R-CNN nedir? Hızlı bir genel bakış

Nesne tespiti, otonom sürüş, gözetim ve tıbbi görüntüleme gibi uygulamalar için görüntü veya videolardaki nesneleri tanıyabilen ve konumlandırabilen bir bilgisayarlı görü görevidir. Viola-Jones dedektörü ve Destek Vektör Makineleri (SVM) ile Yönlendirilmiş Gradyanların Histogramı (HOG) gibi önceki nesne tespiti yöntemleri, el yapımı özelliklere ve kayan pencerelere dayanıyordu. Bu yöntemler genellikle çeşitli şekil ve boyutlarda birden fazla nesnenin bulunduğu karmaşık sahnelerde nesneleri doğru bir şekilde tespit etmekte zorlanıyordu.

Bölge tabanlı Evrişimsel Sinir Ağları (R-CNN), nesne tespitine yaklaşımımızı değiştirdi. Bilgisayar görüşü tarihinde önemli bir kilometre taşıdır. YOLOv8 gibi modellerin nasıl ortaya çıktığını anlamak için öncelikle R-CNN gibi modelleri anlamamız gerekiyor. 

Ross Girshick ve ekibi tarafından oluşturulan R-CNN model mimarisi, bölge önerileri oluşturur, önceden eğitilmiş bir Evrişimsel Sinir Ağı (CNN) ile özellikleri çıkarır, nesneleri sınıflandırır ve sınırlayıcı kutuları iyileştirir. Bu göz korkutucu görünebilir, ancak bu makalenin sonunda R-CNN'nin nasıl çalıştığı ve neden bu kadar etkili olduğu konusunda net bir anlayışa sahip olacaksınız. Hadi bir göz atalım!

R-CNN nasıl çalışır?

R-CNN modelinin nesne algılama süreci üç ana adım içerir: bölge önerileri oluşturma, özellikleri çıkarma ve nesneleri sınıflandırırken sınırlayıcı kutularını iyileştirme. Her adımı inceleyelim.

‍

Bölge önerileri: RCNN'nin omurgası

İlk adımda, R-CNN modeli çok sayıda bölge önerisi oluşturmak için görüntüyü tarar. Bölge önerileri, nesneler içerebilecek potansiyel alanlardır. Seçici Arama gibi yöntemler, görüntünün renk, doku ve şekil gibi çeşitli yönlerine bakmak ve onu farklı parçalara ayırmak için kullanılır. Seçici Arama, görüntüyü daha küçük parçalara bölerek başlar, ardından benzer olanları birleştirerek daha büyük ilgi alanları oluşturur. Bu işlem, yaklaşık 2.000 bölge önerisi oluşturulana kadar devam eder.

‍

Bu bölge önerileri, bir nesnenin bulunabileceği tüm olası noktaları belirlemeye yardımcı olur. Sonraki adımlarda, model tüm görüntü yerine bu belirli alanlara odaklanarak en alakalı alanları verimli bir şekilde işleyebilir. Bölge önerilerini kullanmak, eksiksizliği hesaplama verimliliği ile dengeler.

Görüntü özellik çıkarımı: Ayrıntıları yakalama

R-CNN modelinin nesne tespiti sürecindeki bir sonraki adım, bölge önerilerinden özellikleri çıkarmaktır. Her bölge önerisi, CNN'in beklediği tutarlı bir boyuta (örneğin, 224x224 piksel) yeniden boyutlandırılır. Yeniden boyutlandırma, CNN'in her öneriyi verimli bir şekilde işlemesine yardımcı olur. Eğrilmeden önce, daha iyi özellik çıkarımı için daha fazla çevre bilgisi sağlamak amacıyla her bölge önerisinin boyutu, bölgenin etrafında 16 piksel ek bağlam içerecek şekilde biraz genişletilir.

Yeniden boyutlandırıldıktan sonra, bu bölge önerileri, genellikle ImageNet gibi büyük bir veri kümesi üzerinde önceden eğitilmiş olan AlexNet gibi bir CNN'ye beslenir. CNN, kenarlar, dokular ve desenler gibi önemli ayrıntıları yakalayan yüksek boyutlu özellik vektörlerini çıkarmak için her bölgeyi işler. Bu özellik vektörleri, bölgelerden gelen temel bilgileri yoğunlaştırır. Ham görüntü verilerini, modelin daha fazla analiz için kullanabileceği bir biçime dönüştürürler. Sonraki aşamalarda nesnelerin doğru bir şekilde sınıflandırılması ve konumlandırılması, görsel bilgilerin anlamlı verilere dönüştürülmesinin bu önemli dönüşümüne bağlıdır.

