Sınırlama Kutusu

Sınırlayıcı kutu, bilgisayarla görmede bir nesnenin bir görüntü veya video karesi içindeki konumunu belirtmek için kullanılan dikdörtgen bir ek açıklamadır. Bir nesnenin konumunu ve ölçeğini tanımlamak için basit ama etkili bir yol sağlayarak nesne algılamanın temel bir bileşeni olarak hizmet eder. Makine öğreniminde modeller, nesneleri kendi başlarına nasıl tanımlayacaklarını ve konumlandıracaklarını öğrenmek için etiketli sınırlayıcı kutulara sahip büyük görüntü veri kümeleri üzerinde eğitilir. Bu modellerin çıktısı kutunun koordinatlarını, bir sınıf etiketini (örneğin, "araba", "kişi") ve modelin tahminindeki kesinliğini gösteren bir güven puanını içerir.

Sınırlayıcı Kutular Nasıl Çalışır?

Bir sınırlayıcı kutu tipik olarak konumunu ve boyutunu belirten bir koordinat kümesi ile tanımlanır. En yaygın gösterimler şunlardır:

• Genişlik ve yükseklik ile birlikte sol üst koordinatlar (x, y, w, h): Bu biçim, kutunun genişliği ve yüksekliğiyle birlikte sol üst köşenin x ve y koordinatlarını belirtir.
• Köşe noktaları (x_min, y_min, x_max, y_max): Bu format, 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 Birlik Üzerinden Kesişme (IoU) adı verilen ve tahmin edilen kutu ile temel gerçek kutu arasındaki örtüşmeyi ölçen bir metrik kullanılarak değerlendirilir. Ultralytics YOLO11 gibi modern nesne algılama modelleri, gerçek zamanlı olarak hassas sınırlayıcı kutular oluşturmak için son derece optimize edilmiştir.

Sınırlayıcı Kutu Türleri

İki temel sınırlayıcı kutu türü vardır:

1. Eksen Hizalı Sınırlayıcı Kutu: Bu, dikdörtgenin kenarlarının görüntünün yatay ve dikey eksenleriyle hizalandığı en yaygın türdür. Gösterimi ve işlenmesi kolaydır ancak kutu önemli bir arka plan alanı içerebileceğinden döndürülmüş veya düzensiz şekilli nesneler için verimsiz olabilir.
2. Yönlendirilmiş Sınırlayıcı Kutu (OBB): Bu tür bir kutu, dönme için ek bir parametre içerir ve eğik nesnelerin etrafına daha rahat oturmasını sağlar. OBB'ler, nesnelerin genellikle çeşitli açılardan görüntülendiği uydu görüntüsü analizi veya dronlardan alınan 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 bilgisayarla görme görevleriyle yakından ilişkilidir ancak farklı bir amaca hizmet eder.

• Nesne Algılama ve Görüntü Segmentasyonu: Nesne algılama, nesneleri bulmak için sınırlayıcı kutular kullanırken, görüntü segmentasyonu bir nesnenin şekli hakkında daha ayrıntılı bir anlayış sunar. Örneğin örnek segmentasyonu bir adım daha ileri giderek her bir farklı nesnenin etrafına bir dikdörtgen çizmek yerine tam piksel düzeyinde sınırını belirler. Bu, kesin şekil bilgisi gerektiren uygulamalar için kullanışlıdır. Daha fazla bilgi için bu örnek segmentasyonu kılavuzuna bakabilirsiniz.
• Sınırlayıcı Kutu ve Çapa Kutusu: Çapa tabanlı dedektörler olarak bilinen bazı nesne algılama modellerinde, modelin nihai sınırlayıcı kutuyu tahmin etmesine yardımcı olmak için "çapa kutuları" adı verilen önceden tanımlanmış kutular referans olarak kullanılır. Buna karşılık, çapasız dedektörler sınırlayıcı kutuları bu ön ayarlar olmadan doğrudan tahmin eder ve genellikle model mimarisini basitleştirir.

Gerçek Dünya Senaryolarındaki Uygulamalar

Sınırlayıcı kutular çok sayıda pratik yapay zeka uygulamasının ayrılmaz bir parçasıdır:

1. Otonom Araçlar: Sürücüsüz araçlar, yayaları, diğer araçları ve trafik ışıklarını sınırlayıcı kutular kullanarak tanımlamak ve bulmak için büyük ölçüde nesne algılamaya 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, sürücüsüz araçlarda yapay zeka hakkında içgörüler sunuyor.
2. Perakende Analitiği: Perakendede sınırlayıcı kutular, raflardaki ürünleri tespit ederek, stok seviyelerini izleyerek ve yaya trafiği modelleri(nesne sayma) aracılığıyla müşteri davranışını analiz ederek yapay zeka odaklı envanter yönetimine yardımcı olur.
3. Güvenlik ve Gözetim: Sınırlayıcı kutular, otomatik izleme sistemlerinin bireyleri veya nesneleri gerçek zamanlı olarak tespit etmesini ve izlemesini sağlayarak şüpheli faaliyetler için uyarıları tetikler. Bu, güvenlik alarm sistemleri gibi bina uygulamaları için temeldir.
4. Tıbbi Görüntü Analizi: Sağlık hizmetlerinde sınırlayıcı kutular, taramalardaki tümörler gibi potansiyel anormallikleri vurgulayarak klinisyenlere yardımcı olur ve daha hızlı tanı konulmasına yardımcı olur. Bunun örneklerini Radyoloji 'de görebilirsiniz : Yapay Zeka araştırmasında ve tıbbi görüntü analizi sayfamızda görebilirsiniz.
5. Tarım: Sınırlayıcı kutular, tarımda bilgisayarla görme hakkındaki blogumuzda ayrıntılı olarak açıklandığı gibi, hasat için meyveleri tanımlama, mahsul sağlığını izleme veya zararlıları tespit etme gibi görevler için hassas tarımda kullanılır.