Stereo Vision

Stereoskopik görüş olarak da bilinen stereo görüş, dijital görüntülerden 3B derinlik bilgisi çıkarmak için kullanılan bir bilgisayarlı görü tekniğidir. İnsan binoküler görüşünü taklit ederek, aynı sahnenin biraz farklı açılardan çekilmiş iki veya daha fazla 2B görüntüsünü karşılaştıran yapay zeka sistemleri, nesnelere olan mesafeyi doğru bir şekilde hesaplayabilir. Bu yetenek, makinelerin çevrelerinde gezinmelerini ve fiziksel nesnelerle güvenli bir şekilde etkileşime girmelerini sağlayan mekansal zeka için temeldir.

Link to this sectionStereo Görüş Nasıl Çalışır#

Süreç, sol ve sağ kamera görüntüleri arasındaki farkları bulmaya dayanır. Buradaki temel zorluk, her iki görüntüde de tam olarak aynı pikselleri veya özellikleri tanımlamayı içeren yazışma problemidir. Eşleşen noktalar bulunduğunda, sistem yatay kaymayı hesaplar ve bir derinlik haritası (disparity map) oluşturur.

In a disparity map, larger shifts indicate closer objects, while smaller shifts mean the object is further away. Using triangulation, this map is then converted into a dense 3D point cloud. While traditional mathematical algorithms have historically driven these calculations, modern approaches increasingly rely on convolutional neural networks (CNNs) and deep learning to improve feature matching accuracy in complex lighting or textureless areas, as detailed in recent IEEE computer vision research.

Link to this sectionStereo Görüş ve Monoküler Derinlik Tahmini#

Stereo görüşü, yalnızca tek bir kamera kullanan derinlik tahmini tekniklerinden ayırmak önemlidir. Monoküler derinlik tahmini, perspektif ve gölgeleme gibi görsel ipuçlarına dayanarak tek bir 2B görüntüden 3B yapıları tahmin etmek için derin öğrenme modellerini kullanır. Buna karşılık, stereo sistemler iki kamera merceği arasındaki geometrik ilişkiyi kullanarak derinliği doğrudan ölçer. Monoküler yöntemler hesaplama açısından daha hafif olsa da, stereo görüş tipik olarak kritik güvenlik sistemleri için gerekli olan daha kesin, gerçek zamanlı derinlik ölçümleri sağlar.

Link to this sectionGerçek Dünyada Yapay Zeka Uygulamaları#

Stereo sistemler, gerçek dünya 3B nesne algılama ve mekansal farkındalık gerektiren çeşitli endüstrilerde hayati öneme sahiptir.

• Otonom Sürüş Navigasyonu: Waymo gibi şirketler tarafından geliştirilen kendi kendine sürüş teknolojileri, yayalara, diğer araçlara ve engellere olan mesafeyi gerçek zamanlı olarak doğru bir şekilde ölçmek için stereo kameralar kullanır ve güvenli yollar planlamak için bu hassas derinlik verilerini tahminleyici modelleme sistemlerine besler.
• Endüstriyel Robotik Otomasyonu: Üretim robotları, karmaşık kutu toplama görevleri için stereo görüşü kullanır. Bir konveyör bandı üzerindeki dağınık parçaların tam derinliğini ve yönelimini hesaplayarak, robotik sistemler tutucularını mükemmel bir şekilde hizalayabilir ve akıllı üretim hatlarında verimliliği artırabilir.
• Gelişmiş Tıbbi Görüntüleme: Cerrahi robotlar ve tanı sistemleri, cerrahlara minimal invaziv prosedürler sırasında hasta anatomisinin son derece doğru bir 3B görünümünü vermek için stereoskopik kameralardan yararlanır; bu trend, yakın zamandaki tıbbi YZ arXiv ön baskılarında sıklıkla vurgulanmaktadır.

Link to this sectionYZ'yi Stereo Verilerle Entegre Etme#

Geliştiriciler genellikle neyin ve ne kadar uzakta olduğunu bulmak için stereo görüşü nesne algılama ile birlikte kullanırlar. OpenCV framework genellikle derinlik haritaları oluşturmak için kullanılır ve çoğunlukla daha geniş PyTorch veya TensorFlow boru hatlarına entegre edilirken, YZ modelleri algılamayı yönetir. Aşağıda, Ultralytics YOLO26 kullanarak nesneleri algılama ve sınırlayıcı kutularını alma konusunda kavramsal bir örnek yer almaktadır; bu kutular daha sonra ilişkili bir OpenCV derinlik haritasından ortalama mesafe değerlerini çıkarmak için kullanılabilir.

import cv2
from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model for high-speed edge inference
model = YOLO("yolo26n.pt")

# Read the left camera frame (typically used as the primary frame for detection)
left_frame = cv2.imread("left_camera_frame.jpg")

# Run inference to detect objects in the scene
results = model(left_frame)

# Extract bounding boxes to later combine with a stereo disparity map
for result in results:
    for box in result.boxes.xyxy:
        x1, y1, x2, y2 = map(int, box[:4])
        print(f"Detected object bounding box: [{x1}, {y1}, {x2}, {y2}]")
        # Depth values can now be extracted from the disparity map within this specific region

Link to this sectionGelişmeler ve Gelecekteki Eğilimler#

Training and deploying advanced perception models has become highly streamlined. Using tools like the Ultralytics Platform, teams can securely annotate stereo pairs, train robust models, and export them to optimized formats like TensorRT for low-latency inference on edge AI devices.

Stanford Vision and Learning Lab gibi kuruluşlardan gelen son gelişmeler, yazışma problemini daha hızlı çözmek için stereo görüşü Vision Transformers (ViT) ve Google DeepMind'den alınan temel modellerle birleştirmede artan bir eğilim olduğunu göstermektedir. Ayrıca, Anthropic ve OpenAI gibi liderlerin çok modlu YZ modelleri geliştikçe, sağlam 3B mekansal verilerin entegrasyonu, somutlaştırılmış YZ aracılarının algılayabileceklerinin ve anlayabileceklerinin sınırlarını zorlamaya devam edecektir.