, nesnenin açısına ve şekline uyacak şekilde dönebilir ve böylece daha sıkı ve doğru bir eşleşme sağlar.

OBB algılamayı destekleyen Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, özellikle hava gözetimi gibi nesne yönünün önemli olduğu senaryolarda çeşitli gerçek zamanlı uygulamaları mümkün kılar. OBB algılama ayrıca sağlık hizmetleri, tarım ve belge analizinde de kullanılır.

Bu makalede OBB algılamanın ne olduğunu, nasıl çalıştığını ve gerçek dünya senaryolarında nerelerde kullanıldığını inceleyeceğiz.

Şekil 1. Teknelerin OBB algılaması için YOLO11 kullanımına ilişkin örnek bir demo.

Yönlendirilmiş sınırlayıcı kutu nedir?#

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

Dönebilme özelliği çeşitli avantajlar sağlar. OBB'ler nesnenin yönelimine daha iyi hizalanabilir ve kutunun nesnenin şeklini ve yönünü sıkıca çevrelemesine olanak tanır. Böylece algılama daha doğru ve hassas hâle gelir.

OBB'ler; hava görüntülerinde virajlı bir yolda dönen bir araba, masa üzerindeki eğik bir kitap veya tıbbi taramadaki dönmüş bir tümör gibi nesnelerin tam dik durmadığı durumlarda özellikle kullanışlıdır. OBB'ler, nesnenin açısını daha doğru biçimde eşleştirerek algılama performansını artırır, arka plan girişimini azaltır ve nesnenin yönünün konumu kadar önemli olduğu uygulamalarda özellikle işe yarar.

Şekil 2. Nesne algılama ile OBB algılamanın karşılaştırması.

OBB algılama ile nesne algılama karşılaştırması#

OBB algılama ve geleneksel nesne algılama ilk bakışta benzer görünebilir, ancak farklı amaçlarla ve farklı durumlarda kullanılır. Bir örnek üzerinden aralarındaki farklara daha yakından bakalım.

YOLO11 gibi bilgisayarlı görü modelleri, endüstriyel denetim gibi çeşitli gerçek dünya uygulamalarında nesneleri algılamak ve sınıflandırmak üzere eğitilebilir. Farklı makine parçalarının bir taşıma bandında ilerlediği bir fabrika montaj hattını düşün. Bazı parçalar düzgünce yerleştirilmiş olabilir; ancak titreşim veya hız nedeniyle diğerleri hafifçe dönmüş, eğilmiş ya da üst üste binmiş olabilir.

Geleneksel nesne algılama, görüntünün yatay ve dikey kenarlarına hizalı, dik duran dikdörtgen kutular kullanır. Bu nedenle bir parça döndüğünde kutu düzgün biçimde oturmayabilir; nesnenin bir bölümünü dışarıda bırakabilir veya arka planın fazlasını içine alabilir. Bu da algılamaların doğruluğunu düşürebilir ve sistemin parçayı güvenle tanımlamasını zorlaştırabilir.

Şimdi bunun yerine OBB algılama kullandığını düşün. Bu durumda model, her parçanın tam açısına uyacak şekilde dönen bir kutu çizebilir. Eğik bir dişli veya açılı bir bileşen, şekline ve yönüne uyan bir kutuyla sıkıca çevrelenir. Bu, özellikle otomatik kalite kontrol veya robotik ayırma gibi kullanım senaryolarında daha yüksek hassasiyet, daha az hata ve daha güvenilir sonuçlar anlamına gelir.

Popüler OBB algılama modelleri#

OBB algılamanın ne olduğunu artık daha iyi anladığımıza göre, bu özelliği destekleyen en yaygın Vision AI modellerinden bazılarına göz atalım.

