YOLO'yu lisansla
Ultralytics Sözlüğüne dön

Domain Randomization

Alan rastgeleleştirme; modelleri, gerçek dünyaya aktarılabilmeleri için dokuları, aydınlatmayı, kameraları ve fiziği rastgeleleştirilmiş simülasyonlarda eğitir.

Alan rastgeleleştirme, modelleri simülasyonda eğiterek gerçek dünyada çalışabilmelerini sağlayan bir tekniktir. Simülatör gerçeklikle hiçbir zaman tam olarak örtüşmediğinden, alan rastgeleleştirme; dokular, renkler, aydınlatma, kamera konumu, nesne yerleşimi, dikkat dağıtıcı nesneler ve kütle ile sürtünme gibi fiziksel özellikler dahil olmak üzere simülatörün parametrelerini eğitim sırasında öyle geniş bir aralıkta değiştirir ki gerçek dünya, modele başka bir varyasyon gibi görünür. Bu teknik, robotik, sentetik veriler üzerinde eğitilen bilgisayarlı görü modelleri ve pekiştirmeli öğrenme ile öğrenilen kontrol politikaları için simülasyondan gerçeğe geçiş farkını azaltmada standart bir araçtır.

OpenAI ve UC Berkeley'den Josh Tobin ve çalışma arkadaşları, tekniği 2017 tarihli bir makalede tanımladı. Makalede, nesne algılama ağı yalnızca gerçekçi olmayan rastgele dokulara sahip simüle edilmiş görüntüler kullanarak nesnelerin yerini belirleyecek şekilde eğitildi. Eğitimde hiç gerçek görüntü kullanılmamasına rağmen algılayıcı, gerçek dünyadaki nesnelerin yerini yaklaşık 1,5 cm hata payıyla belirledi; bu hassasiyet, bir robot kolunun kalabalık bir ortamda nesneleri kavraması için yeterliydi.

Neler Rastgeleleştirilir#

Her eğitim örneği veya bölümünde, mühendislerin her parametre için belirlediği aralıklardan yeni değerler seçilir:

  • Görünüm: Nesnelerin ve arka planların dokuları ile renkleri, ışıkların sayısı, konumu ve türü, ayrıca görüntü gürültüsü.
  • Kamera: Modelin tek bir bakış açısına bağımlı kalmaması için konum, yönelim ve görüş alanı.
  • Sahne içeriği: Modelin karmaşayı ve kısmi örtüşmeyi görmezden gelmeyi öğrenmesi için dikkat dağıtıcı nesnelerin sayısı, şekli ve konumu.
  • Dinamikler: Öğrenilen kontrol politikasının simüle edilmiş ve gerçek fizik arasındaki uyumsuzluğa dayanabilmesi için kütleler, sürtünme, eklem sönümlemesi, motor gücü ve kontrol gecikmesi.

Eğitim sırasında bu örnekleme her toplu iş için tekrarlanır; aralıkların değiştirilip değiştirilmeyeceğine gerçek dünya sonuçları karar verir:

Binlerce rastgele doku ve ışık altında bir nesneyi gören model, tek bir dokuya veya ışığa güvenemez; bu nedenle şekil ve geometri gibi değişime dayanıklı özellikleri öğrenir. Bunun bedeli, öğrenme probleminin zorlaşmasıdır: rastgeleleştirilmiş veriler genellikle daha uzun eğitim ve daha büyük modeller gerektirir; gereğinden geniş aralıklar hiçbir zaman karşılaşılmayacak koşullara kapasite harcar, gereğinden dar aralıklar ise simülatöre aşırı öğrenmeye yol açar. Rastgeleleştirme, simülatörün modelleyemediği; örneğin deforme olabilen malzemeler veya oluşturmadığı sensör kusurları gibi özellikleri de sağlayamaz.

Çeşitleri ve Sonuçlar#

NVIDIA'daki araştırmacılar, 2018'de alan rastgeleleştirmeyi araç algılamaya uyguladı ve rastgeleleştirilmiş sentetik görüntüler üzerinde eğitilip ardından gerçek KITTI görüntüleriyle ince ayar yapılan bir algılayıcının yalnızca gerçek verilerle eğitilenden daha iyi sonuç verdiğini buldu. Dinamiklerin rastgeleleştirilmesi, bu fikri görüntülerden fiziğe taşıyarak robot kontrol politikalarını rastgele kütle ve sürtünme değerleriyle eğitti. Otomatik alan rastgeleleştirme dar aralıklarla başlar ve model başarılı oldukça bu aralıkları genişletir. OpenAI, 2019'da Rubik Küpü çözen bir robot eli eğitmek için bu yöntemi kullandı. Yapılandırılmış alan rastgeleleştirme ise rastgeleliği gerçekçi bağlamların içinde tutar; örneğin arabaları gökyüzüne değil yollara yerleştirir.

Alan rastgeleleştirme artık bedenlenmiş yapay zekâ alanında yaygın olarak kullanılıyor: görüş güdümlü al-bırak sistemlerini, drone navigasyonunu ve otonom araçların algı yığınlarını eğitiyor.

