One-Stage Object Detectors

Tek aşamalı nesne algılayıcıları, tek bir ağın tek ileri geçişinde görüntüdeki tüm nesnelerin sınırlayıcı kutularını ve sınıf etiketlerini tahmin eden nesne algılama modelleridir; yoğun bir aday konumlar ızgarasını aynı anda puanlarlar. Ayrı bir bölge önerme adımları yoktur: iki aşamalı nesne algılayıcılar önce nesne içerme olasılığı yüksek bölgeler önerir, ardından her bölge için ikinci bir başlık çalıştırır. Bu adımın kaldırılması, 2015'te temel modeli saniyede 45 kare hızında çalışan YOLO modellerinden günümüz modellerine kadar tek aşamalı algılayıcıları gerçek zamanlı algılamanın temelini hâline getirdi.

Tek Aşamalı Algılayıcılar Nasıl Çalışır#

Bir omurga, görüntüyü özellik haritalarına dönüştürür; bir boyun bunları farklı ölçeklerde birleştirir ve yoğun bir algılama başlığı, her ölçekteki her konumda sınıf skorları ve bir kutu tahmin eder. SSD, YOLOv2 ve RetinaNet gibi ilk tek aşamalı modeller, her konum için birkaç çapa kutusundan sapmaları tahmin ediyordu; 2019'daki FCOS'tan beri modellerin çoğu, her konumdan kutunun dört kenarına olan mesafeleri tahmin ederek çapasız algılayıcıların tasarımını izliyor. Sonuçta binlerce aday kutu ortaya çıkar; bir güven eşiği ve maksimum olmayan bastırma (NMS) bu kutuları nesne başına bire indirir veya bire bir eşleştirmeyle eğitilen bir başlık kutuları doğrudan üretir.

Tek aşamalı bir algılayıcıyı çalıştırmak tek bir çağrı gerektirir; süre dökümü tek bir ağ geçişi gösterir:

from ultralytics import YOLO

# Load YOLO26n, a one-stage detector pretrained on the 80 COCO classes
model = YOLO("yolo26n.pt")

# One forward pass predicts the box and class of every object in the image
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
print(f"{len(result.boxes)} objects: {[result.names[int(c)] for c in result.boxes.cls]}")

# Milliseconds for resizing the image, the single network pass, and NMS
print(result.speed)

result.speed, ön işleme, çıkarım ve son işleme olmak üzere üç adımı listeler; tek çıkarım geçişi görüntüdeki tüm nesneleri kapsar.

Tek Aşamalı ve İki Aşamalı Dedektörler#

Her iki tasarımda da omurga ve boyun ortaktır. Ardından iki aşamalı bir algılayıcı, birkaç yüz aday bölge seçen bir bölge önerme ağı çalıştırır; her bölgenin özelliklerini kırpar ve her kırpılmış görüntüyü sınıflandırıp iyileştiren ikinci bir başlığa verir. Tek aşamalı algılayıcı ise bu adımların yerine her ızgara konumunda çalışan tek bir yoğun başlık kullanır.

R-CNN ailesi, yıllarca algılama doğruluğunda önde geldi: Faster R-CNN, görüntü başına yaklaşık 300 öneriyi iyileştiriyor ve VGG-16 omurgasıyla 5 FPS hızında çalışıyordu. Tek aşamalı algılayıcılar çok daha hızlıydı ancak doğrulukta geride kalıyordu; 2017'de RetinaNet, bu farkın ön plan-arka plan dengesizliğinden kaynaklandığını gösterdi: yoğun bir algılayıcı görüntü başına yaklaşık 100.000 aday konumu değerlendirir, bunların neredeyse tümü arka plandır ve bu kolay negatifler standart bir kayıp işlevine baskın gelir. RetinaNet'in odak kaybı bu örneklerin ağırlığını azaltır; RetinaNet, önceki tek aşamalı algılayıcıların hızına ulaşırken döneminin iki aşamalı algılayıcılarından daha yüksek doğruluk sağladı. DETR ve RT-DETR gibi Transformer algılayıcılar da tek ağ olarak çalışır ve bire bir eşleştirmeyle sabit boyutlu bir kutu kümesi tahmin eder.

Gerçek Dünya Uygulamaları#

• Trafik ve video analitiği: Algılayıcılar araçları saymak, akışı ölçmek ve nesne izleyicilerine veri sağlamak için her kamera akışının her karesinde çalışır.
• Üretim denetimi: Hat kameraları, kameranın önünden saniyenin çok küçük bir bölümünde geçen parçalardaki kusurları ve eksik bileşenleri algılar.
• Dronlar ve gömülü cihazlar: Tek bir küçük ağ, drone, telefon veya akıllı kameranın işlem ve güç bütçesine sığar.

Modern Tek Aşamalı Algılayıcıların Temelindeki Fikirler#

• Özellik piramidi ağları (FPN): Birden fazla çözünürlükten tahmin yapmak, ince ayrıntılı haritaların küçük nesneleri, kaba haritaların ise büyük nesneleri bulmasını sağlar.
• Odak kaybı: Kolay arka plan adaylarının ağırlığını azaltmak, ilk yoğun algılayıcıların önündeki sınıf dengesizliği sorununu giderdi.
• Etiket atama: SimOTA ve görevle hizalı atama gibi yöntemler, eğitim sırasında her nesnenin pozitif konumlarını tahminlerin kendisinden seçer.
• NMS gerektirmeyen başlıklar: Bire bir eşleştirmeyle eğitilmiş bir başlık, nesne başına bir kutu üretir ve aday sayısıyla birlikte maliyeti artan bir son işleme adımını ortadan kaldırır.

YOLO26, her iki başlık türüne de sahip, tek aşamalı ve anchorsız bir algılayıcıdır: varsayılan olarak NMS uygular; nms=False ise bire bir başlığına geçer. YOLO26n, NMS ile COCO üzerinde 40,9 mAP_50-95, NMS olmadan 40,1 değerine ulaşır; NVIDIA T4 GPU üzerinde TensorRT ile görüntü başına 1,7 ms sürer.