Döndürülmüş veya eğik nesneleri algılamak için özel olarak çeşitli gelişmiş bilgisayarlı görü modelleri geliştirilmiştir. 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, örneğin Ultralytics YOLOv8 ve yakın zamanda çıkan YOLO11 (yerini daha sonra Ultralytics YOLO26 aldı), OBB algılama için yerel destek sundu. Özellikle YOLO11, hızdan ödün vermeden en gelişmiş doğruluğu sunarak gerçek zamanlı uygulamalar için etkili bir seçenek oluşturuyor.

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

Ayrıca bu modeller, farklı performans gereksinimlerini karşılamak üzere nanodan (n-obb) ekstra büyüğe (x-obb) uzanan beş farklı boyutta sunulur. Bu esneklik, şehir altyapısını izlemek ve makineleri denetlemekten taranmış belgelerdeki eğik metinleri okumaya kadar çeşitli sektörlerde kullanılmalarını sağlar.

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

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

Bu özel nesneleri, özellikle yönelim önemli olduğunda, doğru biçimde algılamak için Ultralytics YOLO11 gibi modelleri kendi görüntülerin ve etiketlerinle eğitmen önemlidir. Bu süreç özel eğitim olarak bilinir.

Ultralytics YOLO11'i OBB algılama için eğitme sürecinin adım adım açıklaması şöyle:

• Görüntü toplama: Hedef nesnelerini farklı açılarda, konumlarda ve gerçek dünya ortamlarında gösteren görüntüler topla.
• Nesne etiketleme: Konumlarını ve yönelimlerini belirlemek için OBB desteği olan etiketleme araçlarıyla her nesneyi döndürülmüş sınırlayıcı kutular (OBB'ler) kullanarak etiketle.
• Veri kümesini hazırlama: Görsellerini ve etiketlerini YOLO OBB veri kümesi biçiminde 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 başlat.
• Değerlendirme ve dağıtım: Eğitilmiş modelini yeni görüntülerle test et, doğruluğunu değerlendir ve üretim, hava gözetimi veya belge analizi gibi pratik uygulamalarda kullanıma al.

OBB algılamanın mümkün kıldığı uygulamalar#

Merkezden kaymış veya eğik nesneler gerçek yaşam senaryolarında oldukça yaygındır. OBB tespitinin bu nesneleri doğru biçimde algılayarak nasıl gerçek bir fark yarattığını birkaç örnekle inceleyelim.

OBB tespitiyle X-ışını görüntülerinin analizi#

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

Bu yaklaşım, özellikle kemik kırıklarına ait X-ışını görüntülerini analiz ederken etkilidir; çünkü kemiklerin konumu ve hizalanması temel etkenlerdir. Örneğin OBB tespiti, çocukların dirsek X-ışınlarını analiz etmek için kullanılmıştır. Kemiklerin yönelimine uyum sağlayarak tespit doğruluğunun artırılmasına yardımcı olmuştur.

Şekil 3. Nesne tespiti (b, e) ve yönlendirilmiş sınırlayıcı kutu tespiti (c, f) ile X-ışını görüntüleri (a, d).

OBB tespitiyle desteklenen hava gözetimi#

Hava gözetimi; kamu güvenliği, çevresel izleme ve şehir planlama gibi alanlarda temel bir araçtır. Dronlar veya uydular tarafından çekilen görüntüler gemi, araç ve bina gibi nesnelerin belirlenmesine yardımcı olabilir. Ancak bu görüntülerde nesneler genellikle küçük ve alışılmadık açılarda görünür; bu da doğru tespit edilmelerini zorlaştırır.

OBB tespiti, sınırlayıcı kutuları her nesnenin açısına uyacak şekilde eğerek bu sorunu çözer. Böylece nesnelerin boyutları ve yönelimleri daha doğru ölçülür; şehir planlama, savunma, afet müdahalesi ve çevresel izleme gibi alanlarda daha iyi kararlar alınmasına destek olunur.

