Ultralytics YOLO26 NMS'yi neden kaldırıyor ve bu durum dağıtımı nasıl değiştiriyor?
Ultralytics YOLO26'nın gerçek uçtan uca, NMS içermeyen çıkarımı nasıl mümkün kıldığını ve son işleme adımının kaldırılmasının dışa aktarmayı ve uç cihazlara dağıtımı neden kolaylaştırdığını keşfet.
14 Ocak'ta bilgisayarlı görü modellerimizin en yeni nesli olan Ultralytics YOLO26'yı kullanıma sunduk. YOLO26 ile amacımız yalnızca doğruluğu veya hızı artırmak değil, nesne algılama modellerinin gerçek dünya sistemlerinde nasıl oluşturulup dağıtıldığını yeniden düşünmekti.
Bilgisayarlı görü araştırmadan üretime geçerken modellerin CPU'larda, uç cihazlarda, kameralarda, robotlarda ve gömülü donanımlarda çalışması giderek daha fazla bekleniyor. Bu ortamlarda güvenilirlik, düşük gecikme ve kolay dağıtım, performans kadar önem taşıyor.
Ultralytics YOLO26, bu gerçeklik göz önünde bulundurularak tasarlandı ve çıkarım işlem hattındaki gereksiz karmaşıklığı ortadan kaldıran sadeleştirilmiş uçtan uca bir mimari kullanıyor. YOLO26'daki en önemli yeniliklerden biri, yaygın olarak NMS olarak bilinen Maksimum Olmayan Bastırma işleminin kaldırılmasıdır.
NMS yıllardır nesne algılama sistemlerinin standart bir parçası olarak yinelenen algılamaları temizlemek için bir son işleme adımı şeklinde kullanılıyor. Etkili olsa da özellikle uç donanımlarda ek hesaplama yükü ve dağıtım zorlukları da oluşturuyordu.
YOLO26 ile farklı bir yaklaşım benimsedik. Tahminlerin nasıl üretildiğini ve eğitildiğini yeniden düşünerek gerçek uçtan uca, NMS'siz çıkarımı mümkün kılıyoruz. Model, harici temizleme adımlarına veya elle oluşturulmuş kurallara ihtiyaç duymadan nihai algılamaları doğrudan üretiyor. Bu da YOLO26'yı daha hızlı, dışa aktarmayı daha kolay ve geniş bir donanım platformu yelpazesinde dağıtımı daha güvenilir hale getiriyor.
Şekil 1. Ultralytics YOLO26 kullanarak bir görüntüdeki nesneleri algılama.
Bu makalede geleneksel nesne algılamanın neden NMS'ye dayandığını, bunun nasıl bir dağıtım darboğazına dönüştüğünü ve Ultralytics YOLO26'nın geçici çözümlere olan ihtiyacı nasıl ortadan kaldırdığını daha yakından inceleyeceğiz. Haydi başlayalım!
Geleneksel nesne algılama yinelenen algılamalar üretir#
NMS'nin ne olduğunu ve Ultralytics YOLO26'da neden kaldırdığımızı incelemeden önce bir adım geri atıp geleneksel nesne algılama modellerinin tahminlerini nasıl ürettiğine bakalım.
Geleneksel nesne algılama modelleri genellikle aynı nesne için birden fazla örtüşen sınırlayıcı kutu üretir. Bu kutuların her biri, görüntüdeki aynı nesneye karşılık gelmelerine rağmen kendi güven skoruna sahiptir.
Bunun birkaç nedeni vardır. İlk olarak model, aynı anda birçok konumsal noktada ve farklı ölçeklerde tahminler yapar. Bu, modelin farklı boyutlardaki nesneleri algılamasına yardımcı olur; ancak birbirine yakın konumların aynı nesneyi birbirinden bağımsız olarak tanımlayabilmesi anlamına da gelir.
İkinci olarak birçok nesne algılama sistemi, her konumun çevresinde çok sayıda aday kutu üreten çapa tabanlı yaklaşımlar kullanır. Bu, nesneleri doğru şekilde bulma olasılığını artırsa da örtüşen tahminlerin sayısını da yükseltir.
Son olarak ızgara tabanlı algılamanın kendisi doğal olarak yinelenen sonuçlara yol açar. Bir nesne birden fazla ızgara hücresinin sınırına yakın olduğunda, birkaç hücre bu nesne için bir kutu tahmin edebilir ve bunun sonucunda birden fazla örtüşen algılama oluşur.
