Sınırlayıcı Kutu (Bounding Box)

Sınırlayıcı kutu, bir görüntü veya video karesi içindeki bir nesnenin konumunu belirtmek için bilgisayarla görme alanında kullanılan dikdörtgen bir açıklama türüdür. Bir nesnenin konumunu ve ölçeğini tanımlamak için basit ama etkili bir yol sağlayarak nesne tespitinin temel bir bileşeni olarak hizmet eder. Makine öğreniminde, modeller, nesneleri kendi başlarına nasıl tanımlayacaklarını ve yerelleştireceklerini öğrenmek için etiketlenmiş sınırlayıcı kutulara sahip büyük veri kümeleri üzerinde eğitilir. Bu modellerin çıktısı, kutunun koordinatlarını, bir sınıf etiketini (örneğin, "araba", "kişi") ve modelin tahminindeki kesinliğini gösteren bir güvenilirlik skorunu içerir.

Sınırlayıcı Kutular Nasıl Çalışır?

Bir sınırlayıcı kutu, tipik olarak konumunu ve boyutunu belirten bir dizi koordinatla tanımlanır. En yaygın gösterimler şunlardır:

• Genişlik ve yükseklik ile sol üst koordinatlar (x, y, g, y): Bu biçim, sol üst köşenin x ve y koordinatlarını, kutunun genişliği ve yüksekliği ile birlikte belirtir.
• Köşe noktaları (x_min, y_min, x_max, y_max): Bu biçim, dikdörtgenin sol üst ve sağ alt köşelerinin koordinatlarını tanımlar.

Bu koordinatlar, yeni, görülmemiş görüntüler için bu değerleri tahmin etmeyi öğrenen derin öğrenme modellerini eğitmek için kullanılır. Tahmin edilen bir sınırlayıcı kutunun doğruluğu genellikle, tahmin edilen kutu ile gerçek kutu arasındaki örtüşmeyi ölçen Kesişim Üzerinden Birleşim (IoU) adı verilen bir metrik kullanılarak değerlendirilir. Ultralytics YOLO11 gibi modern nesne algılama modelleri, gerçek zamanlı olarak hassas sınırlayıcı kutular oluşturmak için yüksek oranda optimize edilmiştir.

Sınırlayıcı Kutuların Türleri

İki ana sınırlayıcı kutu türü vardır:

1. Eksen Hizalı Sınırlayıcı Kutu: Bu, dikdörtgenin kenarlarının görüntünün yatay ve dikey eksenleriyle hizalandığı en yaygın türdür. Temsil ve işlenmesi basittir, ancak kutu önemli arka plan alanı içerebileceğinden, döndürülmüş veya düzensiz şekilli nesneler için verimsiz olabilir.
2. Yönlendirilmiş Sınırlayıcı Kutu (OBB): Bu kutu türü, eğimli nesnelerin etrafına daha sıkı oturmasını sağlayan ek bir dönüş parametresi içerir. OBB'ler, nesnelerin genellikle çeşitli açılardan görüntülendiği uydu görüntü analizi veya dronlardan elde edilen hava görüntüleri gibi özel uygulamalarda özellikle kullanışlıdır. YOLO11 gibi modeller, bu senaryoları daha etkili bir şekilde ele almak için yönlendirilmiş nesne algılamayı destekler.

Diğer Kavramlarla İlişkisi

Sınırlayıcı kutular, diğer bilgisayarlı görü görevleriyle yakından ilişkilidir, ancak farklı bir amaca hizmet eder.

• Nesne Algılama ve Görüntü Bölütleme Karşılaştırması: Nesne algılama, nesneleri konumlandırmak için sınırlayıcı kutular kullanırken, görüntü bölütleme bir nesnenin şekli hakkında daha ayrıntılı bir anlayış sunar. Örneğin, örnek bölütleme, sadece etrafına bir dikdörtgen çizmek yerine, her bir farklı nesnenin tam piksel düzeyindeki sınırını çizerek bir adım daha ileri gider. Bu, hassas şekil bilgisi gerektiren uygulamalar için kullanışlıdır. Daha fazla bilgi bu örnek bölütleme kılavuzunda bulunabilir.
• Sınırlayıcı Kutu ve Çapa Kutusu (Bounding Box vs. Anchor Box): Çapa tabanlı dedektörler olarak bilinen bazı nesne algılama modellerinde, modelin son sınırlayıcı kutuyu tahmin etmesine yardımcı olmak için "çapa kutuları" adı verilen önceden tanımlanmış kutular referans olarak kullanılır. Buna karşılık, çapa içermeyen dedektörler, genellikle model mimarisini basitleştirerek, sınırlayıcı kutuları bu ön ayarlar olmadan doğrudan tahmin eder.

Gerçek Dünya Senaryolarında Uygulamalar

Sınırlayıcı kutular, çok sayıda pratik yapay zeka uygulaması için ayrılmaz bir parçadır:

1. Otonom Araçlar: Kendi kendine giden arabalar, yayaları, diğer araçları ve trafik ışıklarını sınırlayıcı kutular kullanarak tanımlamak ve konumlandırmak için büyük ölçüde nesne tespitine güvenir. Genellikle derin öğrenme modelleri aracılığıyla elde edilen bu uzamsal farkındalık, güvenli navigasyon için kritik öneme sahiptir. Waymo gibi şirketler bu teknolojiyi kapsamlı bir şekilde sergiliyor. Ultralytics, kendi kendine giden arabalarda yapay zeka hakkında bilgiler sunar.
2. Perakende Analitiği: Perakendede, sınırlayıcı kutular, raflardaki ürünleri tespit ederek, stok seviyelerini izleyerek ve ayak trafiği modelleri aracılığıyla müşteri davranışını analiz ederek (nesne sayımı) yapay zeka destekli envanter yönetimine yardımcı olur.
3. Güvenlik ve Gözetim: Sınırlayıcı kutular, otomatik izleme sistemlerinin şüpheli etkinlikler için uyarılar tetikleyerek bireyleri veya nesneleri gerçek zamanlı olarak algılamasını ve izlemesini sağlar. Bu, güvenlik alarm sistemleri gibi uygulamalar oluşturmak için temeldir.
4. Tıbbi Görüntü Analizi: Sağlık hizmetlerinde, sınırlayıcı kutular, taramalardaki tümörler gibi potansiyel anormallikleri vurgulayarak klinisyenlere yardımcı olur ve daha hızlı teşhise yardımcı olur. Bunun örneklerini Radyoloji: Yapay Zeka araştırmasında ve tıbbi görüntü analizi sayfamızda görebilirsiniz.
5. Tarım: Sınırlayıcı kutular, hassas tarımda hasat için meyveleri tanımlama, mahsul sağlığını izleme veya zararlıları tespit etme gibi görevler için kullanılır, tarımda bilgisayarlı görü hakkındaki blog yazımızda ayrıntılı olarak açıklanmıştır.