Ankrajsız Dedektörler

Temel Kavramlar ve Metodoloji

Çapasız dedektörler tipik olarak nesne tespitini, bir Evrişimsel Sinir Ağı (CNN) tarafından oluşturulan özellik haritaları içindeki anahtar noktaları tahmin etme veya nesne merkezlerini tahmin etme sorunu olarak çerçeveler. Bu modeller, potansiyel nesneleri yoğun bir bağlantı kutuları ızgarasıyla eşleştirmek ve ardından bu kutuları iyileştirmek yerine, nesne özelliklerini doğrudan görüntünün özellik temsili içindeki belirli konumlarda yeniden düzenler. Popüler çapasız metodolojiler şunları içerir:

• Merkez tabanlı tahmin: CenterNet gibi modeller her bir nesnenin merkez noktasını tahmin eder ve boyutlarını geriletir.
• Anahtar noktası tabanlı algılama: CornerNet gibi yaklaşımlar, nesne sınırlayıcı kutularını tanımlamak için köşe anahtar noktası çiftlerini tespit eder.
• Yoğun tahmin: FCOS (Tam Evrişimli Tek Aşamalı Nesne Algılama) gibi yöntemler, nesne algılamayı semantik segmentasyona benzer şekilde ele alır ve genellikle Tam Evrişimli Ağlardan (FCN'ler) yararlanarak ilgili özellik haritası bölgelerindeki piksel başına nesne varlığını ve sınırlayıcı kutu koordinatlarını tahmin eder.

Bu teknikler karmaşık çapa tasarımı, çapalarla ilgili hiperparametre ayarı(öğrenme oranı, yığın boyutu vb.) ve çapa tabanlı sistemlerin gerektirdiği karmaşık eşleştirme mantığı ihtiyacını ortadan kaldırır.

Ankrajsız Algılamanın Avantajları

Ankrajsız dedektörlerin birincil cazibesi, kavramsal basitliklerinde ve artan esnekliklerinde yatmaktadır. Temel faydaları şunlardır:

• Basitleştirilmiş Tasarım: Veri kümesi istatistiklerine(en boy oranları, boyutlar) özel bağlantı kutuları tasarlama ve yapılandırma ihtiyacını ortadan kaldırır.
• Azaltılmış Hiperparametreler: Çapalarla ilgili daha az sayıda hiper parametrenin ayarlanması gerekir, bu da model eğitim iş akışını basitleştirir.
• Geliştirilmiş Genellik: Genellikle aşırı en boy oranlarına sahip nesnelerde veya önceden tanımlanmış çapalarla iyi hizalanamayabilecek ölçeklerde daha iyi performans gösterir.
• Daha Yüksek Verimlilik Potansiyeli: Çapa ile ilgili hesaplamalardan kaçınarak daha yüksek çıkarım hızlarına ve daha düşük hesaplama maliyetlerine yol açabilir. Bu özellikle uç cihazlarda dağıtım için önemlidir.

Çapa Tabanlı Dedektörlerle Karşılaştırma

Çapasız ve çapa tabanlı dedektörler arasındaki temel fark, ilk nesne önerilerini nasıl oluşturduklarıdır. Faster R-CNN veya YOLOv4 gibi önceki mimariler gibi çapa tabanlı modeller, büyük ölçüde görüntü ızgarasına dağıtılmış önceden tanımlanmış bir çapa kutusu kümesine dayanır. Ağ, bu çapalardan uzaklıkları tahmin eder ve bir çapanın bir nesne içerip içermediğini sınıflandırır. Bu yaklaşım, hedef kıyaslama veri kümesine dayalı olarak çapa özelliklerinin dikkatli bir şekilde kalibre edilmesini gerektirir.

Çapa içermeyen dedektörler, yakın zamanda Ultralytics YOLO gibi modeller YOLO11çapa mekanizmasını tamamen atlar. Nesne özelliklerini (merkez, köşeler veya sınırlara olan mesafeler gibi) özellik haritasındaki belirli noktalara veya bölgelere göre doğrudan tahmin ederler. Bu genellikle Maksimum Olmayan Bastırma (NMS) gibi işlem sonrası adımları basitleştirir ve düzensiz şekilli nesneler için algılama doğruluğunu artırabilir. Ultralytics YOLO11 ' in çapasız olmasının avantajlarını keşfedebilir ve performansını YOLOX veya YOLOv9 gibi diğer modellerle karşılaştırabilirsiniz.

Gerçek Dünya Uygulamaları

Çapasız dedektörler çok çeşitli bilgisayarla görme (CV) görevlerinde oldukça etkilidir:

• Otonom Sürüş: Farklı şekil ve boyutlardaki araçları, yayaları ve engelleri tespit etmek otonom araçlar için kritik öneme sahiptir. Çapasız yöntemler bu çeşitli nesnelere iyi uyum sağlayarak Waymo gibi şirketler tarafından geliştirilenler gibi daha güvenli navigasyon sistemlerine katkıda bulunur.
• Tıbbi Görüntü Analizi: Radyoloji gibi alanlarda, çapa içermeyen modeller, genellikle düzensiz şekillere sahip olan tümörler veya lezyonlar gibi anomalileri hassas bir şekilde bulabilir. Örneğin, tümör tespiti için YOLO11 'in kullanılması, tıbbi görüntülerde daha iyi lokalizasyon için çapa içermeyen doğasından yararlanır.
• Perakende Analitiği: Stok seviyeleri için rafların izlenmesi(AI odaklı envanter yönetimi) veya müşteri davranışının analiz edilmesi, yoğun şekilde paketlenmiş veya alışılmadık şekilli ürünleri etkili bir şekilde ele alan dedektörlerden yararlanır.
• Güvenlik ve Gözetim: Kalabalık sahnelerdeki insanları veya nesneleri tanımlamak(kalabalık yönetiminde görüntü yapay zekası) veya belirli olayları tespit etmek genellikle çapasız yaklaşımların avantaj sağlayabileceği farklı ölçeklerdeki nesneleri içerir.

Araçlar ve Teknolojiler

Çapasız dedektörlerin geliştirilmesi ve dağıtımı, aşağıdaki gibi büyük derin öğrenme çerçeveleri tarafından desteklenmektedir PyTorch ve TensorFlow. Ultralytics ekosistemi, aşağıdakiler gibi çapasız tasarımları kullanan sağlam araçlar ve önceden eğitilmiş modeller sağlar Ultralytics YOLO11. Uygulama ayrıntıları için Ultralytics belgelerini inceleyebilir ve kolaylaştırılmış model eğitimi, veri kümesi yönetimi ve dağıtımı için Ultralytics HUB 'dan yararlanabilirsiniz. Papers With Code gibi kaynaklar, birçoğu çapasız mimariler içeren son teknoloji nesne algılama modellerinin derlenmiş listelerini sunar. Temel bilgiler Coursera veya DeepLearning.AI gibi platformlar aracılığıyla edinilebilir. Modelleri belirli donanımlar için optimize etmek için OpenVINO kullanılabilir.