Object Detection

Nesne algılama, bir görüntü veya video karesinde bilinen sınıfların her örneğini bulup her birinin konumunu bildiren bilgisayarlı görü görevidir. Her nesne için bir sınırlayıcı kutu, sınıf etiketi ve güven skoru döndürür; böylece bir sokak fotoğrafı, her araba, kişi veya trafik ışığı için bir tane olmak üzere etiketli kutuların listesine dönüşür. Bu liste sayım, ölçüm, izleme ve robot kontrolü için girdi oluşturur.

Bir Algılayıcının Döndürdükleri#

Her algılamanın üç parçası vardır. Kutu; köşe koordinatları (x1, y1, x2, y2) olarak veya piksel cinsinden ya da görüntü boyutuna göre normalize edilmiş genişlik ve yüksekliğe sahip bir merkez noktası olarak saklanır. Sınıf, modelin etiket kümesindeki bir dizindir; örneğin COCO veri kümesindeki 80 kategoriden biridir. 0 ile 1 arasındaki puan, kutunun o sınıfı içerme olasılığını sıralar. Uygulamalar yalnızca güven eşiğinin üzerindeki algılamaları tutarak kaçırılan nesneler ile yanlış alarmlar arasında denge kurar.

from ultralytics import YOLO

# Load a YOLO26 nano detector pretrained on the 80 COCO classes
model = YOLO("yolo26n.pt")

# Run detection on one image
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Each detection carries a class, a confidence score, and a box in pixels
for box in result.boxes:
    name = result.names[int(box.cls)]
    corners = box.xyxy[0].int().tolist()
    print(f"{name} {box.conf.item():.2f} {corners}")

Yazdırılan her satır, sınıf adını, güven değerini ve sol üst ile sağ alt köşelerin piksel koordinatlarını içeren bir algılanan nesneyi gösterir.

Nesne Algılayıcılar Nasıl Çalışır#

Modern algılayıcılar üç aşamalı sinir ağlarıdır. Genellikle evrişimli bir ağ veya görsel Transformer olan bir omurga, görüntüyü özellik haritalarına dönüştürür. Özellik piramidi ağı gibi bir boyun, hem küçük hem de büyük nesnelerin temsil edilmesi için bu haritaları farklı ölçeklerde birleştirir. Ardından bir algılama başlığı, binlerce konumda sınıf skorları ve kutu koordinatları tahmin eder. Komşu konumlar aynı nesne için etkinleştiğinden ham çıktı, üst üste binen çok sayıda aday içerir; çoğu işlem hattı düşük skorlu kutuları eler ve her nesne için tek bir kutu bırakmak üzere maksimum olmayan bastırma (NMS) uygular. Uçtan uca algılayıcılar (örneğin DETR), nesne başına tam olarak bir tahmin üretmek üzere eğitilir ve bu nedenle bu adımı atlar.

Algılayıcı tasarımları, adayları bulma yöntemlerine göre farklılık gösterir. Faster R-CNN gibi iki aşamalı algılayıcılar, önce nesne içerebilecek bölgeler önerir, ardından her birini sınıflandırıp iyileştirir. 2015'te tanıtılan YOLO gibi tek aşamalı algılayıcılar, tüm kutuları ve sınıfları tek geçişte tahmin ederek gerçek zamanlı algılamayı uygulanabilir hâle getirdi. Önceki tek aşamalı modeller, önceden tanımlanmış çapa kutularından sapmaları regresyonla tahmin ediyordu; çapasız algılayıcılar ise bir ızgara noktasından kutunun dört kenarına olan mesafeleri doğrudan tahmin eder. YOLO26, varsayılan olarak NMS uygulayan, tek aşamalı ve çapasız bir algılayıcıdır; nms=False parametresini geçirerek bire bir başlığa geçebilir ve NMS adımı olmadan nihai kutular elde edebilirsin.

Eğitim ve Değerlendirme#

Algılayıcılar, her nesne için kutu ve sınıfla anotasyonlanmış görüntülerden öğrenir. Eğitim sırasında bir etiket atama adımı, her etiketli nesneden hangi tahminlerin sorumlu olduğuna karar verir. Kayıp, genellikle tahmin edilen bir kutuyla etiketli bir kutu arasındaki örtüşmeyi ifade eden kesişim/birleşim oranına (IoU) dayalı kutu regresyon terimini bir sınıflandırma terimiyle birleştirir. Değerlendirme de IoU'yu kullanır: bir algılama, sınıfı eşleştiğinde ve etiketli bir kutuyla IoU değeri bir eşiğe ulaştığında doğru sayılır. Ardından ortalama kesinlik ortalaması (mAP), her güven düzeyi ve sınıf için kesinlik ile duyarlılığı özetler. COCO, 0,5 IoU değerinde puanlanan mAP₅₀'yi raporlar ve ana metriği olarak 0,50 ile 0,95 arasındaki on IoU eşiğinin ortalaması olan mAP_50-95 değerini kullanır. VLM Leaderboard, yalnızca sınıf adlarından nesneleri algılayan görsel-dil modellerini karşılaştırmak için mAP₅₀ kullanır. Ultralytics Platform, YOLO26 etiketler üzerinde eğitilmeden önce algılama veri kümelerini otomatik anotasyonlamak için bu tür modelleri kullanır.

Gerçek Dünya Uygulamaları#

• Otonom sürüş: Sürücü destek ve otonom sürüş sistemleri her kamera karesinde araçları, yayaları, bisikletlileri ve trafik işaretlerini algılar; izleme ve hareket planlama da bu kutuları kullanır.
• Perakende: Raf kameraları, stokta olmayan ürünleri işaretlemek için ürünleri ve boş raf alanlarını algılar; kasasız ödeme sistemleri ise kasaya konan ürünleri algılar.
• Üretim denetimi: Hat kameraları çizikleri, ezikleri ve eksik bileşenleri algılayarak kusurlu parçaların geçiş sırasında ayrılmasını sağlar.

Nesne Algılama ve İlgili Görevler#

• Görüntü sınıflandırma, konum belirtmeden görüntünün tamamına tek bir etiket atar.
• Örnek bölümleme, algılanan her nesnenin tam şeklini izleyen bir piksel maskesiyle nesnenin çevresini belirler.
• Yönlendirilmiş sınırlayıcı kutular, kutuya bir döndürme açısı ekleyerek kutunun hava görüntülerindeki gemi ve araçlar gibi eğik nesnelere uymasını sağlar.
• Nesne izleme, video kareleri boyunca aynı nesneye ait algılamaları birbirine bağlar ve her nesneye kalıcı bir kimlik verir.
• 3B nesne algılama, merkezi, metre cinsinden uzunluğu, genişliği ve yüksekliği ile yön açısıyla tanımlanan bir kutuyu 3B uzayda tahmin eder.