‍

Nesne sınıflandırması: Tespit edilen nesnelerin tanımlanması

Üçüncü adım, bu bölgelerdeki nesneleri sınıflandırmaktır. Bu, teklifler içinde bulunan her nesnenin kategorisini veya sınıfını belirlemek anlamına gelir. Çıkarılan özellik vektörleri daha sonra bir makine öğrenimi sınıflandırıcısından geçirilir.

R-CNN durumunda, Destek Vektör Makineleri (SVM'ler) yaygın olarak bu amaç için kullanılır. Her SVM, özellik vektörlerini analiz ederek ve belirli bir bölgenin o sınıfın bir örneğini içerip içermediğine karar vererek belirli bir nesne sınıfını tanımak için eğitilir. Esasen, her nesne kategorisi için, her bölge teklifini o belirli nesne için kontrol eden özel bir sınıflandırıcı vardır.

Eğitim sırasında, sınıflandırıcılara pozitif ve negatif örneklerle etiketlenmiş veriler verilir:

• Pozitif örnekler: Hedef nesneyi içeren bölgeler.
  ‍
• Negatif örnekler: Nesnenin olmadığı bölgeler.

Sınıflandırıcılar, bu örnekler arasında ayrım yapmayı öğrenir. Sınırlayıcı kutu regresyonu, başlangıçta önerilen sınırlayıcı kutuları gerçek nesne sınırlarıyla daha iyi eşleşecek şekilde ayarlayarak, tespit edilen nesnelerin konumunu ve boyutunu daha da iyileştirir. R-CNN modeli, sınıflandırma ve sınırlayıcı kutu regresyonunu birleştirerek nesneleri tanımlayabilir ve doğru bir şekilde konumlandırabilir.

‍

Her şeyi bir araya getirme: NMS ile tespitleri iyileştirme

Sınıflandırma ve sınırlayıcı kutu regresyonu adımlarından sonra, model genellikle aynı nesne için birden çok örtüşen sınırlayıcı kutu oluşturur. Bu tespitleri iyileştirmek ve en doğru kutuları tutmak için Non-Maximum Suppression (NMS) uygulanır. Model, NMS uygulayarak gereksiz ve örtüşen kutuları ortadan kaldırır ve yalnızca en güvenilir tespitleri tutar. 

NMS, tüm sınırlayıcı kutuların güven skorlarını (algılanan bir nesnenin gerçekten mevcut olma olasılığını gösterir) değerlendirerek ve daha yüksek skorlu kutularla önemli ölçüde örtüşenleri bastırarak çalışır. 

‍

‍

‍

İşte NMS'deki adımların bir dökümü:

• Sıralama: Sınırlayıcı kutular, güvenilirlik skorlarına göre azalan sırada sıralanır.
  ‍
• Seçim: En yüksek puana sahip kutu seçilir ve onunla önemli ölçüde örtüşen (Intersection over Union, IoU'ya göre) tüm kutular kaldırılır.
  ‍
• İterasyon: Bu işlem, en yüksek puanı alan bir sonraki kutu için tekrarlanır ve tüm kutular işlenene kadar devam eder.

Özetlemek gerekirse, R-CNN modeli, bölge önerileri oluşturarak, bir CNN ile özellikleri çıkararak, nesneleri sınıflandırarak ve sınırlayıcı kutu regresyonu ile konumlarını iyileştirerek ve yalnızca en doğru algılamaları tutan Non-Maximum Suppression (NMS) kullanarak nesneleri algılar.

R-CNN, nesne tespitinde bir dönüm noktasıdır.

R-CNN, nesne algılama tarihinde bir dönüm noktası olan modeldir, çünkü doğruluğu ve performansı büyük ölçüde artıran yeni bir yaklaşım getirmiştir. R-CNN'den önce, nesne algılama modelleri hız ve hassasiyeti dengelemede zorlanıyordu. R-CNN'nin bölge önerileri oluşturma ve özellik çıkarımı için CNN'leri kullanma yöntemi, görüntüler içindeki nesnelerin hassas bir şekilde lokalize edilmesini ve tanımlanmasını sağlar. 

