Detection Head

Bir tespit başlığı (detection head), bir nesne algılama sinir ağı mimarisindeki nihai karar verme katmanı görevi görür. Modelin ilk katmanları görüntüdeki şekilleri, dokuları ve özellikleri anlamaktan sorumlu olsa da, tespit başlığı bu bilgiyi yorumlayarak hangi nesnelerin mevcut olduğunu ve nerede bulunduklarını tam olarak tahmin eden özel bileşendir. Öznitelik çıkarıcı tarafından üretilen soyut, yüksek seviyeli verileri eyleme dönüştürülebilir sonuçlara dönüştürür ve genellikle tanımlanan nesneleri çevreleyen sınırlayıcı kutular ile birlikte bunlara karşılık gelen sınıf etiketlerini ve güven puanlarını çıktı olarak verir.

Link to this sectionBaşlığı Backbone ve Neck'ten Ayırt Etmek#

Bir tespit başlığının işlevini tam olarak kavramak için, modern dedektörleri bilgisayarlı görü (CV) sürecinde her biri ayrı bir amaca hizmet eden üç ana aşamadan oluşuyormuş gibi görselleştirmek faydalıdır:

• Backbone: Bu, ağın genellikle ResNet veya CSPNet gibi bir Evrişimli Sinir Ağı (CNN) olan ilk kısmıdır. Ham girdi görüntüsünü işleyerek görsel desenleri temsil eden özellik haritaları (feature maps) oluşturur.
• Neck: Backbone ile başlık arasında yer alan neck, farklı ölçeklerdeki özellikleri iyileştirir ve birleştirir. Özellik Piramidi Ağı (FPN) gibi mimariler, bağlamı birleştirerek modelin 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.

Link to this sectionEvrim: Çapa Tabanlı (Anchor-Based) vs. Çapa İçermeyen (Anchor-Free)#

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

• Çapa Tabanlı (Anchor-Based) Başlıklar: Geleneksel tek aşamalı nesne dedektörleri, önceden tanımlanmış çapa kutularına (anchor boxes)—çeşitli boyutlardaki sabit referans şekillerine—dayanıyordu. Başlık, bu çapaları nesneye uydurmak için ne kadar esnetmesi veya kaydırması gerektiğini tahmin ediyordu. Bu yaklaşım, Faster R-CNN üzerine yapılan temel araştırmalarda ayrıntılı olarak açıklanmıştır.
• Çapa İçermeyen (Anchor-Free) Başlıklar: En son YOLO26 dahil olmak üzere en gelişmiş modeller, çapa içermeyen dedektörler (anchor-free detectors) kullanır. Bu başlıklar, nesne merkezlerini ve boyutlarını doğrudan özellik haritalarındaki piksellerden tahmin ederek manuel çapa ayarlama ihtiyacını ortadan kaldırır. Bu, mimariyi basitleştirir ve modelin yeni nesne şekillerine genelleme yapma yeteneğini artırır; bu teknik genellikle Tam Evrişimli Tek Aşamalı Nesne Algılama (FCOS) ile ilişkilendirilir.

Link to this sectionGerçek Dünya Uygulamaları#

Tespit başlığının hassasiyeti, yapay zekayı (AI) güvenlik açısından kritik ve endüstriyel ortamlarda dağıtmak için kritiktir. Ultralytics Platform kullanarak verileri kolayca etiketleyebilir ve bu özelleşmiş başlıkları eğitebilirsin.

• Otonom Sürüş: Otomotiv için yapay zekada, tespit başlığı yayalar, trafik ışıkları ve diğer araçlar arasında gerçek zamanlı ayrım yapmaktan sorumludur. Yüksek oranda optimize edilmiş bir başlık, çıkarım gecikmesinin (inference latency) aracın anında tepki verebilmesi için yeterince düşük kalmasını sağlar.
• Tıbbi Tanı: Tıbbi görüntü analizinde, tespit başlıkları MRI taramalarındaki tümörler gibi anomalileri bulmak için ince ayar yapılır. Regresyon dalı, lezyonun tam sınırlarını çizmek için son derece doğru olmalı ve doktorlara sağlık hizmeti çözümlerinde yardımcı olmalıdır.

Link to this sectionKod Örneği#

Aşağıdaki örnek, bir YOLO26 modelinin nasıl yükleneceğini ve tespit başlığının çıktısının nasıl inceleneceğini göstermektedir. Çıkarım çalıştığında, başlık görüntüyü işler ve koordinatları ve sınıf kimliklerini içeren nihai boxes sonucunu 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 başlığının karmaşık sinir ağı aktivasyonlarını geliştiricilerin nesne takibi (object tracking) veya sayma gibi sonraki görevler için kullanabileceği okunabilir verilere nasıl dönüştürdüğünü vurgular.