YOLO'yu lisansla
Ultralytics Sözlüğüne dön

Affine Transformation

Afin dönüşüm; döndürme, ölçekleme, kaydırma ve öteleme yoluyla görüntü koordinatlarını eşler ve artırma, hizalama ve ön işleme işlemlerini destekler.

Afin dönüşüm, doğrusal dönüşümü ötelemeyle birleştiren bir koordinat eşlemesidir. Görüntülerde piksel ızgarasını döndürebilir, yeniden boyutlandırabilir, yansıtabilir, kaydırabilir veya öteleyebilir; bunu yaparken doğru çizgilerin yapısını korur. Afin dönüşüm ve afin eşleme eş anlamlıdır. Bilgisayarlı görü alanında bu eşlemeler hizalama, veri ön işleme ve veri artırma işlemlerini destekler.

Leonhard Euler, 1748'de Introductio in analysin infinitorum, 2. cilt adlı eserin XVIII. bölümünde, ilişkili eğrileri tanımlamak için affine terimini ortaya attı.

Afin Dönüşümlerin Koruduğu Özellikler#

Tersinir bir afin dönüşüm; doğruları, paralelliği ve bir doğru üzerindeki aralık oranlarını korur. Orta nokta, dönüşümden sonra da orta nokta olarak kalır. Uzunluklar ve açılar değişebilir: kaydırma ve eşit olmayan ölçekleme, bir dikdörtgeni paralelkenara veya bir çemberi elipse dönüştürebilir.

Rijit dönüşümler uzaklıkları ve açıları korur; benzerlik dönüşümleri bunlara ek olarak tekdüze ölçeklemeye izin verir. Afin dönüşümler ise eşit olmayan ölçeklemeye ve kaydırmaya da izin verir. Bir homografi, paralel yol kenarlarının ufuk noktasına doğru yakınsaması gibi perspektif etkilerini içerir. Afin eşleme paralelliği korur ve genel eğiklik ile ölçek değişikliklerine uyum sağlar.

Afin Matris Nasıl Çalışır?#

İki boyutlu afin matrisin altı parametresi vardır ve bu parametreler genellikle 2 x 3 matris biçiminde saklanır. Dört parametre doğrusal kısmı kontrol eder, ikisi ise yatay ve dikey ötelemeyi belirtir. Matrisi üç nokta çifti belirler: kaynak noktaların doğrusal olmayan üç nokta olması, yani bir üçgen oluşturması gerekir. OpenCV'de cv2.getAffineTransform, matrisi bu eşleşmelerden tahmin eder.

Homojen koordinat adı verilen sabit üçüncü koordinat 1 eklenerek öteleme, matris çarpımına dahil edilir. Ortaya çıkan 3 x 3 matrisin son satırı 0, 0, 1 olur. Birden fazla dönüşüm matris çarpımıyla birleştirilir; önce döndürüp sonra ötelemek, genellikle önce öteleyip sonra döndürmekten farklı sonuç verir.

Afin dönüşüm, ötelemesi sıfır olduğunda doğrusal dönüşüm olur. Bir sinir ağında, tam bağlantılı katman öğrenilmiş ağırlıkları bir bias ofsetiyle birleştirir. PyTorch Linear katmanı, varsayılan olarak afin eşleme uygular ve bunu genellikle doğrusal olmayan bir aktivasyon fonksiyonu izler.

Görüntü İşleme ve Model Eğitiminde Kullanım Alanları#

Ultralytics YOLO26 algılama ve segmentasyon eğitimi, görüntüleri ve açıklamaları birlikte güncelleyerek degrees, translate, scale ve shear aracılığıyla geometrik artırmayı destekler. perspective=0.0 ile eşleme afin olur; döndürme ve kaydırma varsayılan olarak devre dışıdır.

Python'da Afin Dönüşüm Uygulama#

pip install opencv-python numpy ile bu örnek, bir görüntüyü merkezi etrafında döndürmek ve küçültmek için OpenCV kullanır:

from urllib.request import urlopen

import cv2
import numpy as np

with urlopen("https://ultralytics.com/images/bus.jpg") as response:
    encoded = np.frombuffer(response.read(), dtype=np.uint8)
image = cv2.imdecode(encoded, cv2.IMREAD_COLOR)
height, width = image.shape[:2]

# Merkez etrafında döndürme, öteleme de gerektirir.
center = (width / 2, height / 2)
matrix = cv2.getRotationMatrix2D(center, angle=20, scale=0.8)
warped = cv2.warpAffine(image, matrix, (width, height))
cv2.imwrite("affine_result.jpg", warped)

Kaydedilen görüntü, değişmeyen bir çıktı tuvalinde 20 derece döndürülmüş ve özgün boyutlarının %80'ine ölçeklenmiş halini gösterir.

