Ultralytics YOLO26 neden NMS'yi kaldırıyor ve bu dağıtımı nasıl değiştiriyor
Ultralytics YOLO26'nın gerçek uçtan uca, NMS-free çıkarımı nasıl sağladığını ve işleme sonrası (post-processing) adımlarının kaldırılmasının dışa aktarımı ve uç dağıtımını neden basitleştirdiğini keşfet.
14 Ocak'ta bilgisayarlı görü modellerimizin en son nesli olan Ultralytics YOLO26'ı piyasaya sürdük. YOLO26 ile amacımız yalnızca doğruluğu veya hızı iyileştirmek değil, nesne tespiti modellerinin gerçek dünya sistemlerinde nasıl oluşturulduğunu ve dağıtıldığını yeniden düşünmekti.
Bilgisayarlı görü araştırmadan üretime geçtikçe, modellerin CPU'larda, uç cihazlarda, kameralarda, robotlarda ve gömülü donanımlarda çalışması giderek daha fazla bekleniyor. Bu ortamlarda güvenilirlik, düşük gecikme ve dağıtım kolaylığı performans kadar önemlidir.
Ultralytics YOLO26 bu gerçeklik göz önünde bulundurularak tasarlandı ve çıkarım hattındaki gereksiz karmaşıklığı ortadan kaldıran akıcı bir uçtan uca mimari kullandı. YOLO26'da yapılan en önemli yeniliklerden biri, yaygın olarak NMS olarak bilinen Non-Maximum Suppression özelliğinin kaldırılmasıdır.
Yıllardır NMS, nesne algılama sistemlerinin standart bir parçası olmuş ve yinelenen algılamaları temizlemek için bir işlem sonrası adımı olarak kullanılmıştır. Etkili olsa da, özellikle uç donanımlarda fazladan hesaplama yükü ve dağıtım zorlukları da getirmiştir.
YOLO26 ile farklı bir yaklaşım benimsedik. Tahminlerin nasıl üretildiğini ve eğitildiğini yeniden düşünerek gerçek uçtan uca, NMS içermeyen çıkarım elde ediyoruz. Model, harici temizleme adımlarına veya el yapımı kurallara dayanmadan nihai tespitleri doğrudan üretir. Bu YOLO26'yı daha hızlı, dışa aktarılması daha kolay ve çok çeşitli donanım platformlarında dağıtılması daha güvenilir hale getirir.
Şekil 1. Ultralytics YOLO26 kullanarak görüntüdeki nesneleri algılama.
Bu makalede, geleneksel nesne tespiti modellerinin neden NMS'e güvendiğini, bunun nasıl bir dağıtım darboğazına dönüştüğünü ve Ultralytics YOLO26'nın geçici çözümlere olan ihtiyacı nasıl ortadan kaldırdığını daha yakından inceleyeceğiz. Hadi başlayalım!
Geleneksel nesne algılama, mükerrer algılamalar üretir#
NMS'in ne olduğuna ve Ultralytics YOLO26'da onu neden kaldırdığımıza dalmadan önce, biraz geriye çekilip geleneksel nesne tespiti modellerinin tahminlerini nasıl ürettiğine göz atalım.
Geleneksel nesne algılama modelleri genellikle aynı nesne için birden fazla örtüşen sınırlayıcı kutu (bounding box) üretir. Bu kutuların her biri, görüntüdeki aynı nesneye işaret etmelerine rağmen kendi güven puanına sahiptir.
Bu durum birkaç nedenden dolayı gerçekleşir. Birincisi, model tahminleri birçok uzamsal konumda ve farklı ölçeklerde aynı anda yapar. Bu, modelin farklı boyutlardaki nesneleri algılamasına yardımcı olur, ancak aynı zamanda yakındaki konumların hepsinin aynı nesneyi bağımsız olarak tanımlayabileceği anlamına gelir.
İkincisi, birçok nesne algılama sistemi, her konumun etrafında çok sayıda aday kutu oluşturan çapa tabanlı (anchor-based) yaklaşımlar kullanır. Bu, nesneleri doğru bir şekilde bulma şansını artırsa da, örtüşen tahminlerin sayısını da artırır.
