Detection Head

Bir detection head (tespit kafası), nesne tespiti yapan bir sinir ağı mimarisinde son karar verme katmanı olarak görev yapar. Modelin erken katmanları bir görüntünün içindeki şekilleri, dokuları ve özellikleri anlamaktan sorumlu olurken, tespit kafası tam olarak hangi nesnelerin mevcut olduğunu ve nerede bulunduklarını tahmin etmek için bu bilgiyi yorumlayan özel bileşendir. Özellik çıkarıcı tarafından üretilen soyut, üst düzey verileri eyleme dönüştürülebilir sonuçlara dönüştürür; tipik olarak tanımlanan nesneleri çevreleyen bounding boxes (sınırlayıcı kutular) setini, bunlara karşılık gelen sınıf etiketlerini ve confidence scores (güven skorlarını) çıktılar.

Başlığı Backbone ve Neck'ten Ayırt Etmek#

Bir tespit kafasının işlevini tam olarak kavrayabilmek için, modern dedektörlerin her biri computer vision (CV) (bilgisayarlı görü) boru hattında farklı bir amaç sunan üç ana aşamadan oluşan yapılar olarak görselleştirilmesi faydalı olur:

• Backbone (Omurga): Bu, ağın başlangıç kısmı olup genellikle ResNet veya CSPNet gibi bir Convolutional Neural Network (CNN) (Evrişimli Sinir Ağı) yapısıdır. Görsel örüntüleri temsil eden feature maps (özellik haritaları) oluşturmak için ham girdi görüntüsünü işler.
• Neck (Boyun): Omurga ile kafa arasında yer alan boyun, farklı ölçeklerdeki özellikleri iyileştirir ve birleştirir. Feature Pyramid Network (FPN) gibi mimariler, modelin bağlamı birleştirerek değişen boyutlardaki nesneleri tespit edebilmesini sağlar.
• Başlık (Head): Neck'ten gelen iyileştirilmiş özellikleri tüketen nihai bileşendir. Sınıflandırma (nedir?) ve regresyon (nerededir?) şeklindeki gerçek görevi gerçekleştirir.

Evrim: Çapa Tabanlı (Anchor-Based) vs. Çapa İçermeyen (Anchor-Free)#

Tespit kafalarının tasarımı, özellikle geleneksel yöntemlerden modern real-time inference (gerçek zamanlı çıkarım) modellerine geçişle birlikte hızı ve doğruluğu artırmak için önemli ölçüde evrimleşmiştir.

• Anchor-Based Heads (Çapa Tabanlı Kafalar): Geleneksel one-stage object detectors (tek aşamalı nesne dedektörleri), önceden tanımlanmış anchor boxes (çapa kutularına)—çeşitli boyutlardaki sabit referans şekillerine—dayanırdı. Kafa, nesneye uyum sağlamak için bu çapaların ne kadar esnetileceğini veya kaydırılacağını tahmin ederdi. Bu yaklaşım, Faster R-CNN üzerine yapılan temel araştırmalarda ayrıntılı olarak ele alınmıştır.
• Anchor-Free Heads: State-of-the-art models, including the latest YOLO26, utilize anchor-free detectors. These heads predict object centers and dimensions directly from the pixels in the feature maps, eliminating the need for manual anchor tuning. This simplifies the architecture and enhances the model's ability to generalize to novel object shapes, a technique often associated with Fully Convolutional One-Stage Object Detection (FCOS).

Gerçek Dünya Uygulamaları#

Güvenlik açısından kritik ve endüstriyel ortamlarda artificial intelligence (AI) (yapay zeka) dağıtımı için tespit kafasının hassasiyeti çok önemlidir. Kullanıcılar, Ultralytics Platform kullanarak verileri kolayca etiketleyebilir ve bu özel kafaları eğitebilir.

• Autonomous Driving (Otonom Sürüş): AI for automotive (otomotiv için yapay zeka) alanında tespit kafası; yayaları, trafik ışıklarını ve diğer araçları gerçek zamanlı olarak birbirinden ayırt etmekten sorumludur. Son derece optimize edilmiş bir kafa, aracın anında tepki verebilmesi için inference latency (çıkarım gecikmesinin) düşük kalmasını sağlar.
• Medical Diagnostics (Tıbbi Teşhis): medical image analysis (tıbbi görüntü analizi) alanında tespit kafaları, MRI taramalarındaki tümörler gibi anormallikleri bulmak üzere ince ayardan geçer. Regresyon dalı, bir lezyonun tam sınırlarını çizmek ve doktorlara healthcare solutions (sağlık çözümleri) konusunda yardımcı olmak için son derece doğru olmalıdır.

Kod Örneği#

Aşağıdaki örnek, bir YOLO26 modelinin nasıl yükleneceğini ve tespit kafasının çıktısının nasıl inceleneceğini gösterir. Çıkarım çalıştırıldığında kafa görüntüyü işler ve koordinatları ile sınıf kimliklerini içeren son boxes verisini döndürür.

from ultralytics import YOLO

# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")

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

# The detection head outputs are stored in results[0].boxes
for box in results[0].boxes:
    # Print the bounding box coordinates and the predicted class
    print(f"Class: {int(box.cls)}, Coordinates: {box.xywh.numpy()}")

Bu etkileşim, tespit kafasının karmaşık sinir ağı aktivasyonlarını, geliştiricilerin object tracking (nesne takibi) veya sayma gibi sonraki görevler için kullanabileceği okunabilir verilere nasıl dönüştürdüğünü vurgular.