Nesne tespiti için Non-Maximum Suppression'ı (NMS) keşfedin. Sonuçları nasıl iyileştirdiğini, doğruluğu nasıl artırdığını ve YOLO gibi yapay zeka uygulamalarına nasıl güç verdiğini öğrenin.
Non-Maximum Suppression (NMS), yani Maksimum Olmayan Bastırma, özellikle nesne tespiti görevlerinde olmak üzere bilgisayar görüşünde kullanılan temel bir işlem sonrası algoritmasıdır. Temel amacı, her nesnenin yalnızca bir kez tanımlanmasını sağlamak için gereksiz ve örtüşen sınırlayıcı kutuları filtreleyerek bir tespit modelinin çıktısını temizlemektir. Ultralytics YOLO gibi bir nesne tespit modeli tahminlerde bulunduğunda, genellikle aynı nesnenin etrafında her biri farklı bir güvenilirlik puanına sahip birden fazla aday kutu oluşturur. NMS, her nesne için tek en iyi sınırlayıcı kutuyu akıllıca seçer ve maksimum olmayan olarak kabul edilen diğer tüm örtüşen kutuları bastırır veya ortadan kaldırır.
NMS algoritması, tahmin edilen sınırlayıcı kutuları yineleyerek ve iki temel metriğe göre kararlar vererek çalışır: güvenilirlik puanları ve Kesişim Üzerinden Birleşim (IoU) eşiği. Süreç şu adımlarda özetlenebilir:
IoU eşiği, kullanıcı tarafından tanımlanan kritik bir hiperparametredir. Düşük bir IoU eşiği, küçük bir örtüşmeye sahip kutuları bile bastıracağından daha az algılama ile sonuçlanırken, yüksek bir eşik aynı nesne için birden fazla algılamaya izin verebilir. Bu eşiğe ince ayar yapmak genellikle bir modelin belirli bir veri kümesi üzerindeki performansını optimize etmenin bir parçasıdır.
NMS, doğru nesne tespitine dayanan birçok gerçek dünya yapay zeka uygulamasında çok önemli bir bileşendir.
NMS, bir nesne algılama modelinin ilk aday sınırlayıcı kutu kümesini oluşturduktan sonra uygulanan özel bir son işlem adımıdır. Çapa tabanlı dedektörler ve çapa içermeyen dedektörler arasındaki fark gibi, algılama mimarisinin kendisiyle karıştırılmamalıdır. Bu mimariler potansiyel kutuların nasıl önerildiğini tanımlarken, NMS bu önerileri iyileştirir.
İlginç bir şekilde, NMS ile ilişkili hesaplama maliyeti ve potansiyel darboğazlar, NMS'siz nesne dedektörleri konusundaki araştırmaları teşvik etmiştir. YOLOv10 gibi modeller, çıkarım gecikmesini azaltmayı ve gerçek anlamda uçtan uca algılamayı sağlamayı amaçlayarak, gereksiz kutuları tahmin etmekten doğal olarak kaçınmak için eğitim sırasında mekanizmalar entegre eder. Bu, NMS'nin çıkarım hattının standart ve temel bir parçası olmaya devam ettiği Ultralytics YOLOv8 veya YOLOv5 gibi geleneksel yaklaşımlarla çelişir. Belgelerimizde YOLOv10 - YOLOv8 gibi teknik karşılaştırmaları inceleyebilirsiniz. Soft-NMS gibi varyantlar, örtüşen kutuların skorlarını tamamen ortadan kaldırmak yerine azaltan alternatif yaklaşımlar sunar.
NMS, Ultralytics ekosistemine sorunsuz bir şekilde entegre edilmiştir. Ultralytics YOLO modelleri, sırasında NMS'yi otomatik olarak uygular tahmin (predict) ve doğrulama (val) modları, kullanıcıların varsayılan olarak temiz ve doğru algılama çıktıları almasını sağlar. NMS davranışını kontrol eden parametreler (IoU eşiği ve güvenilirlik eşiği gibi) genellikle belirli uygulama ihtiyaçları için ayarlanabilir.
Ultralytics HUB gibi platformlar bu ayrıntıları daha da soyutlayarak, kullanıcıların modelleri eğitmelerine ve NMS'nin optimize edilmiş ardışık düzenin bir parçası olarak otomatik olarak işlendiği yerlerde dağıtmalarına olanak tanır. Bu entegrasyon, kullanıcıların MLOps konusundaki derin teknik uzmanlıklarından bağımsız olarak, çeşitli bilgisayarlı görü görevleri için en son teknoloji nesne algılama sonuçlarından yararlanabilmelerini sağlar. Ultralytics çerçevesindeki belirli uygulama ayrıntıları Ultralytics yardımcı programları referansında incelenebilir. Daha fazla tanım için ana Ultralytics Sözlüğü'ne göz atın.