OBB tespitinin ilgi çekici bir örneği, deniz gözetiminde gemi takibidir. Uydu görüntüleri, hava koşulları, ışıklandırma veya hareket nedeniyle gemileri genellikle farklı açılarda ve boyutlarda yakalar. OBB'ler bu değişikliklere uyum sağlayarak, özellikle daha küçük veya kısmen örtülmüş gemilerde tespiti iyileştirebilir.

Şekil 4. Deniz gözetiminde OBB tespitinin kullanımına bir bakış.

Tarımda OBB tespitinin kullanımı#

Hasattan sonra ürünleri ayıklamak, paketlenip pazara gönderilmeden önce kalitenin sağlanması için kritik bir adımdır. Birçok sistem elma ve portakal gibi yuvarlak meyvelerde iyi çalışsa da havuç veya Zizania filizleri gibi uzun ve ince ürünlerin işlenmesi çok daha zor olabilir. Şekilleri değişkenlik gösterir ve çoğu zaman farklı açılarda bulunurlar; bu da doğru biçimde tespit edilmelerini ve ayıklanmalarını zorlaştırır.

Bu sorunu çözmek için araştırmacılar, yönlendirilmiş sınırlayıcı kutu (OBB) algılaması kullanarak bu ürünleri daha doğru biçimde belirleyen ve derecelendiren bir sistem geliştirdi. Sistem, eğik veya üst üste binmiş olsalar bile tek bir görüntüde birden fazla ürünü algılayabiliyor ve ürünlerin kalitesini ve konumunu gerçek zamanlı olarak değerlendirebiliyor.

OBB tespitinin avantajları ve dezavantajları#

OBB tespitini kullanmanın bazı avantajları şunlardır:

• Sonraki görevlere daha iyi girdi: Örnek segmentasyonu ve nesne takibi gibi bilgisayarlı görü görevleri, daha doğru nesne tespitleriyle daha iyi performans gösterebilir.
• Gelişmiş uzamsal akıl yürütme: OBB'ler, yönelim açısını yakalayarak bir nesnenin hizasını ve yönünü anlamayı mümkün kılar.
• Kalabalık sahnelerde örtüşmenin azaltılması: OBB'ler, yoğun veya karmaşık sahnelerde bile nesnelere daha sıkı uyum sağlayarak belirsizliği azaltır.

Karmaşık sahnelerde tespit doğruluğunu artırmaya yardımcı olsa da OBB tespitinin göz önünde bulundurulması gereken bazı sınırlamaları vardır:

• Gürültüye karşı daha yüksek hassasiyet: Açı tahminindeki küçük hatalar, özellikle sıkışık veya uzun nesnelerde tespit doğruluğunu daha fazla etkileyebilir.
• Özel araçlar gerekir: Her etiketleme ve eğitim platformu OBB'leri yerel olarak desteklemediğinden, OBB'lerle çalışmak ek araçlar veya kurulum gerektirebilir.
• Veri kümelerinin sınırlı olması: Standart nesne tespitiyle karşılaştırıldığında, OBB açıklamaları içeren ve herkese açık daha az veri kümesi bulunuyor. Bu durum, başlamayı veya sonuçları karşılaştırmayı biraz daha zorlaştırabilir.

Önemli çıkarımlar#

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

Ultralytics YOLO11 gibi modeller OBB tespitini daha erişilebilir hâle getirdikçe, bu yöntem birçok sektör için pratik bir seçenek oluyor. Eğik, üst üste binmiş veya alışılmadık şekilli nesnelerle çalışıyor olsan da OBB tespiti, standart yöntemlerin çoğu zaman gözden kaçırdığı ek bir hassasiyet katmanı sağlar.

Yapay zekâyı merak mı ediyorsun? Bilgisayarlı görü projen için hızlıca çalışmaya başlamak üzere GitHub depomuzu keşfet, topluluğumuzla bağlantı kur ve lisanslama seçeneklerimize göz at. Çözümler sayfalarımızda perakendede yapay zekâ ve lojistik sektöründe bilgisayarlı görü gibi yenilikler hakkında daha fazla bilgi edin.