Son olarak, ızgara tabanlı algılamanın kendisi doğal olarak fazlalığa yol açar. Bir nesne birden fazla ızgara hücresinin sınırına yakın durduğunda, birkaç hücre o nesne için bir kutu tahmin edebilir ve bu da birden fazla örtüşen algılamaya neden olur.
Bu nedenle, modelin ham çıktısı genellikle tek bir nesne için birkaç kutu içerir. Sonuçları kullanılabilir hale getirmek için, bu gereksiz tahminlerin filtrelenmesi gerekir, böylece yalnızca bir nihai algılama kalır.
Non-Maximum Suppression yöntemini anlamak#
Bir nesne algılama modeli aynı nesne için birden fazla örtüşen sınırlayıcı kutu ürettiğinde, bu sonuçların kullanılmadan önce temizlenmesi gerekir. Non-Maximum Suppression burada uygulanır.
Non-Maximum Suppression, model tahminlerini yapmayı bitirdikten sonra çalışan bir işlem sonrası adımıdır. Amacı, yinelenen algılamaları azaltarak her nesnenin tek bir nihai sınırlayıcı kutu ile temsil edilmesini sağlamaktır.
Şekil 2. NMS'e genel bir bakış. Görsel yazar tarafından hazırlanmıştır.
İşlem, sınırlayıcı kutuları güven puanlarına ve ne kadar örtüştüklerine göre karşılaştırarak çalışır. Güven puanı çok düşük olan tahminler ilk önce kaldırılır.
Kalan kutular daha sonra güven puanına göre sıralanır ve en yüksek puana sahip kutu en iyi algılama olarak seçilir. Seçilen bu kutu diğer kutularla karşılaştırılır.
Başka bir kutu onunla çok fazla örtüşüyorsa, o kutu bastırılır ve kaldırılır. Örtüşme genellikle, iki kutunun paylaştığı alan ile her ikisinin kapladığı toplam alan arasındaki oranı hesaplayan bir metrik olan Intersection over Union kullanılarak ölçülür. Bu işlem, yalnızca en yüksek güvene sahip, örtüşmeyen tespitler kalana kadar tekrarlanır.
NMS neden dağıtımı karmaşıklaştırır?#
Non-Maximum Suppression, yinelenen algılamaları filtrelemeye yardımcı olsa da, modeller araştırmadan gerçek dünya dağıtımına geçtiğinde daha belirgin hale gelen zorlukları da beraberinde 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 bir şekilde paralelleştirilmesi zordur. Uç cihazlarda ve CPU tabanlı sistemlerde, bu fazladan iş fark edilir gecikmelere yol açarak gerçek zamanlı gereksinimlerin karşılanmasını zorlaştırabilir.
NMS ayrıca dağıtım karmaşıklığını da artırır. Modelin bir parçası olmadığı için, ayrı bir işlem sonrası kodu olarak uygulanması gerekir.
Farklı çalışma zamanları ve platformlar NMS'i farklı şekillerde ele alır; bu da genellikle her hedef ortam için özel uygulamaların sürdürülmesi gerektiği anlamına gelir. Bir kurulumda işe yarayan şey diğerinde biraz farklı davranabilir, bu da dağıtımı daha kırılgan ve ölçeklendirilmesini daha zor hale getirir.
Donanım optimizasyonu bir diğer zorluktur. NMS, sinir ağı işlemlerini verimli bir şekilde çalıştırmak için tasarlanmış özel AI hızlandırıcılarına düzgün bir şekilde eşlenmez. Sonuç olarak, model optimize edilmiş donanımda hızlı çalışsa bile, NMS genel performansı sınırlayan bir darboğaz haline gelebilir.
Bu faktörlere ek olarak, NMS güven eşikleri ve örtüşme eşikleri gibi manuel olarak seçilen parametrelere dayanır. Bu ayarlar sonuçları önemli ölçüde etkileyebilir ve genellikle farklı veri kümeleri, uygulamalar veya donanımlar için ayarlanmaları gerekir. Bu, üretim sistemlerinde davranışın daha az tahmin edilebilir olmasına yol açar ve fazladan yapılandırma yükü ekler.
