Object Detection Architectures

Nesne algılama mimarileri, bir görüntüyü sınırlayıcı kutular, sınıf etiketleri ve güven puanları listesine dönüştüren ağ tasarımlarıdır. Neredeyse her modern algılayıcı bir omurga, bir boyun ve bir başlıktan oluşur. Tasarımlar, aday kutuları nasıl oluşturdukları (bölge önerileri, yoğun bir ızgara veya öğrenilmiş sorgular aracılığıyla) ve yinelenen tahminleri nasıl kaldırdıkları (maksimum olmayan bastırma (NMS) veya bire bir eşleştirme ile) bakımından temel olarak farklılık gösterir. Bu tercihler algılayıcının doğruluğunu, hızını ve uç donanımda ne kadar kolay çalıştırılacağını belirler. Nesne algılama görevin adıdır; algılama başlığı ise mimarinin bir parçasıdır.

Omurga, Boyun ve Başlık#

Omurga, özellikleri çıkarır. ResNet veya CSPDarknet gibi bir evrişimli sinir ağı ya da bir görüntü transformatörü olabilir. Genellikle ImageNet sınıflandırması üzerinde önceden eğitilir ve görüntüyü aşamalı olarak alt örnekleyerek özellik haritalarının çözünürlüğünü düşürür, derinlik arttıkça anlamsal içeriğini artırır. Genellikle ek bir aşağıdan yukarıya yol içeren bir özellik piramit ağı (FPN) olan boyun, derin ve sığ haritaları birleştirerek her çıktı ölçeğinin hem ince ayrıntıları hem de bağlamı taşımasını sağlar. Başlık, her ölçeğin her konumunda genellikle 8, 16 ve 32 adım boyutlarında kutuları ve sınıf puanlarını tahmin eder; böylece en ince harita küçük nesneleri, en kaba harita ise büyük nesneleri bulur. Gerçek bir algılayıcının üç parçası model tanımından okunabilir:

from ultralytics import YOLO

# YOLO26n modelini yükle ve katmanlarını model YAML dosyasındaki gibi ayır
model = YOLO("yolo26n.pt")
layers = model.model.model
n_backbone = len(model.model.yaml["backbone"])

# Omurga özellikleri çıkarır, boyun ölçekleri birleştirir ve son katman başlıktır
print("Backbone:", [type(m).__name__ for m in layers[:n_backbone]])
print("Neck:", [type(m).__name__ for m in layers[n_backbone:-1]])
print("Head:", type(layers[-1]).__name__, "at strides", model.model.stride.tolist())

Omurga listesinde adımlı Conv katmanları ve SPPF havuzlama katmanı ile bir C2PSA dikkat bloğunda sona eren C3k2 blokları görülür. Boyun, yukarıdan aşağıya Upsample, Concat ve C3k2 katmanlarını, ardından yeniden yukarı doğru adımlı Conv, Concat ve C3k2 katmanlarını çalıştırır. Bir Detect başlığı ise 8, 16 ve 32 adım boyutlarında tahmin yapar.

Algılayıcı Aileleri#

• İki aşamalı algılayıcılar: Bir bölge öneri ağı birkaç yüz aday bölge önerir; Faster R-CNN (2015) ve Mask R-CNN'de (2017) olduğu gibi ikinci bir başlık da her bölgeyi sınıflandırıp iyileştirir.
• Çapa tabanlı tek aşamalı algılayıcılar: SSD (2016), YOLOv2'den YOLOv5'e kadar olan sürümler ve RetinaNet (2017), tek geçişte her ızgara hücresinde önceden tanımlanmış çapa kutularına göre ofsetleri tahmin eder.
• Çapasız algılayıcılar: FCOS (2019) ve YOLOv8 (2023), bir noktadan kutunun dört kenarına olan uzaklıkları tahmin eder. CenterNet (2019), kutu merkezlerini birer genişlik ve yükseklikle birlikte ısı haritası tepeleri olarak tahmin eder. YOLOX (2021), YOLO ailesini yeniden çapasız tahmine döndürdü; dolayısıyla bu yöntemlerin hiçbiri çapa ayarı gerektirmez.
• DETR tarzı Transformer algılayıcıları: DETR (2020), öğrenilmiş nesne sorgularından oluşan sabit bir kümeyi çözümler ve etiketlenmiş nesnelerle bire bir eşleştirir; bu nedenle çıktısında NMS gerekmez. Deformable DETR, 10 kat daha az eğitim dönemiyle daha iyi doğruluğa ulaştı; RT-DETR ise tasarımı 2023'te gerçek zamanlı hâle getirdi.
• NMS'siz CNN algılayıcıları: YOLOv10 (2024), bire bir başlığı bire çok başlıkla birlikte eğitir ve çıkarım sırasında yalnızca bire bir başlığı çalıştırır; bu nedenle kutuları NMS gerektirmez.
• Açık kelime dağarcıklı algılayıcılar: Grounding DINO ve YOLO-World, sabit sınıflandırma katmanını metin gömmeleriyle değiştirerek çıkarım sırasında adı verilen sınıfları algılar.

Mimari Seçimi#

COCO üzerinde ortalama kesinlik (mAP) gibi kıyaslamalar doğruluğu sıralar; ancak tasarımı genellikle hedef donanım ve görüntülerdeki nesneler belirler. YOLO26, her iki başlık türüne sahip, anchorsız ve tek aşamalı bir CNN'dir: varsayılan olarak bire çok koluna NMS uygular, nms=False bire bir koluna geçer ve model YAML dosyaları, stride-4 veya stride-64 çıktısı ekleyen P2 ve P6 varyantlarını içerir.

• Uç bilişim ve gerçek zamanlı video: Küçük CNN algılayıcıları TensorRT ve OpenVINO gibi çalışma ortamlarında iyi derlenir; NMS'siz bir başlık da aday sayısıyla artan maliyete sahip bir son işleme adımını ortadan kaldırır.
• Küçük nesneler: Havadan çekilmiş ve denetim görüntüleri, stride 4 gibi daha ince bir çıktı düzeyine veya algılayıcıyı örtüşen kırpımlar üzerinde çalıştıran karolarla çıkarıma ihtiyaç duyar.
• Değişen ürün katalogları: Açık kelime dağarcıklı algılayıcılar, bir metin istemiyle yeni bir ürünü, ürüne ait etiketli görüntüler olmadan bulur.
• Döndürülmüş nesneler: Uydu görüntülerindeki gemiler, araçlar ve binalar, başlığa açı çıktısı ekleyen yönelimli kutularla daha iyi temsil edilir.