Bounding Box

Sınırlayıcı kutu (bounding box), bir görüntü veya video karesi içindeki belirli bir nesneyi çevreleyen bir dizi koordinatla tanımlanan dikdörtgen bir bölgedir. computer vision (CV) alanında bu kutular, artificial intelligence (AI) sistemlerine farklı öğeleri nasıl bulup tanıyacaklarını öğretmek için temel ek açıklamalar olarak hizmet eder. Bütün bir görüntüyü basitçe "bir araba içeriyor" diye etiketlemek yerine, sınırlayıcı kutu bir modelin arabanın tam konumunu ve uzamsal kapsamını belirlemesini sağlayarak onu arka plandan ve diğer varlıklardan ayırır. Bu konumlama yeteneği, amacın aynı anda yüksek hassasiyetle birden fazla nesneyi tanımlamak olduğu object detection görevleri için esastır.

Temel Kavramlar ve Koordinatlar#

Görsel verileri etkili bir şekilde işlemek için machine learning (ML) modelleri, sınırlayıcı kutuları matematiksel olarak temsil etmek üzere belirli koordinat sistemlerine güvenir. Seçilen biçim genellikle verilerin model training için nasıl hazırlandığını ve modelin tahminlerini nasıl çıktılardan vereceğini belirler.

• XYXY Coordinates: Bu biçim, sol üst köşenin ve sağ alt köşenin mutlak piksel değerlerini kullanarak bir kutu tanımlar. Doğrudan görüntüler üzerine dikdörtgenler çizerken OpenCV veya Matplotlib gibi görselleştirme araçları için sezgiseldir.
• XYWH Format: COCO gibi veri setlerinde yaygın olan bu yöntem, nesnenin merkez noktasını ve ardından kutunun genişlik ve yüksekliğini belirtir. Bu temsil, öğrenme sürecinde loss functions hesaplamak için kritiktir.
• Normalized Coordinates: Farklı çözünürlüklerdeki görüntüler arasında scalability sağlamak için koordinatlar genellikle 0 ile 1 arasındaki bir aralığa ölçeklenir. Bu, modellerin değişen boyutlardaki girdileri analiz ederken daha iyi genelleme yapmasına yardımcı olur.

Gerçek Dünya Uygulamaları#

Bounding box'lar, çeşitli sektörlerdeki sayısız AI çözümünün yapı taşlarıdır. Hassas yerelleştirmeyi mümkün kılarak, sistemlerin fiziksel dünyayla akıllıca etkileşime girmesine olanak tanırlar.

• Autonomous Vehicles: Otonom araçlar, yayaları, diğer araçları, trafik işaretlerini ve engelleri gerçek zamanlı olarak tespit edip takip etmek için sınırlayıcı kutular kullanır. Bu uzamsal farkındalık, navigasyon ve güvenlik sistemlerinin salisecik kararlar alabilmesi için çok önemlidir.
• Retail Analytics: Akıllı mağazalarda sınırlayıcı kutular, raflardaki envanteri izlemeye ve müşterilerin ürünlerle olan etkileşimlerini takip etmeye yardımcı olur. Bu veriler, manuel sayım yapmaya gerek kalmadan stok yenilemeyi otomatik hale getirebilir ve alıcı davranışı hakkında içgörüler sağlayabilir.

Uygulamada Bounding Box'lar#

YOLO26 gibi modern mimarileri kullanırken model, bir sınıf etiketi ve bir confidence score ile birlikte sınırlayıcı kutuları tahmin eder. Aşağıdaki örnek, bir görüntü üzerinde çıkarım (inference) çalıştırmayı ve ultralytics paketini kullanarak sınırlayıcı kutu koordinatlarına erişmeyi göstermektedir.

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Access bounding box coordinates (xyxy format) for the first detected object
boxes = results[0].boxes
print(boxes.xyxy[0])  # Output: tensor([x1, y1, x2, y2, ...])

İlgili Terimler ve Farklılaşma#

Bounding box'lar genel tespit görevleri için standart olsa da, daha ayrıntılı görevlerde kullanılan diğer ek açıklama türlerinden farklıdırlar.

• Instance Segmentation: Dikdörtgen bir sınırlayıcı kutunun aksine segmentasyon, bir nesnenin tam taslağını izleyen piksel mükemmelliğinde bir maske oluşturur. Bu, kesin şeklin genel konumdan daha önemli olduğu durumlarda yararlıdır.
• Oriented Bounding Box (OBB): Standart sınırlayıcı kutular eksene hizalıdır (dik dikdörtgenler). OBB'ler; uydu görüntülerindeki gemiler veya bir konveyör bant üzerindeki paketler gibi açılı olan nesnelere uyum sağlamak için dönebilir, böylece daha sıkı bir uyum sağlar ve arka plan gürültüsünü azaltır.
• Keypoints: Bir nesneyi çevrelemek yerine anahtar noktalar, pose estimation için insan vücudundaki eklemler gibi belirli simge yapıları tanımlar.

Ek Açıklama ve Yönetim Araçları#

Yüksek kaliteli sınırlayıcı kutu açıklamaları oluşturmak, ML boru hattında kritik bir adımdır. Ultralytics Platform, data annotation ve veri seti yönetimi için araçlar sunarak bu süreci basitleştirir. Uygun açıklama, modellerin nesneleri doğru bir şekilde ayırt etmeyi öğrenmesini sağlayarak overfitting veya arka plan karışıklığı gibi hataları en aza indirir. Çakışan kutuları kaldırarak bu tahminleri iyileştirmek ve her nesne için yalnızca en doğru tespitin kalmasını sağlamak amacıyla çıkarım sırasında Non-Maximum Suppression (NMS) gibi gelişmiş teknikler kullanılır.