Bu nedenle modelin ham çıktısı genellikle tek bir nesne için birkaç kutu içerir. Sonuçları kullanılabilir hale getirmek için bu yinelenen tahminlerin filtrelenmesi ve yalnızca tek bir nihai algılamanın bırakılması gerekir.
Maksimum Olmayan Bastırmayı Anlamak#
Bir nesne algılama modeli aynı nesne için birden fazla örtüşen sınırlayıcı kutu ürettiğinde, bu sonuçların kullanılabilmesi için önce temizlenmesi gerekir. Maksimum Olmayan Bastırma burada uygulanır.
Maksimum Olmayan Bastırma, model tahminlerini tamamladıktan sonra çalışan bir son işleme adımıdır. Amacı, her nesnenin tek bir nihai sınırlayıcı kutuyla temsil edilmesi için yinelenen algılamaları azaltmaktır.
Şekil 2. NMS'ye genel bakış. Görsel, yazar tarafından hazırlanmıştır.
İşlem, sınırlayıcı kutuları güven skorlarına ve ne ölçüde örtüştüklerine göre karşılaştırarak çalışır. Güveni çok düşük olan tahminler önce kaldırılır.
Kalan kutular daha sonra güven skoruna göre sıralanır ve en yüksek skora sahip kutu en iyi algılama olarak seçilir. Seçilen kutu diğer kutularla karşılaştırılır.
Başka bir kutu bununla fazla örtüşüyorsa bastırılır ve kaldırılır. Örtüşme genellikle Kesişim-Birleşim Oranı kullanılarak ölçülür. Bu metrik, iki kutunun ortak kapladığı alan ile ikisinin toplamda kapladığı alan arasındaki oranı hesaplar. İşlem, yalnızca güveni en yüksek ve örtüşmeyen algılamalar kalana kadar tekrarlanır.
NMS dağıtımı neden zorlaştırıyor?#
Maksimum Olmayan Bastırma yinelenen algılamaları filtrelemeye yardımcı olsa da modeller araştırma ortamından çıkıp gerçek dünyada dağıtılmaya başladığında daha görünür hale gelen zorluklar da getirir.
En büyük sorunlardan biri performanstır. NMS, çıkarımdan sonra çalışır ve hangilerinin tutulacağına karar vermek için sınırlayıcı kutuların birbirleriyle karşılaştırılmasını gerektirir.
Bu işlem hesaplama açısından maliyetlidir ve verimli şekilde paralelleştirilmesi zordur. Uç cihazlarda ve CPU tabanlı sistemlerde bu ek işlem fark edilir bir gecikme ekleyerek gerçek zamanlı gereksinimleri karşılamayı zorlaştırabilir.
NMS dağıtım karmaşıklığını da artırır. Modelin kendisinin bir parçası olmadığı için son işleme kodu olarak ayrı şekilde uygulanması gerekir.
Farklı çalışma zamanları ve platformlar NMS'yi farklı şekillerde ele alır; bu da genellikle her hedef ortam için özel uygulamaların sürdürülmesini gerektirir. Bir kurulumda çalışan çözüm başka bir kurulumda biraz farklı davranabilir; bu da dağıtımı daha kırılgan ve ölçeklendirmeyi daha zor hale getirir.
Donanım optimizasyonu da başka bir zorluktur. NMS, sinir ağı işlemlerini verimli şekilde çalıştırmak üzere tasarlanmış özel yapay zeka hızlandırıcılarına kolayca eşlenemez. Sonuç olarak model optimize edilmiş donanımda hızlı çalışsa bile NMS genel performansı sınırlayan bir darboğaza dönüşebilir.
Bu faktörlere ek olarak NMS, güven eşikleri ve örtüşme eşikleri gibi elle seçilen parametrelere dayanır. Bu ayarlar sonuçları önemli ölçüde etkileyebilir ve farklı veri kümeleri, uygulamalar veya donanımlar için genellikle yeniden ayarlanmaları gerekir. Bu durum üretim sistemlerinde davranışı daha az öngörülebilir hale getirir ve ek yapılandırma yükü oluşturur.
