Bounding Box

Sınırlayıcı kutu, bir görüntü veya video karesindeki belirli bir nesneyi çevreleyen, bir koordinat kümesiyle tanımlanan dikdörtgen bir bölgedir. Bilgisayarlı görü (CV) alanında bu kutular, yapay zekâ (AI) sistemlerine farklı nesneleri nasıl konumlandıracaklarını ve tanıyacaklarını öğretmek için kullanılan temel açıklamalardır. Bir görüntüyü yalnızca "araba içeriyor" şeklinde sınıflandırmak yerine sınırlayıcı kutu, modelin arabanın tam konumunu ve uzamsal kapsamını belirlemesini, onu arka plandan ve diğer varlıklardan ayırmasını sağlar. Bu konumlandırma yeteneği, hedefin birden fazla nesneyi aynı anda yüksek doğrulukla tanımlamak olduğu nesne algılama görevleri için kritik öneme sahiptir.

Temel Kavramlar ve Koordinatlar#

Görsel verileri etkili bir şekilde işlemek için makine öğrenimi (ML) modelleri, sınırlayıcı kutuları matematiksel olarak temsil etmek üzere belirli koordinat sistemlerine dayanır. Seçilen biçim, genellikle verilerin model eğitimi için nasıl hazırlanacağını ve modelin tahminlerini nasıl üreteceğini belirler.

• XYXY Koordinatları: Bu biçim, bir kutuyu sol üst ve sağ alt köşelerin mutlak piksel değerlerini kullanarak tanımlar. Görüntülerin üzerine doğrudan dikdörtgen çizmek için OpenCV veya Matplotlib gibi görselleştirme araçlarında kullanımı sezgiseldir.
• XYWH Biçimi: COCO gibi veri kümelerinde yaygın olan bu yöntem, nesnenin merkez noktasını ve ardından kutunun genişliği ile yüksekliğini belirtir. Bu gösterim, öğrenme süreci sırasında kayıp fonksiyonlarını hesaplamak için kritik öneme sahiptir.
• Normalize Edilmiş Koordinatlar: Farklı çözünürlüklere sahip görüntüler arasında ölçeklenebilirliği korumak için koordinatlar genellikle 0 ile 1 arasındaki bir aralığa ölçeklenir. Bu, farklı boyutlardaki girdileri analiz ederken modellerin daha iyi genelleme yapmasına yardımcı olur.

Gerçek Dünya Uygulamaları#

Sınırlayıcı kutular, çeşitli sektörlerdeki sayısız yapay zekâ çözümünün temel yapı taşlarıdır. Hassas konumlandırmayı mümkün kılarak sistemlerin fiziksel dünyayla akıllı bir şekilde etkileşim kurmasını sağlarlar.

• Otonom Araçlar: Otonom araçlar, yayaları, diğer araçları, trafik işaretlerini ve engelleri gerçek zamanlı olarak algılamak ve izlemek için sınırlayıcı kutuları kullanır. Bu uzamsal farkındalık, navigasyon ve güvenlik sistemlerinin anlık kararlar vermesi için kritik öneme sahiptir.
• Perakende Analitiği: Akıllı mağazalarda sınırlayıcı kutular, raflardaki envanterin izlenmesine ve müşterilerin ürünlerle etkileşimlerinin takip edilmesine yardımcı olur. Bu veriler stok yenilemeyi otomatikleştirebilir ve manuel sayım yapmadan müşteri davranışları hakkında içgörüler sağlayabilir.

Uygulamada Sınırlayıcı Kutular#

YOLO26 gibi modern mimariler kullanıldığında model, bir sınıf etiketi ve güven skoruyla birlikte sınırlayıcı kutuları tahmin eder. Aşağıdaki örnek, bir görüntü üzerinde çıkarımın nasıl çalıştırılacağını ve ultralytics paketi kullanılarak sınırlayıcı kutu koordinatlarına nasıl erişileceğini gösterir.

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 Farklar#

Sınırlayıcı kutular genel algılama için standart olsa da daha ayrıntılı görevlerde kullanılan diğer açıklama türlerinden farklıdır.

• Örnek Segmentasyonu: Dikdörtgen bir sınırlayıcı kutunun aksine segmentasyon, bir nesnenin tam dış hatlarını izleyen piksel düzeyinde kusursuz bir maske oluşturur. Bu, genel konumdan ziyade kesin şeklin daha önemli olduğu durumlarda kullanışlıdır.
• Yönlendirilmiş Sınırlayıcı Kutu (OBB): Standart sınırlayıcı kutular eksenlere hizalıdır (dikdörtgenler dik konumdadır). OBB'ler, uydu görüntülerindeki gemiler veya taşıma bandındaki paketler gibi açılı duran nesnelere uyacak şekilde dönebilir; böylece daha sıkı bir uyum sağlar ve arka plan gürültüsünü azaltır.
• Anahtar Noktalar: Anahtar noktalar bir nesneyi çevrelemek yerine poz tahmini için insan vücudundaki eklemler gibi belirli kilit noktaları tanımlar.

Açıklama ve Yönetim Araçları#

Yüksek kaliteli sınırlayıcı kutu açıklamaları oluşturmak, ML işlem hattında kritik bir adımdır. Ultralytics Platform, veri açıklama ve veri kümesi yönetimi araçları sunarak bu süreci basitleştirir. Uygun açıklama, modellerin nesneleri doğru bir şekilde ayırt etmeyi öğrenmesini sağlar ve aşırı uyum veya arka plan karışıklığı gibi hataları en aza indirir. Maksimum Olmayan Bastırma (NMS) gibi gelişmiş teknikler, örtüşen kutuları kaldırarak bu tahminleri iyileştirmek ve her nesne için yalnızca en doğru algılamanın kalmasını sağlamak amacıyla çıkarım sırasında kullanılır.