Yeniden Örnekleme ve Açıklama Hataları#

Dönüştürme işlemi, ayrık bir piksel ızgarasından örnek alır. Bilineer enterpolasyon komşu pikselleri harmanlarken en yakın komşu enterpolasyonu mevcut bir değeri seçer. Döndürme, kaynak pikseli olmayan kenar bölgelerini açığa çıkarır; sabit boyutlu bir tuval ise sınırlarının dışındaki içeriği kırpar. Koordinat eşlemesi tersinir olsa bile yinelenen bilineer yeniden örnekleme ince ayrıntıları yumuşatır.

Denetimli görüntü işlemede, görüntüler ve açıklamalar aynı eşlemeyi kullanır. Etiketleri değiştirmemek, hedeflerin yanlış konumlara yerleşmesine neden olur. Sınırlayıcı kutularda, kapsayıcı eksen hizalı dikdörtgeni hesaplamadan önce dört köşenin tamamını dönüştürmek gerekir; döndürme sonrasında bu dikdörtgen ek arka plan içerebilir. Tuvalin dışındaki kilit noktalar için görünürlük güncellenmelidir. Kategorik segmentasyon maskelerinde, ayrık sınıf kimliklerini korumak için en yakın komşu enterpolasyonu kullanılır.

Çözümleri keşfet

Sporda bilgisayarlı görü

Sporda bilgisayarlı görü

Ultralytics YOLO'nun oyuncu ve top takibi, performans analitiği, antrenörlük içgörüleri ve sporcu rehabilitasyonuyla spor alanında görsel yapay zekâyı nasıl güçlendirdiğini keşfet.
Daha fazla bilgi edin
Hava görüntüleri için bilgisayarlı görü

Hava görüntüleri için bilgisayarlı görü

İHA ve hava görüntülerini Ultralytics YOLO ile tarım, su ürünleri yetiştiriciliği, koruma çalışmaları ve jeo-uzamsal analiz için gerçek zamanlı içgörülere dönüştür.
Daha fazla bilgi edin
Havacılıkta bilgisayarlı görü

Havacılıkta bilgisayarlı görü

Uçak denetimi, pistteki yabancı madde tespiti, havaalanı yer operasyonları ve kompozit malzeme kusurlarının tespiti için Ultralytics YOLO ile havacılık ve uzay sektöründe bilgisayarlı görü uygula.
Daha fazla bilgi edin
Güvenlikte bilgisayarlı görü

Güvenlikte bilgisayarlı görü

Ultralytics YOLO modelleriyle her sahayı koru. Görsel yapay zekâ; çevre izleme, tehdit tespiti, plaka tanıma ve iş yeri güvenliğini destekler.
Daha fazla bilgi edin
Robotikte bilgisayarlı görü

Robotikte bilgisayarlı görü

Ultralytics YOLO modelleriyle daha akıllı makinelere güç ver. Robotikte görsel yapay zekâ; otonom navigasyonu, algılamayı, nesne takibini ve gerçek zamanlı kontrolü destekler.
Daha fazla bilgi edin
Lojistikte bilgisayarlı görü

Lojistikte bilgisayarlı görü

Ultralytics YOLO modelleriyle lojistiği kolaylaştır. Görüntü yapay zekâsı; paket denetimini, ayrıştırmayı, araç takibini ve gerçek zamanlı depo güvenliği izlemeyi mümkün kılar.
Daha fazla bilgi edin
Perakendede bilgisayarlı görü

Perakendede bilgisayarlı görü

Ultralytics YOLO modelleriyle perakendeyi yeniden tasarla. Görüntü yapay zekâsı; envanter takibini, raf izlemeyi, kuyruk yönetimini ve daha kapsamlı müşteri analizlerini mümkün kılar.
Daha fazla bilgi edin
Sağlık hizmetlerinde bilgisayarlı görü

Sağlık hizmetlerinde bilgisayarlı görü

Ultralytics YOLO modelleriyle sağlık çözümleri geliştir. Sağlık hizmetlerinde görüntü yapay zekâsı; daha hızlı tıbbi görüntüleme, daha akıllı tanı ve hasta takibini mümkün kılar.
Daha fazla bilgi edin
Üretimde bilgisayarlı görü

Üretimde bilgisayarlı görü

Ultralytics YOLO modelleriyle üretimi optimize et. Görsel yapay zekâ; kalite kontrolünü, kusur tespitini, kişisel koruyucu donanım uyumunu ve montaj hattı otomasyonunu destekler.
Daha fazla bilgi edin
Otomotivde bilgisayarlı görü

Otomotivde bilgisayarlı görü

Ultralytics YOLO modelleriyle otomotivde bilgisayarlı görüden yararlan. Görsel yapay zekâ; daha akıllı yollar için yol güvenliğini, sürüş desteğini ve araç otomasyonunu ileri taşır.
Daha fazla bilgi edin
Tarımda bilgisayarlı görü

Tarımda bilgisayarlı görü

Ultralytics YOLO modelleriyle akıllı tarıma görüntü yapay zekâsı kazandır. Daha yüksek ve akıllı verim için mahsul izleme, hayvan takibi ve hassas tarımı destekle.
Daha fazla bilgi edin

Geleceğin yapay zekasını birlikte inşa edelim!

Makine öğreniminin geleceğine yolculuğuna başla