YOLO Vision 2025'i kaçırmayın!
25 Eylül 2025
10:00 — 18:00 BST
Hibrit etkinlik
Yolo Vision 2024
Sözlük

Çapa Kutuları

Çapa kutularının, otonom sürüş ve perakende sektöründeki uygulamalarla birlikte çapa tabanlı nesne algılamayı, sınıflandırma, regresyon ve NMS için öncelleri nasıl sağladığını öğrenin.

Çapa kutuları, birçok çapa tabanlı nesne algılama modelinde temel bir bileşendir ve belirli yükseklik ve genişliklere sahip önceden tanımlanmış bir referans kutuları kümesi olarak hizmet eder. Bu kutular, bir görüntüdeki nesnelerin potansiyel konumu ve ölçeği hakkında öncüller veya eğitimli tahminler olarak işlev görür. Nesneleri körü körüne aramak yerine, modeller bu çapaları başlangıç noktaları olarak kullanır, konumlarını ve boyutlarını gerçek nesnelerle eşleşecek şekilde hassaslaştırmak için ofsetleri tahmin eder. Bu yaklaşım, nesne lokalizasyonunun karmaşık görevini, modelin sıfırdan kutular oluşturmak yerine bu şablonları ayarlamayı öğrendiği daha yönetilebilir bir regresyon problemine dönüştürür.

Ankraj Kutuları Nasıl Çalışır?

Temel mekanizma, bir görüntünün çeşitli konumlarda yoğun bir bağlantı kutuları ızgarasıyla döşenmesini içerir. Her konumda, farklı şekil ve boyutlardaki nesnelerin etkili bir şekilde tespit edilebilmesini sağlamak için farklı ölçek ve en boy oranlarına sahip birden fazla çapa kullanılır. Model eğitim süreci sırasında, dedektörün omurgası ilk olarak giriş görüntüsünden bir özellik haritası çıkarır. Algılama kafası daha sonra bu özellikleri kullanarak her bir bağlantı kutusu için iki görev gerçekleştirir:

  • Sınıflandırma: Bir bağlantı kutusunun ilgilenilen bir nesneyi içerme olasılığını tahmin eder, bir sınıf etiketi ve bir güven puanı atar.
  • Regresyon: Bağlantı kutusunu nesneyi sıkıca çevreleyen nihai bir sınırlayıcı kut uya dönüştürmek için gereken hassas ayarlamaları (veya ofsetleri) hesaplar.

Model, eğitim sırasında hangi bağlantı kutularının zemin gerçek nesneleriyle en iyi eşleştiğini belirlemek için Birlik Üzerinden Kesişim (IoU) gibi metrikleri kullanır. Tahminden sonra, aynı nesne için gereksiz ve örtüşen kutuları ortadan kaldırmak için Maksimum Olmayan Bastırma (NMS) adı verilen bir son işlem adımı uygulanır.

Ankraj Kutuları ve Diğer Kavramlar

Çapa kutularını bilgisayarla görmedeki ilgili terimlerden ayırmak önemlidir:

  • Sınırlayıcı Kutu: Bağlantı kutusu, algılama işlemi sırasında kullanılan önceden tanımlanmış bir şablon iken sınırlayıcı kutu, algılanan bir nesneyi tam olarak konumlandıran nihai, rafine çıktıdır.
  • Çapasız Dedektörler: YOLOv5 ve Faster R-CNN ailesi gibi çapa tabanlı modeller bu ön ayarlara dayanırken, modern mimariler giderek çapasız dedektörlere doğru kaymaktadır. Ultralytics YOLO11 gibi modeller, model tasarımını basitleştiren ve alışılmadık şekillere sahip nesnelerde performansı artırabilen anahtar noktaları veya merkezleri tanımlayarak nesne konumlarını doğrudan tahmin eder. YOLO11'de çapasız tasarımın faydaları hakkında daha fazla bilgi edinebilirsiniz.

Gerçek Dünya Uygulamaları

Çapa kutularının yapılandırılmış yaklaşımı, nesnelerin öngörülebilir şekil ve boyutlara sahip olduğu senaryolarda onları etkili kılar.

  1. Otonom Sürüş: Otomotiv endüstrisine yönelik çözümlerde, çapa tabanlı dedektörler arabaları, yayaları ve trafik işaretlerini tanımlamada mükemmeldir. Bu nesnelerin nispeten tutarlı en-boy oranları, önceden tanımlanmış çapalarla iyi hizalanarak NVIDIA ve Tesla gibi şirketler tarafından geliştirilen sistemler için güvenilir algılama sağlar.
  2. Perakende Analitiği: Yapay zeka odaklı envanter yönetimi için bu modeller, ürünleri saymak üzere rafları verimli bir şekilde tarayabilir. Paketlenmiş ürünlerin tek tip boyut ve şekilleri, onları çapa tabanlı bir yaklaşım için ideal adaylar haline getirerek stok izlemeyi otomatikleştirmeye ve manuel çabayı azaltmaya yardımcı olur.

Bu modeller genellikle PyTorch ve TensorFlow gibi güçlü derin öğrenme çerçeveleri kullanılarak geliştirilir. Öğrenmeye devam etmek için DeepLearning.AI gibi platformlar, bilgisayarla görmenin temelleri hakkında kapsamlı kurslar sunmaktadır.

Ultralytics topluluğuna katılın

Yapay zekanın geleceğine katılın. Küresel yenilikçilerle bağlantı kurun, işbirliği yapın ve birlikte büyüyün

Şimdi katılın
Bağlantı panoya kopyalandı