İki Aşamalı Nesne Algılayıcılar

İki aşamalı nesne dedektörleri sofistike bir sınıftır tanımlamak için tasarlanmış derin öğrenme modelleri yüksek hassasiyetle görüntülerdeki nesnelerin yerini tespit eder. Daha hızlı benzerlerinden farklı olarak, bu mimariler nesne tespit görevini iki farklı aşamaya ayırmıştır: Nesnelerin var olabileceği potansiyel bölgelerin belirlenmesi ve daha sonra bu bölgelerin sınıflandırılarak Koordinatlar. Bu bölünmüş süreç yaklaşımı, tarihsel olarak iki aşamalı dedektörleri aşağıdaki görevler için altın standart haline getirmiştir doğruluk çok önemlidir, genellikle hız pahasına ve hesaplama kaynakları.

İki Aşamalı İş Akışı

İki aşamalı bir dedektörün mimarisi, verileri geniş bir görüntüden spesifik olana doğru daraltan bir huni gibi işlev görür, sınıflandırılmış nesneler. Bu süreç tipik olarak bir backbone özellikleri çıkarmak için ResNet gibi bir ağ kullanır, Bunu iki kritik aşama takip eder:

1. Bölge Önerisi: İlk aşamada genellikle Bölge Öneri Ağı (RPN) olarak adlandırılan bir bileşen kullanılır. Bu ağ, aşağıdaki bileşenler tarafından oluşturulan özellik haritalarını tarar "İlgi Alanlarını" (RoI) belirlemek için backbone . Bu noktada, model aşağıdakileri kategorize etmemektedir nesnesine karşı bir şey içermesi muhtemel alanları işaretleyerek esasen bir arka plan filtresi görevi görür. boş olan alanlar. Bu kavram, ufuk açıcı Daha hızlı R-CNN araştırma makalesi.
2. Sınıflandırma ve İyileştirme: İkinci aşamada, önerilen bölgeler sabit bir boyutuna getirilir ve belirli bir algılama kafasına beslenir. Bu kafa iki eşzamanlı görevi yerine getirir: belirli bir sınıf etiketi atar (örn. "araç") nesneye ve kullanımlara Koordinatları ayarlamak için sınırlayıcı kutu regresyonu, kutunun nesneye sıkıca oturduğundan emin olun.

İki Aşamalı ve Tek Aşamalı Tespit Araçları

İki aşamalı ve üç aşamalı arasındaki farkın anlaşılması tek aşamalı nesne dedektörleri bir uygulama için doğru modeli seçmenin temelidir.

• İki Aşamalı Dedektörler (örn. Daha Hızlı R-CNN, Maske R-CNN): Bu modeller hassasiyete öncelik verir. Tarafından Öneri ve sınıflandırmayı birbirinden ayırarak, üst üste binen nesneler veya küçük ayrıntılar içeren karmaşık sahneleri çok iyi. Bununla birlikte, bu çift kontrol mekanizması daha yüksek çıkarım gecikmesi, onları zorlaştırır Acil müdahale gerektiren ortamlarda konuşlandırın.
• Tek Aşamalı Dedektörler (örn. YOLO, SSD): gibi mimariler Ultralytics YOLO serisi algılamayı tek bir regresyon olarak ele alır problemini çözer. Görüntü piksellerini doğrudan sınırlayıcı kutu koordinatlarına ve sınıf olasılıklarına tek geçişte eşlerler. Bir yandan tarihsel olarak iki aşamalı modellerden daha az doğru olsa da, modern yinelemeler YOLO11 doğruluk açığını etkili bir şekilde kapatırken gerçek zamanlı çıkarım hızlarını korumak.

Tarihteki Önemli Mimariler

Çeşitli mimariler iki aşamalı tespitin gelişimini tanımlamıştır:

• R-CNN (Bölge Tabanlı Evrişimsel Sinir Ağları): Bu ailenin öncüsü, bölgeleri bir sinir ağına beslemeden önce önermek için seçici arama kullanmıştır. Evrişimsel Sinir Ağı (CNN).
• Hızlı R-CNN: Orijinali paylaşarak geliştirildi görüntü genelinde hesaplama yaparak eğitim verimliliğini önemli ölçüde artırır.
• Maske R-CNN: Daha Hızlı R-CNN'nin bir uzantısı olan segmentasyon maskelerini tahmin etmek için şube standart ile birlikte örnek segmentasyonu Algılama.

Gerçek Dünya Uygulamaları

Çünkü iki aşamalı dedektörler küçük nesnelerin yerini belirlemede ve Yanlış pozitifler, belirli sektörlerde hayati önem taşımaya devam etmektedir.

• Tıbbi Görüntü Analizi: Radyolojide, BT taramalarında küçük nodülleri veya tümörleri tanımlamak mümkün olan en yüksek hassasiyeti gerektirir. İki aşamalı modelleri burada genellikle kritik bir teşhisi kaçırma riskini en aza indirmek için kullanılır. Sağlık çalışmalarında yapay zeka.
• Otomatik Kalite Denetimi: Üretimde, devre kartları veya işlenmiş parçalar üzerindeki mikroskobik kusurların belirlenmesi için yüksek çözünürlüklü Analiz. İki aşamalı dedektörlerin hassas lokalizasyon yetenekleri, gözden kaçabilecek kusurların tespit edilmesine yardımcı olur daha hızlı, daha az parçalı modeller tarafından.

Yüksek Doğruluklu Algılamanın Uygulanması

Ultralytics son teknoloji ürünü tek aşamalı modellerde uzmanlaşırken, YOLO11 gibi modern versiyonlar yüksek tipik olarak iki aşamalı dedektörlerle ilişkilendirilen doğruluk, ancak önemli ölçüde daha hızlı model eğitimi ve çıkarımı.

Önceden eğitilmiş bir YOLO11 modelinin nasıl uygulanacağı aşağıda açıklanmıştır ultralytics elde etmek için paket yüksek hassasiyetli tespit sonuçları:

from ultralytics import YOLO

# Load a high-accuracy pre-trained YOLO11 model (Large variant)
# 'yolo11l.pt' offers a balance of high accuracy comparable to older two-stage models
model = YOLO("yolo11l.pt")

# Run inference on a local image
results = model("path/to/image.jpg")

# Display the results with bounding boxes
results[0].show()

İlgili Kavramlar

• Çapa Kutuları: Önceden tanımlanmış kutu şekilleri teklif aşamasında nesne boyutunu ve en boy oranını tahmin etmek için birçok iki aşamalı dedektör tarafından kullanılır.
• Maksimum Olmayan Bastırma (NMS): Hem tek aşamalı hem de iki aşamalı dedektörlerde gereksiz örtüşen kutuları ortadan kaldırmak için kullanılan bir işlem sonrası tekniği, sadece en güvenilir tespitin kalmasını sağlar.
• Birlik üzerinde Kesişim (IoU): Tahmin edilen kutu ile zemin gerçeği arasındaki örtüşmeyi ölçmek için kullanılan ve RPN'yi eğitmek için gerekli olan bir metrik ve arıtma kafaları.