Uçtan uca nesne algılama çıkarımı açıklaması#
Maksimum Olmayan Bastırmanın sınırlamaları, nesne algılama modellerinin çıkarım sırasında nasıl davranması gerektiğini yeniden düşünmemize yol açtı. Birçok örtüşen tahmin üretip bunları sonradan temizlemek yerine daha temel bir soru sorduk.
Model nihai algılamaları doğrudan üretebilseydi ne olurdu? Bu soru, uçtan uca nesne algılama çıkarımının merkezinde yer alır. Uçtan uca bir sistemde model, harici temizleme adımlarına dayanmadan tüm algılama sürecini baştan sona ele alacak şekilde eğitilir.
Model, birçok aday kutu üretip bunları çıkarımdan sonra filtrelemek yerine az sayıda güvenilir ve örtüşmeyen tahmini kendi başına üretmeyi öğrenir. Yinelenen algılamalar son işleme ile kaldırılmak yerine ağ içinde çözümlenir.
Daha yeni model mimarileri bu yaklaşımın hem mümkün hem de uygulanabilir olduğunu gösterdi. Doğru eğitim stratejisiyle modeller, her nesneyi birbiriyle rekabet eden birçok tahmin yerine tek bir tahminle ilişkilendirmeyi öğrenerek yinelenen sonuçları kaynağında azaltabilir.
Şekil 3. Ultralytics YOLO26 kullanılarak nesne algılamaya bir örnek.
Bunun çalışması için eğitimin de değişmesi gerekir. Birçok tahminin aynı nesne için rekabet etmesine izin vermek yerine model, daha az sayıda ve daha güvenilir algılama üreterek tek ve net bir karar vermeyi öğrenir.
Genel sonuç daha sade bir çıkarım işlem hattıdır. Yinelenen sonuçlar zaten dahili olarak çözümlendiği için çıkarım sırasında Maksimum Olmayan Bastırmaya gerek kalmaz. Model çıktısı zaten nihai algılama kümesidir.
Bu uçtan uca tasarım dağıtımı da kolaylaştırır. Son işleme adımları veya platforma özgü NMS uygulamaları olmadan dışa aktarılan model tamamen kendi kendine yeterlidir ve farklı çıkarım çerçeveleri ile donanım hedeflerinde tutarlı şekilde davranır.
Baş Ortaklık Mühendisimiz Francesco Mattioli bunu şöyle açıklıyor: “Gerçek uçtan uca öğrenme, modelin piksellerden tahminlere kadar her şeyi, türevlenebilirliği bozan ve dağıtımı zorlaştıran elle oluşturulmuş son işleme adımlarına ihtiyaç duymadan ele alması anlamına gelir.”
Ultralytics YOLO26 NMS'yi nasıl kaldırıyor?#
Ultralytics YOLO26, algılamaları son işleme ile temizlemeye güvenmek yerine bunların nasıl öğrenildiğini ve üretildiğini değiştirerek Maksimum Olmayan Bastırmayı kaldırır. Birçok tahminin aynı nesne için rekabet etmesine izin vermek yerine YOLO26, nesneler ile çıktılar arasında net ve bire bir bir ilişki öğrenmek üzere eğitilir.
Bu, kısmen öğrenilebilir sorgu tabanlı algılama sayesinde mümkün olur. Bu yaklaşım, modelin birçok örtüşen aday yerine her nesne için tek ve güvenilir bir tahmin üretmeye odaklanmasına yardımcı olur. Her nesne tek bir tahminle ilişkilendirilerek yinelenen algılamalar doğal olarak azaltılır.
Bu davranış, eğitim sırasında tutarlı eşleştirme stratejileriyle güçlendirilir ve modelin örtüşen tahminler üretmek yerine her nesne için tek bir güvenilir karar vermesi teşvik edilir. Sonuç olarak model daha az tahmin üretir, ancak her tahmin nihai bir algılamayı temsil eder.
DFL'nin kaldırılması NMS'siz algılamayı neden mümkün kıldı?#
Ultralytics YOLO26'da NMS'siz çıkarımı mümkün kılan bir diğer önemli yenilik, Dağılımsal Odak Kayıbının veya DFL'nin kaldırılmasıdır. Önceki YOLO modellerinde DFL, tek bir değer yerine olası kutu konumlarının dağılımını tahmin ederek sınırlayıcı kutu regresyonunu iyileştirmek için kullanılıyordu.