Uçtan uca nesne algılama çıkarımı açıklandı#
Non-Maximum Suppression'ın sınırlamaları, nesne tespiti modellerinin çıkarım zamanında nasıl davranması gerektiğini yeniden düşünmemize yol açtı. Birçok örtüşen tahmin üretip bunları sonradan temizlemek yerine daha temel bir soru sorduk.
Ya model nihai algılamaları doğrudan üretebilseydi? Bu soru, uçtan uca nesne algılama çıkarımının merkezinde yer alır. Uçtan uca bir sistemde model, harici temizleme adımlarına güvenmeden, algılama sürecinin tamamını baştan sona yönetecek şekilde eğitilir.
Birçok aday kutu üretip bunları çıkarımdan sonra filtrelemek yerine, model küçük bir güvenilir, örtüşmeyen tahmin kümesini kendi başına oluşturmayı öğrenir. Mükerrer algılamalar, işlem sonrası ile kaldırılmak yerine ağın içinde çözülür.
Daha yeni model mimarileri, bu yaklaşımın hem mümkün hem de pratik olduğunu gösterdi. Doğru eğitim stratejisiyle modeller, her nesneyi birçok rakip tahmin yerine tek bir tahminle ilişkilendirmeyi öğrenerek fazlalığı kaynağında azaltabilir.
Şekil 3. Ultralytics YOLO26 kullanarak nesneleri algılama örneği.
Bunun işe yaraması için eğitimin de değişmesi gerekir. Model, birçok tahminin aynı nesne için rekabet etmesine izin vermek yerine, daha az ve daha güvenilir algılamalar üreterek net bir karar vermeyi öğrenir.
Genel sonuç daha basit bir çıkarım hattıdır. Mükerrer kopyalar zaten dahili olarak çözüldüğünden, çıkarım zamanında Non-Maximum Suppression'a gerek yoktur. Model çıktısı zaten nihai algılama kümesidir.
Bu uçtan uca tasarım, dağıtımı da kolaylaştırır. İşlem sonrası adımlar veya platforma özgü NMS uygulamaları olmadan, dışa aktarılan model tamamen kendi kendine yeterlidir ve farklı çıkarım çerçeveleri ile donanım hedefleri arasında tutarlı bir şekilde davranır.
Baş Ortaklık Mühendisimiz Francesco Mattioli'nin açıkladığı gibi, “Gerçek uçtan uca öğrenme, modelin piksellerden tahminlere kadar her şeyi, türetilebilirliği bozan ve dağıtımı karmaşıklaştıran el yapımı son işleme adımları olmadan yönetmesi gerektiği anlamına gelir.”
Ultralytics YOLO26, NMS'i nasıl kaldırıyor?#
Ultralytics YOLO26, tespitleri temizlemek için son işlemeye güvenmek yerine, bunların nasıl öğrenildiğini ve üretildiğini değiştirerek Non-Maximum Suppression'ı ortadan kaldırır. Birçok tahminin aynı nesne için rekabet etmesine izin vermek yerine YOLO26, nesneler ile çıktılar arasında net bire bir ilişki öğrenmek üzere eğitilir.
Bu, modelin birçok örtüşen aday yerine her nesne için tek bir güvenilir tahmin üretmeye odaklanmasına yardımcı olan öğrenilebilir sorgu tabanlı algılama ile kısmen mümkün kılınmıştır. Her nesne bir tahminle ilişkilendirilir ve bu da mükerrer algılamaları doğal olarak azaltır.
Bu davranış, eğitim sırasında tutarlı eşleştirme stratejileri ile pekiştirilir ve modeli örtüşen tahminler üretmek yerine her nesne için bir güvenilir karar vermeye teşvik eder. Sonuçta model daha az tahmin üretir, ancak her biri nihai bir algılamayı temsil eder.
DFL'i kaldırmak NMS'siz algılamayı nasıl mümkün kıldı?#
Ultralytics YOLO26'da NMS'siz çıkarımı mümkün kılan bir diğer önemli yenilik, Distribution Focal Loss yani DFL'in kaldırılmasıdır. Önceki YOLO modellerinde DFL, tek bir değer yerine olası kutu konumlarının bir dağılımını tahmin ederek sınırlayıcı kutu regresyonunu iyileştirmek için kullanılırdı.
