Anchor-Based Detectors

Çapa tabanlı dedektörler, nesneleri yerelleştirmek ve sınıflandırmak için önceden tanımlanmış bir dizi sınırlayıcı kutu kullanan, bilgisayarlı görü alanındaki temel nesne algılama modelleri sınıfıdır. Bu sistemler, bir nesnenin koordinatlarını boş bir sayfadan tahmin etmeye çalışmak yerine, çapa kutuları olarak bilinen sabit referans şablonlarıyla başlar. Daha sonra sinir ağı, bu şablonlardan hangisinin görüntüdeki nesneyle en iyi eşleştiğini belirlemek ve çapanın hedefle mükemmel şekilde hizalanması için gereken spesifik ofsetleri (konum ve boyut ayarlamaları) hesaplamak üzere eğitilir. Bu yaklaşım, rastgele koordinat tahmini gibi zor bir problemi, Faster R-CNN ve SSD gibi erken dönem derin öğrenme (DL) mimarilerinin geliştirilmesinde kilit bir buluş olan daha kararlı bir regresyon görevine dönüştürür.

Link to this sectionÇapa Tabanlı Mekanizmalar Nasıl Çalışır#

Çapa tabanlı bir dedektörün temel operasyonu, giriş görüntüsünün yoğun bir ızgaraya bölünmesi etrafında döner. Model, bu ızgaranın her hücresinde, uzun yayalar veya geniş araçlar gibi farklı nesne şekillerini hesaba katmak için çeşitli ölçeklere ve en-boy oranlarına sahip birden fazla çapa kutusu oluşturur. Görüntü verisi modelin backbone yapısından geçerken, ağ iki eşzamanlı görevi yerine getirmek için zengin özellikleri ayıklar:

1. Sınıflandırma: Model, her çapaya bir olasılık puanı atayarak, bunun belirli bir nesne sınıfını (örneğin "araba", "köpek") içerip içermediğini veya sadece arka plan gürültüsü mü olduğunu tahmin eder.

2. Kutu Regresyonu: Ağ, bir nesne içerdiği belirlenen çapalar için çapanın merkez x, y koordinatlarını, genişliğini ve yüksekliğini iyileştirecek düzeltme faktörlerini tahmin eder ve sonuçta sıkı bir sınırlayıcı kutu elde edilir.

During model training, these detectors use a metric called Intersection over Union (IoU) to match the predefined anchors with the ground truth labels provided in the dataset. Anchors with high overlap are treated as positive samples. Since this process generates thousands of potential detections, a filtering algorithm known as Non-Maximum Suppression (NMS) is applied during inference to eliminate redundant boxes and retain only the most accurate prediction for each object.

Link to this sectionÇapa-Serbest Dedektörler ile Karşılaştırma#

Çapa tabanlı yöntemler yıllarca standardı belirlemiş olsa da, alan çapa-serbest dedektörlere doğru evrildi. Aradaki farkı anlamak, modern uygulayıcılar için hayati önem taşır.

• Çapa Tabanlı: YOLOv5 ve orijinal RetinaNet gibi modeller, bir veri seti için en iyi çapa boyutlarını belirlemek adına manuel yapılandırmaya veya k-means kümeleme gibi kümeleme algoritmalarına güvenir. Bu yöntem kararlılık sağlar ancak nesnelerin şekilleri büyük ölçüde değişiyorsa katı kalabilir.
• Çapa-Serbest: YOLO26 dahil olmak üzere modern mimariler, çapa aşamasını genellikle tamamen kaldırır. Nesne merkezlerini ve boyutlarını doğrudan özellik haritası piksellerinden tahmin ederek hesaplama yükünü azaltır ve hiperparametre arayışını basitleştirir. Bu "uçtan uca" yaklaşım genellikle daha hızlıdır ve çeşitli veriler üzerinde eğitilmesi daha kolaydır.

Link to this sectionGerçek Dünya Uygulamaları#

Çapa tabanlı mantık, nesne şekillerinin tahmin edilebilir ve tutarlı olduğu birçok eski ve özel üretim sisteminde geçerliliğini korumaktadır.

• Trafik İzleme: Akıllı ulaşım sistemlerinde kameralar, akışı yönetmek veya ihlalleri tanımlamak için araçları algılar. Arabalar ve kamyonlar standart boyutlara sahip olduğundan, çapa tabanlı modeller hassasiyet ve geri çağırmayı (precision and recall) maksimize etmek için belirli ön kabullerle ayarlanabilir.
• Perakende Otomasyonu: Otomatik ödeme sistemleri, ürünleri tanımlamak için bilgisayarlı görü kullanır. Mısır gevreği kutuları gibi paketlenmiş ürünler sabit bir en-boy oranı koruduğundan, çapalar ağ için güçlü bir ön kabul sağlar ve karmaşık bir sahnede birbirine benzeyen öğeleri ayırt etmesine yardımcı olur.

Link to this sectionUygulama Örneği#

En son YOLO26 modelleri üstün performans için çapa-serbest başlıklar kullansa da, algılamayı çalıştırma arayüzü tutarlı kalır. Ultralytics Platform ve Python API, bir modelin çapa mı yoksa merkez noktaları mı kullandığı karmaşıklığını soyutlayarak kullanıcıların sonuçlara odaklanmasını sağlar.

İşte bir modeli nasıl yükleyeceğin ve nesneleri algılamak için çıkarımı nasıl çalıştıracağın; bu iş akışı, altta yatan çapa mimarisinden bağımsız olarak geçerlidir:

from ultralytics import YOLO

# Load the YOLO26 model (optimized for speed and accuracy)
model = YOLO("yolo26n.pt")

# Run inference on an image source
# The model handles internal logic (anchor-based or anchor-free) automatically
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the first result with bounding boxes
results[0].show()

Link to this sectionDaha Fazla Okuma#

Algılama mekanizmaları konusundaki anlayışını derinleştirmek için Bölge Öneri Ağı'nı (RPN) tanıtan Faster R-CNN hakkındaki temel araştırmayı keşfet veya çapa tabanlı algılamayı hız için optimize eden Single Shot MultiBox Detector (SSD) hakkında bilgi edin. Alanın daha geniş bir görünümü için, COCO veri seti hem çapa tabanlı hem de çapa-serbest modelleri değerlendirmek için standart bir kıyaslama görevi görür. Ayrıca, Coursera üzerindeki ileri düzey kurslar genellikle kutu regresyonu ve çapa eşleştirmenin matematiksel ayrıntılarını kapsar.