Feature Pyramid Network (FPN)

Özellik Piramidi Ağı (FPN), çeşitli ölçeklerdeki nesnelerin algılanmasını iyileştirmek için modern bilgisayarlı görü (CV) sistemlerinde kullanılan özel bir mimari bileşendir. Aynı görüntü içinde hem büyük ve belirgin yapıları hem de küçük, uzaktaki ayrıntıları tanımak gibi görüntü analizinde uzun süredir devam eden bir zorluğu etkili biçimde çözer. Girdinin çok ölçekli bir temsilini (kavramsal olarak piramide benzer) oluşturan FPN'ler, sinir ağlarının her çözünürlük düzeyinde zengin anlamsal bilgiler çıkarmasını sağlar. Bu mimari genellikle ham özellikleri çıkaran omurga ile nesne sınıflarını ve sınırlayıcı kutuları tahmin eden algılama başlığı arasında yer alır.

Özellik Piramidi Ağlarının Çalışma Prensibi#

FPN'nin temel yeniliği, bilgiyi işleme biçiminde yatar. Geleneksel Evrişimli Sinir Ağları (CNNs), girdi görüntüsünün aşamalı olarak alt örneklendiği bir özellik hiyerarşisini doğal olarak oluşturur. Bu işlem anlamsal anlayışı derinleştirirken (görüntüde ne olduğunu bilmek), çoğu zaman uzamsal çözünürlüğü düşürür (tam olarak nerede olduğunu bilmek) ve küçük nesnelerin kaybolmasına neden olur.

FPN'ler bunu üç aşamalı bir süreçle ele alır:

1. Aşağıdan Yukarı Yol: Bu, Artık Ağ (ResNet) gibi ağın standart ileri beslemeli geçişidir. Ağ görüntüyü işlerken boyutları küçülen, ancak anlamsal değeri artan özellik haritaları oluşturur.

2. Yukarıdan Aşağı Yol: Ağ, daha derin katmanlardaki anlamsal açıdan zengin özellikleri üst örnekleyerek daha yüksek çözünürlüklü bir piramit oluşturur. Bu adım, güçlü bağlamı daha büyük uzamsal haritalara geri "hayal eder".

3. Yanal Bağlantılar: FPN'ler, alt örnekleme sırasında kaybolan net ayrıntıları geri kazanmak için üst örneklenmiş özellikleri, yanal bağlantılar aracılığıyla aşağıdan yukarı yola ait özgün, yüksek çözünürlüklü haritalarla birleştirir.

Bu birleşim, her düzeyin güçlü anlamsal özelliklere ve iyi konumlandırma doğruluğuna sahip olduğu bir piramit oluşturur ve tüm nesne boyutlarında kesinliği ve duyarlılığı önemli ölçüde artırır.

Nesne Algılama Mimarilerindeki Önemi#

FPN'ler, modern nesne algılama mimarilerinin temel taşlarından biridir. Tanıtılmalarından önce modeller, hız (yalnızca son katmanı kullanmak) ile doğruluk (çok yavaş olan bir görüntü piramidini işlemek) arasında seçim yapmak zorundaydı. FPN'ler, küçük nesne algılama yeteneklerinden ödün vermeden gerçek zamanlı çıkarımı mümkün kılan, her iki yaklaşımın en iyi yönlerini birleştiren bir çözüm sunar.

Bu verimlilik, son teknoloji performansa ulaşmak için FPN ilkelerinden (PANet gibi) esinlenen gelişmiş birleştirme ağlarını kullanan YOLO26 gibi gelişmiş modeller için kritik öneme sahiptir. Mimari, model ister uç cihazlarda ister Ultralytics Platformu aracılığıyla güçlü sunucularda dağıtılsın, çeşitli veri kümelerinde yüksek doğruluğu korumasını sağlar.

Gerçek Dünya Uygulamaları#

FPN'lerin çok ölçekli yeteneği, güvenlik ve kesinliğin büyük önem taşıdığı sektörlerde onları vazgeçilmez kılar.

• Otomotivde Yapay Zeka: Otonom araçlar aynı anda yakındaki büyük kamyonları ve uzaktaki küçük trafik ışıklarını veya yayaları takip etmelidir. FPN'ler, algı yığınının bu farklı ölçekleri tek geçişte işlemesini sağlayarak zamanında karar verilmesine yardımcı olur. nuScenes gibi veri kümeleri bu yetenekleri kıyaslamak için sıklıkla kullanılır.
• Tıbbi Görüntü Analizi: Tanısal görüntülemede patolojileri algılamak, boyutları büyük ölçüde değişen anomalileri fark etmeyi gerektirir. FPN ile donatılmış bir model, MRI taramalarında hem büyük organ yapılarını hem de küçük, erken evre tümörleri belirleyerek radyologların doğru tanı koymasına yardımcı olabilir.
• Tarımda Yapay Zeka: Hassas tarım, drone görüntülerinden ürünleri ve zararlıları algılamaya dayanır. Drone'un irtifası değişebildiğinden görüntüdeki bitkilerin boyutu da değişir. FPN'ler, modellerin iyi genelleme yapmasına ve kamera yüksekliğinden bağımsız olarak nesne sayımını doğru biçimde gerçekleştirmesine yardımcı olur.

FPN ve Diğer Özellik Birleştiriciler#

Standart FPN'yi daha yeni mimarilerde bulunan gelişmiş türevlerinden ayırt etmek yararlıdır.

• FPN ve PANet: FPN özellikleri zenginleştirmek için yukarıdan aşağı bir yol eklerken, Yol Toplama Ağı (PANet) FPN'nin üzerine ek bir aşağıdan yukarı yol ekler. Bu, düşük düzey özelliklerin bilgi yolunu kısaltarak konumlandırmayı daha da iyileştirir; bu teknik YOLO modellerinde sıklıkla uyarlanır.
• FPN ve BiFPN: EfficientDet'te bulunan Çift Yönlü Özellik Piramidi Ağı (BiFPN), farklı özelliklere öğrenilebilir ağırlıklar ekler ve yalnızca bir girdisi olan düğümleri kaldırarak ağı verimlilik için optimize eder.

Uygulamalı Örnek#

ultralytics gibi gelişmiş kütüphaneler, FPN oluşturmanın karmaşıklığını dahili olarak yönetir. YOLO26 gibi bir modeli yüklediğinde mimari, performansı en üst düzeye çıkarmak için bu özellik birleştirme katmanlarını otomatik olarak içerir.

from ultralytics import YOLO

# Load the YOLO26 model, which uses advanced feature pyramid principles internally
# The 'n' suffix indicates the nano version, optimized for speed
model = YOLO("yolo26n.pt")

# Perform inference on an image containing objects of various sizes
# The model's neck (FPN-based) aggregates features to detect small and large items
results = model("https://ultralytics.com/images/bus.jpg")

# Display results to see bounding boxes around buses (large) and people (small)
results[0].show()