Bu yaklaşım yerelleştirme doğruluğunu artırsa da, algılama hattına karmaşıklık da ekledi. Bu karmaşıklık, gerçek uçtan uca çıkarıma doğru ilerlerken bir sınırlama haline geldi.
DFL, ek hesaplama ve sabit regresyon aralıkları getirerek modelin temiz, bire bir nesne atamaları öğrenmesini zorlaştırdı ve Non-Maximum Suppression gibi son işlem adımlarına olan bağımlılığı artırdı. Ultralytics YOLO26 ile DFL'i kaldırdık ve sınırlayıcı kutu regresyonunu daha basit ve doğrudan olacak şekilde yeniden tasarladık.
Dağılım tabanlı çıktılara güvenmek yerine model, daha az sayıda ve daha yüksek güvenliğe sahip tespitleri 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 bir tasarım, Ultralytics YOLO26'yı gerçekten uçtan uca bir model yapar. Bunun exporting models üzerinde önemli bir etkisi vardır.
Dışa aktarma, eğitilmiş bir modeli ONNX, TensorRT, CoreML veya OpenVINO gibi eğitim ortamının dışında çalışabilecek bir formata dönüştürmek anlamına gelir. Geleneksel hatlarda bu süreç, Non-Maximum Suppression modelin kendi parçası olmadığı için genellikle bozulur.
NMS'yi kaldıran Ultralytics YOLO26 bu sorundan tamamen kaçınır. Dışa aktarılan model, nihai tespitleri üretmek için gereken her şeyi zaten içerir.
Bu, dışa aktarılan modeli tamamen kendi kendine yeterli hale getirir ve çıkarım çerçeveleri ile donanım hedefleri arasında daha taşınabilir kılar. Aynı model; sunucularda, yalnızca CPU kullanılan sistemlerde, gömülü cihazlarda veya uç hızlandırıcılarda dağıtıldığında tutarlı bir şekilde davranır. Dağıtım daha kolay hale gelir çünkü dışa aktardığınız şey, tam olarak çalıştırdığınız şeydir.
Bu basitlik, özellikle uç uygulamalar için önemlidir. Örneğin YOLO26; mahsul izleme, saha denetimi ve bitki sağlığı analizi gibi kullanım durumları için drone gibi cihazlara kolayca dağıtılabilir; bu tür senaryolarda sınırlı bilgi işlem ve güç bütçeleri, karmaşık son işleme hatlarını pratik olmaktan çıkarır. Model, nihai tespitleri doğrudan çıktığı için ek işlem adımlarına gerek kalmadan hafif donanımlarda güvenilir bir şekilde çalışır.
Şekil 4. Ultralytics YOLO26'nın dron gibi uç cihazlarda dağıtılması kolaydır.
Kısacası, NMS'siz çıkarım, dışa aktarma ve dağıtımdaki sürtünmeyi ortadan kaldırır ve daha temiz, daha güvenilir görme sistemleri sağlar. NMS bir geçici çözümdü. Ultralytics YOLO26 artık geçici çözümlere ihtiyaç duymuyor.
Öne çıkanlar#
Ultralytics YOLO26, yinelenen tespitleri sonradan temizlemek yerine bunların temel sorununu çözerek Non-Maximum Suppression'ı ortadan kaldırır. Uçtan uca tasarımı, modelin son tespitleri doğrudan üretmesine olanak tanır; böylece dışarı aktarım ve dağıtım, farklı donanımlar arasında daha basit ve daha tutarlı hale gelir. NMS önceki sistemler için yararlı bir geçici çözümdü, ancak YOLO26'nın artık buna ihtiyacı yok.
Yapay zeka hakkında daha fazla bilgi edinmek için topluluğumuza katılın ve GitHub deposu'müze göz atın. Tarımda yapay zeka ve perakendede bilgisayarlı görü hakkındaki çözüm sayfalarımızı keşfedin. Lisanslama seçenekleri mizi keşfedin ve bugün görü yapay zekası ile çalışmaya başlayın!
