Two-Stage Object Detectors

İki aşamalı nesne dedektörleri, bilgisayarlı görüde bir görüntü içindeki öğeleri tanımlamak ve konumlandırmak için kullanılan gelişmiş bir deep learning (DL) mimarileri sınıfıdır. Algılamayı tek bir geçişte gerçekleştiren tek aşamalı benzerlerinin aksine, bu modeller görevi iki ayrı aşamaya ayırır: bölge önerisi ve nesne sınıflandırması. Bu ikili yaklaşım, yüksek yerelleştirme doğruluğuna öncelik vermek için öncülük edilmiş olup, bu dedektörleri artificial intelligence (AI) evriminde tarihsel olarak önemli kılmaktadır. "Nerede" sorusunu "ne" sorusundan ayırarak, iki aşamalı dedektörler genellikle özellikle küçük veya örtüşen nesnelerde üstün hassasiyet elde eder, ancak bu durum tipik olarak artan hesaplama kaynakları ve daha yavaş inference latency pahasına gerçekleşir.

İki Aşamalı Süreç#

Bir iki aşamalı dedektörün mimarisi, bir insanın bir sahneyi dikkatlice incelemesini taklit eden sıralı bir iş akışına dayanır.

1. Bölge Önerisi: İlk aşamada model, nesnelerin bulunabileceği potansiyel alanları belirlemek için giriş görüntüsünü tarar. Region Proposal Network (RPN) olarak bilinen bir bileşen, genellikle İlgi Bölgeleri (RoI'ler) olarak anılan seyrek bir aday kutu kümesi oluşturur. Bu aşama, arka planın çoğunu filtreleyerek ağın işlem gücünü ilgili alanlara odaklamasına olanak tanır.

2. Sınıflandırma ve İyileştirme: İkinci aşamada model, Convolutional Neural Networks (CNNs) kullanarak bu aday bölgelerden özellikler çıkarır. Ardından her bölgeye belirli bir sınıf etiketi (ör. "kişi", "araç") atar ve nesneyi sıkı bir şekilde çevrelemek için bounding box koordinatlarını iyileştirir.

Bu mimarinin önde gelen örnekleri arasında R-CNN ailesi, özellikle de birkaç yıldır akademik kıyaslamalar için standardı belirleyen Faster R-CNN ve Mask R-CNN yer alır.

Tek Aşamalı Dedektörlerle Karşılaştırma#

İki aşamalı modelleri, Single Shot MultiBox Detector (SSD) ve Ultralytics YOLO serisi gibi one-stage object detectors ayırmak faydalıdır. İki aşamalı modeller bölgeleri ayrı ayrı işleyerek accuracy önceliklendirirken, tek aşamalı modeller algılamayı tek bir regresyon problemi olarak ele alır ve görüntü pikselini doğrudan sınırlayıcı kutu koordinatlarına ve sınıf olasılıklarına eşler.

Tarihsel olarak bu durum bir ödünleşme yaratmıştır: iki aşamalı modeller daha doğru ancak daha yavaştı, tek aşamalı modeller ise daha hızlı ancak daha az hassastı. Ancak modern gelişmeler bu çizgiyi bulanıklaştırmıştır. YOLO26 gibi son teknoloji modeller, real-time inference için gerekli hızı korurken iki aşamalı dedektörlerin doğruluğuyla rekabet eden uçtan uca mimariler kullanmaktadır.

Gerçek Dünya Uygulamaları#

precision ve recall üzerindeki vurguları nedeniyle, iki aşamalı dedektörler genellikle güvenlik ve detayın ham işlem hızından daha kritik olduğu senaryolarda tercih edilir.

• Tıbbi Tanı Görüntülemesi: AI in healthcare alanında, bir tanıyi kaçırmak kritik olabilir. İki aşamalı mimariler, röntgen veya MRI taramalarındaki tümörler gibi anomalileri tespit etmek için medical image analysis sıkça kullanılmaktadır. Çok adımlı süreç, karmaşık doku arka planları karşısında küçük lezyonların gözden kaçırılmamasını sağlamaya yardımcı olur ve radyologlara yüksek güvenilirlikli otomatik yardım sağlar.
• Yüksek Hassasiyetli Endüstriyel İnceleme: smart manufacturing alanında otomatik görsel denetim sistemleri, montaj hatlarındaki mikroskobik kusurları belirlemek için bu modelleri kullanır. Örneğin, türbin kanadındaki kılcal bir çatlağı tespit etmek, yalnızca kusursuz bileşenlerin üretim aşamasına geçmesini sağlayarak iki aşamalı dedektörlerin sağladığı yüksek Intersection over Union (IoU) doğruluğunu gerektirir.

Modern Algılamayı Uygulama#

İki aşamalı dedektörler yüksek doğruluklu görü için temel oluştururken, modern geliştiriciler genellikle önemli ölçüde daha kolay dağıtım iş akışlarıyla benzer performans sunan gelişmiş tek aşamalı modelleri kullanmaktadır. Ultralytics Platform, veri kümelerini ve işlem kaynaklarını verimli bir şekilde yöneterek bu modellerin eğitimini ve dağıtımını basitleştirir.

ultralytics içeren modern bir nesne algılama iş akışı kullanarak çıkarımın nasıl yükleneceğini ve çalıştırılacağını gösteren aşağıdaki Python örneği, geleneksel iki aşamalı yaklaşımlara benzer yüksek doğrulukta sonuçlar elde eder ancak daha büyük verimlilik sağlar:

from ultralytics import YOLO

# Load the YOLO26 model, a modern high-accuracy detector
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Process results (bounding boxes, classes, and confidence scores)
for result in results:
    result.show()  # Display the detection outcomes
    print(result.boxes.conf)  # Print confidence scores