Bu yaklaşım konumlandırma doğruluğunu artırsa da algılama işlem hattına karmaşıklık ekliyordu. Gerçek uçtan uca çıkarıma geçilirken bu karmaşıklık bir sınırlamaya dönüştü.
DFL ek hesaplama yükü ve sabit regresyon aralıkları getiriyor, bu da modelin temiz ve bire bir nesne eşleşmeleri öğrenmesini zorlaştırıyor ve Maksimum Olmayan Bastırma gibi son işleme adımlarına olan bağımlılığı artırıyordu. Ultralytics YOLO26 ile DFL'yi kaldırdık ve sınırlayıcı kutu regresyonunu daha sade ve doğrudan olacak şekilde yeniden tasarladık.
Model, dağılım tabanlı çıktılara güvenmek yerine daha az sayıda ve daha güvenilir algılamayı destekleyecek şekilde doğru kutu koordinatlarını tahmin etmeyi öğrenir. Bu değişiklik, örtüşen tahminleri kaynağında azaltmaya yardımcı olur ve sınırlayıcı kutu regresyonunu Ultralytics YOLO26'nın uçtan uca, NMS'siz tasarımıyla uyumlu hale getirir.
Ultralytics YOLO26 NMS'sizdir ve dağıtımı kolaydır#
NMS'siz tasarım, Ultralytics YOLO26'yı gerçek anlamda uçtan uca bir model haline getirir. Bunun model dışa aktarma üzerinde önemli bir etkisi vardır.
Dışa aktarma, eğitilmiş bir modelin ONNX, TensorRT, CoreML veya OpenVINO gibi eğitim ortamının dışında çalışabilecek bir biçime dönüştürülmesi anlamına gelir. Geleneksel işlem hatlarında bu süreç genellikle Maksimum Olmayan Bastırma modelin kendisinin bir parçası olmadığı için aksar.
NMS'yi kaldıran Ultralytics YOLO26 bu sorunu tamamen ortadan kaldırır. Dışa aktarılan model, nihai algılamaları üretmek için gereken her şeyi zaten içerir.
Bu, dışa aktarılan modeli tamamen kendi kendine yeterli ve çıkarım çerçeveleri ile donanım hedefleri arasında daha taşınabilir hale getirir. Aynı model sunucularda, yalnızca CPU kullanan sistemlerde, gömülü cihazlarda veya uç hızlandırıcılarda dağıtıldığında tutarlı şekilde davranır. Dışa aktardığın şey tam olarak çalıştırdığın şey olduğu için dağıtım daha kolay hale gelir.
Bu sadelik özellikle uç uygulamalar için önemlidir. Örneğin YOLO26, sınırlı hesaplama ve güç bütçelerinin karmaşık son işleme işlem hatlarını kullanışsız hale getirdiği ürün izleme, saha denetimi ve bitki sağlığı analizi gibi kullanım alanlarında dronlar gibi cihazlara kolayca dağıtılabilir. Model nihai algılamaları doğrudan ürettiği için ek işlem adımları olmadan hafif donanımda güvenilir şekilde çalışır.
Şekil 4. Ultralytics YOLO26, dronlar gibi uç cihazlara kolayca dağıtılabilir.
Kısacası NMS'siz çıkarım, dışa aktarma ve dağıtım süreçlerindeki engelleri ortadan kaldırarak daha temiz ve güvenilir görü sistemlerini mümkün kılar. NMS bir geçici çözümdü. Ultralytics YOLO26'nın artık geçici çözümlere ihtiyacı yok.
Önemli çıkarımlar#
Ultralytics YOLO26, yinelenen algılamaları sonradan temizlemek yerine altta yatan sorunu çözerek Maksimum Olmayan Bastırmayı kaldırır. Uçtan uca tasarımı, modelin nihai algılamaları doğrudan üretmesini sağlayarak farklı donanımlarda dışa aktarma ve dağıtımı daha basit ve tutarlı hale getirir. NMS önceki sistemler için kullanışlı bir geçici çözümdü, ancak YOLO26'nın artık buna ihtiyacı yok.
Yapay zeka hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu incele. Tarımda yapay zeka ve perakendede bilgisayarlı görü çözüm sayfalarımızı keşfet. Lisanslama seçeneklerimizi incele ve görü yapay zekasını bugün kullanmaya başla!