R-CNN, Fast R-CNN, Faster R-CNN ve Mask R-CNN gibi modellerin önünü açarak verimliliği ve doğruluğu daha da artırdı. Derin öğrenmeyi bölge tabanlı analizle birleştirerek, R-CNN bu alanda yeni bir standart belirledi ve çeşitli gerçek dünya uygulamaları için olanaklar yarattı.

R-CNN ile tıbbi görüntülemeyi dönüştürme

R-CNN'nin ilginç bir kullanım alanı tıbbi görüntülemedir. R-CNN modelleri, MR ve BT taramaları gibi tıbbi taramalarda beyin tümörleri gibi farklı tümör türlerini tespit etmek ve sınıflandırmak için kullanılmıştır. R-CNN modelinin tıbbi görüntülemede kullanılması, tanısal doğruluğu artırır ve radyologların kötü huylu tümörleri erken bir aşamada tanımlamasına yardımcı olur. R-CNN'nin küçük ve erken evre tümörleri bile tespit etme yeteneği, kanser gibi hastalıkların tedavisinde ve prognozunda önemli bir fark yaratabilir.

R-CNN modeli, tümör tespiti yanı sıra diğer tıbbi görüntüleme görevlerine de uygulanabilir. Örneğin, kırıkları tanımlayabilir, göz taramalarında retina hastalıklarını tespit edebilir ve pnömoni ve COVID-19 gibi durumlar için akciğer görüntülerini analiz edebilir. Tıbbi sorun ne olursa olsun, erken teşhis daha iyi hasta sonuçlarına yol açabilir. R-CNN'nin anormallikleri tanımlama ve lokalize etmedeki hassasiyetini uygulayarak, sağlık hizmeti sağlayıcıları tıbbi teşhislerin güvenilirliğini ve hızını artırabilir. Nesne tespiti teşhis sürecini kolaylaştırdığından, hastalar zamanında ve doğru tedavi planlarından yararlanabilir.

R-CNN'in sınırlamaları ve halefleri

Etkileyici olmasına rağmen, R-CNN'nin yüksek hesaplama karmaşıklığı ve yavaş çıkarım süreleri gibi bazı dezavantajları vardır. Bu dezavantajlar, R-CNN modelini gerçek zamanlı uygulamalar için uygunsuz hale getirir. Bölge önerilerini ve sınıflandırmaları ayrı adımlara ayırmak, daha az verimli performansa yol açabilir.

Yıllar içinde, bu endişeleri gidermiş çeşitli nesne algılama modelleri ortaya çıktı. Fast R-CNN, bölge önerilerini ve CNN özellik çıkarımını tek bir adımda birleştirerek süreci hızlandırır. Faster R-CNN, öneri oluşturmayı kolaylaştırmak için bir Bölge Önerisi Ağı (RPN) sunarken, Mask R-CNN daha ayrıntılı algılamalar için piksel düzeyinde segmentasyon ekler.

‍

Faster R-CNN ile aynı zamanlarda, YOLO (You Only Look Once) serisi gerçek zamanlı nesne tespitinde ilerleme kaydetmeye başladı. YOLO modelleri, ağ üzerinden tek bir geçişte sınırlayıcı kutuları ve sınıf olasılıklarını tahmin eder. Örneğin, Ultralytics YOLOv8, birçok bilgisayarlı görü görevi için gelişmiş özelliklerle iyileştirilmiş doğruluk ve hız sunar.

Önemli çıkarımlar

RCNN, derin öğrenmenin nesne tespitini nasıl değiştirebileceğini göstererek bilgisayarlı görü alanında ezber bozdu. Başarısı, alanda birçok yeni fikre ilham verdi. Faster R-CNN ve YOLO gibi daha yeni modeller RCNN'nin kusurlarını düzeltmek için ortaya çıkmış olsa da, katkısı hatırlanması gereken büyük bir dönüm noktasıdır.

Araştırmalar devam ettikçe, daha da iyi ve daha hızlı nesne algılama modelleri göreceğiz. Bu gelişmeler sadece makinelerin dünyayı nasıl anladığını iyileştirmekle kalmayacak, aynı zamanda birçok sektörde de ilerlemeye yol açacaktır. Nesne algılamanın geleceği heyecan verici görünüyor!

Yapay zeka hakkında daha fazla bilgi edinmek ister misiniz? Ultralytics topluluğunun bir parçası olun! En son yapay zeka yeniliklerimizi görmek için GitHub depomuzu keşfedin. Tarım ve üretim gibi çeşitli sektörlere yayılan yapay zeka çözümlerimize göz atın. Öğrenmek ve ilerlemek için bize katılın!