Ultralytics YOLO'yu rastgeleleştirilmiş sentetik bir veri kümesi üzerinde eğitmek, buna görüntü uzayında rastgeleleştirme de ekler: varsayılan olarak her eğitim örneğine, hsv_s ve hsv_v üzerinden tanımlanan artırma ayarlarından alınan 0,3 ile 1,7 arasında rastgele bir doygunluk çarpanı ve 0,6 ile 1,4 arasında rastgele bir parlaklık çarpanı uygulanır; bu değerler her görüntü yüklendiğinde yeniden belirlenir.

  • Veri artırma: Görüntüler yakalandıktan veya oluşturulduktan sonra görüntülere çevirme, kırpma ve renk kaydırma gibi dönüşümler uygular. Alan rastgeleleştirme, sahneyi oluşturma öncesinde değiştirerek 2B dönüşümlerin ulaşamadığı 3B aydınlatmayı, malzemeleri ve bakış açısını çeşitlendirebilir.
  • Denetimsiz alan uyarlama (UDA): Bir modelin özelliklerini hedef alanla hizalamak için bu alandan etiketlenmemiş görüntüler kullanır. Alan rastgeleleştirme eğitim sırasında hedef veriye ihtiyaç duymaz.
  • Sentetik veri üretimi: Yapay eğitim verileri oluşturmanın genel sürecidir; alan rastgeleleştirme, oluşturulan her örneğin nasıl görüneceğini belirleme stratejilerinden biridir.

Çözümleri keşfet

Sporda bilgisayarlı görü

Sporda bilgisayarlı görü

Ultralytics YOLO'nun oyuncu ve top takibi, performans analitiği, antrenörlük içgörüleri ve sporcu rehabilitasyonuyla spor alanında görsel yapay zekâyı nasıl güçlendirdiğini keşfet.
Daha fazla bilgi edin
Hava görüntüleri için bilgisayarlı görü

Hava görüntüleri için bilgisayarlı görü

İHA ve hava görüntülerini Ultralytics YOLO ile tarım, su ürünleri yetiştiriciliği, koruma çalışmaları ve jeo-uzamsal analiz için gerçek zamanlı içgörülere dönüştür.
Daha fazla bilgi edin
Havacılıkta bilgisayarlı görü

Havacılıkta bilgisayarlı görü

Uçak denetimi, pistteki yabancı madde tespiti, havaalanı yer operasyonları ve kompozit malzeme kusurlarının tespiti için Ultralytics YOLO ile havacılık ve uzay sektöründe bilgisayarlı görü uygula.
Daha fazla bilgi edin
Güvenlikte bilgisayarlı görü

Güvenlikte bilgisayarlı görü

Ultralytics YOLO modelleriyle her sahayı koru. Görsel yapay zekâ; çevre izleme, tehdit tespiti, plaka tanıma ve iş yeri güvenliğini destekler.
Daha fazla bilgi edin
Robotikte bilgisayarlı görü

Robotikte bilgisayarlı görü

Ultralytics YOLO modelleriyle daha akıllı makinelere güç ver. Robotikte görsel yapay zekâ; otonom navigasyonu, algılamayı, nesne takibini ve gerçek zamanlı kontrolü destekler.
Daha fazla bilgi edin
Lojistikte bilgisayarlı görü

Lojistikte bilgisayarlı görü

Ultralytics YOLO modelleriyle lojistiği kolaylaştır. Görüntü yapay zekâsı; paket denetimini, ayrıştırmayı, araç takibini ve gerçek zamanlı depo güvenliği izlemeyi mümkün kılar.
Daha fazla bilgi edin
Perakendede bilgisayarlı görü

Perakendede bilgisayarlı görü

Ultralytics YOLO modelleriyle perakendeyi yeniden tasarla. Görüntü yapay zekâsı; envanter takibini, raf izlemeyi, kuyruk yönetimini ve daha kapsamlı müşteri analizlerini mümkün kılar.
Daha fazla bilgi edin
Sağlık hizmetlerinde bilgisayarlı görü

Sağlık hizmetlerinde bilgisayarlı görü

Ultralytics YOLO modelleriyle sağlık çözümleri geliştir. Sağlık hizmetlerinde görüntü yapay zekâsı; daha hızlı tıbbi görüntüleme, daha akıllı tanı ve hasta takibini mümkün kılar.
Daha fazla bilgi edin
Üretimde bilgisayarlı görü

Üretimde bilgisayarlı görü

Ultralytics YOLO modelleriyle üretimi optimize et. Görsel yapay zekâ; kalite kontrolünü, kusur tespitini, kişisel koruyucu donanım uyumunu ve montaj hattı otomasyonunu destekler.
Daha fazla bilgi edin
Otomotivde bilgisayarlı görü

Otomotivde bilgisayarlı görü

Ultralytics YOLO modelleriyle otomotivde bilgisayarlı görüden yararlan. Görsel yapay zekâ; daha akıllı yollar için yol güvenliğini, sürüş desteğini ve araç otomasyonunu ileri taşır.
Daha fazla bilgi edin
Tarımda bilgisayarlı görü

Tarımda bilgisayarlı görü

Ultralytics YOLO modelleriyle akıllı tarıma görüntü yapay zekâsı kazandır. Daha yüksek ve akıllı verim için mahsul izleme, hayvan takibi ve hassas tarımı destekle.
Daha fazla bilgi edin

Geleceğin yapay zekasını birlikte inşa edelim!

Makine öğreniminin geleceğine yolculuğuna başla