Receptive Field

Bilgisayarla görü (CV) ve derin öğrenme alanında alıcı alan, belirli bir nöronun bir sinir ağında (NN) "gördüğü" veya analiz ettiği giriş görüntüsünün belirli bölgesini ifade eder. Kavramsal olarak bu, insan gözünün veya kamera merceğinin görüş alanına benzer şekilde işlev görür. Bir modelin herhangi bir katmanda ne kadar uzamsal bağlamı algılayabileceğini belirler. Veriler bir Evrişimli Sinir Ağından (CNN) ilerledikçe alıcı alan genellikle genişler ve sistemin kenarlar veya köşeler gibi küçük, yerel ayrıntıları belirlemekten tüm nesneler veya sahneler gibi karmaşık, küresel yapıları anlamaya geçmesini sağlar.

Alıcı Alanların İşleyişi#

Alıcı alanın boyutu ve derinliği ağın mimarisi tarafından belirlenir. İlk katmanlarda nöronlar genellikle küçük bir alıcı alana sahiptir ve ince ayrıntılı dokuları yakalamak için küçük bir piksel kümesine odaklanır. Ağ derinleştikçe havuzlama katmanları ve adımlı evrişimler gibi işlemler özellik haritalarını etkili bir şekilde alt örnekler. Bu işlem, sonraki nöronların orijinal girdinin çok daha büyük bir bölümündeki bilgileri bir araya getirmesini sağlar.

Son teknoloji Ultralytics YOLO26 dahil olmak üzere modern mimariler, bu alanları titizlikle dengeleyecek şekilde tasarlanır. Alıcı alan çok darsa model, şeklin tamamını algılayamadığı için büyük nesneleri tanımakta başarısız olabilir. Buna karşılık, çözünürlük korunmadan alan aşırı geniş olursa model küçük nesneleri gözden kaçırabilir. Bunu ele almak için mühendisler, uzamsal çözünürlüğü azaltmadan alıcı alanı genişletmek amacıyla genellikle seyreltilmiş evrişimler (atrous evrişimler olarak da bilinir) kullanır; bu teknik, semantik segmentasyon gibi yüksek hassasiyet gerektiren görevler için hayati önem taşır.

Gerçek Dünya Uygulamaları#

Alıcı alanı optimize etmek, çeşitli yapay zekâ çözümlerinin başarısı için kritik öneme sahiptir.

• Otonom Sürüş: Otomotivde yapay zekâ alanında algı sistemleri, hem küçük ayrıntıları hem de büyük engelleri aynı anda takip etmelidir. Bir aracın uzaktaki trafik ışıklarını belirlemek için küçük bir alıcı alana, yakındaki bir kamyonun yörüngesini veya yol şeridinin eğriliğini anlamak içinse aynı anda büyük bir alıcı alana ihtiyacı vardır. Bu çok ölçekli algılama, daha iyi yapay zekâ güvenliği ve karar verme sağlar.
• Tıbbi Tanı: Sağlık hizmetlerinde yapay zekâ uygulanırken radyologlar, taramalardaki anomalileri tespit etmek için modellere güvenir. Beyin tümörlerini belirlemek için ağın beynin genel simetrisini ve yapısını anlaması amacıyla büyük bir alıcı alana ihtiyacı vardır. Ancak mamografide mikrokalsifikasyonları tespit etmek için model, ince doku değişikliklerine duyarlı küçük alıcı alanlara sahip erken katmanlara dayanır.

İlişkili Kavramları Ayırt Etme#

Ağ tasarımını tam olarak anlamak için alıcı alanı benzer terimlerden ayırmak yararlıdır:

• Alıcı Alan ve Çekirdek Karşılaştırması: Çekirdek (veya filtre) boyutu, tek bir evrişim işlemi için kayan pencerenin (ör. 3x3) boyutlarını tanımlar. Alıcı alan, bir nöronu etkileyen toplam birikimli giriş alanını temsil eden, ortaya çıkan bir özelliktir. Birden fazla 3x3 çekirdeğin üst üste dizilmesi, 3x3'ten çok daha büyük bir alıcı alan oluşturur.
• Alıcı Alan ve Özellik Haritası Karşılaştırması: Özellik haritası, bir katman tarafından üretilen ve öğrenilmiş temsilleri içeren çıktı hacmidir. Alıcı alan, bu özellik haritasındaki tek bir nokta ile orijinal giriş görüntüsü arasındaki ilişkiyi tanımlar.
• Alıcı Alan ve Bağlam Penceresi Karşılaştırması: Her iki terim de algılanan verinin kapsamını ifade etse de "bağlam penceresi", Doğal Dil İşleme (NLP) veya video analizinde zamansal ya da sıralı bir aralığı (ör. belirteç sınırı) belirtmek için kullanılır. Alıcı alan ise kesin olarak ızgara benzeri verilerdeki (görüntülerdeki) uzamsal alanı ifade eder.

Kodda Pratik Kullanım#

Daha yeni YOLO26 gibi son teknoloji modeller, her boyuttaki nesne için etkili alıcı alanları korumak üzere Özellik Piramidi Ağlarından (FPN) yararlanır. Aşağıdaki örnek, bu dahili mimari optimizasyonlardan otomatik olarak yararlanarak bir modelin nasıl yükleneceğini ve nesne algılama işleminin nasıl gerçekleştirileceğini gösterir. Optimize edilmiş mimarilere sahip kendi modellerini eğitmek isteyen kullanıcılar, sorunsuz veri kümesi yönetimi ve bulut eğitimi için Ultralytics Platformundan yararlanabilir.

from ultralytics import YOLO

# Load the latest YOLO26 model with optimized multi-scale receptive fields
model = YOLO("yolo26n.pt")

# Run inference; the model aggregates features from various receptive field sizes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results, detecting both large (bus) and small (person) objects
results[0].show()