Two-Stage Object Detectors

İki aşamalı nesne dedektörleri, bilgisayarlı görüde bir görüntü içindeki öğeleri tanımlamak ve konumlandırmak için kullanılan gelişmiş bir derin öğrenme (DL) mimarisi sınıfıdır. Algılamayı tek bir geçişte gerçekleştiren tek aşamalı muadillerinin aksine, bu modeller görevi iki ayrı aşamaya böler: bölge önerisi ve nesne sınıflandırması. Bu ikili yaklaşım, yüksek yerelleştirme doğruluğuna öncelik vermek amacıyla öncü olarak geliştirilmiş ve bu dedektörleri yapay zeka (AI) evriminde tarihsel açıdan önemli kılmıştır. "Nerede" sorusunu "ne" sorusundan ayırarak, iki aşamalı dedektörler genellikle, özellikle küçük veya gizlenmiş nesnelerde üstün hassasiyet elde ederler; ancak bu durum genellikle artan hesaplama kaynakları ve daha yavaş çıkarım gecikmesi maliyetiyle gerçekleşir.

Link to this sectionİki 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, giriş görüntüsünü nesnelerin bulunabileceği potansiyel alanları belirlemek için tarar. Bölge Önerisi Ağı (RPN) olarak bilinen bir bileşen, genellikle İlgi Bölgeleri (RoIs) olarak adlandırılan seyrek bir aday kutu seti oluşturur. Bu aşama, arka planın büyük bir kısmını filtreleyerek ağın işlem gücünü ilgili alanlara odaklamasını sağlar.

2. Sınıflandırma ve İyileştirme: İkinci aşamada model, Evrişimli Sinir Ağları (CNN'ler) kullanarak bu aday bölgelerden özellikler çıkarır. Ardından her bölgeye belirli bir sınıf etiketi (örneğin "kişi", "araç") atar ve sınırlayıcı kutu koordinatlarını nesneyi tam olarak içine alacak şekilde iyileştirir.

Bu mimarinin öne çıkan örnekleri arasında, akademik kıyaslamalar için birkaç yıl boyunca standardı belirleyen Faster R-CNN ve Mask R-CNN gibi R-CNN ailesi yer alır.

Link to this sectionTek Aşamalı Dedektörlerle Karşılaştırma#

İki aşamalı modelleri, Single Shot MultiBox Detector (SSD) ve Ultralytics YOLO serisi gibi tek aşamalı nesne dedektörlerinden ayırt etmek faydalıdır. İki aşamalı modeller bölgeleri ayrı ayrı işleyerek doğruluğa öncelik verirken, tek aşamalı modeller algılamayı tek bir regresyon problemi olarak kurgular ve görüntü piksellerini doğrudan sınırlayıcı kutu koordinatlarına ve sınıf olasılıklarına eşler.

Tarihsel olarak bu durum bir ödünleşim yarattı: iki aşamalı modeller daha doğru ancak daha yavaştı, tek aşamalı modeller ise daha hızlı ancak daha az hassastı. Ancak modern gelişmeler bu çizgiyi belirsizleştirdi. YOLO26 gibi en gelişmiş modeller artık, gerçek zamanlı çıkarım için gereken hızı korurken iki aşamalı dedektörlerin doğruluğuna rakip olan uçtan uca mimariler kullanıyor.

Link to this sectionGerçek Dünya Uygulamaları#

Hassasiyet ve duyarlılık konusundaki vurguları nedeniyle, iki aşamalı dedektörler genellikle güvenlik ve detayların ham işlem hızından daha kritik olduğu senaryolarda tercih edilir.

• Tıbbi Tanısal Görüntüleme: Sağlık hizmetlerinde yapay zeka alanında, bir tanıyı kaçırmak kritik olabilir. İki aşamalı mimariler, röntgen veya MRI taramalarındaki tümörler gibi anomalileri tespit etmek için tıbbi görüntü analizinde sıklıkla kullanılır. Çok adımlı süreç, karmaşık doku arka planlarına karşı küçük lezyonların gözden kaçırılmamasını sağlamaya yardımcı olur ve radyologlara yüksek güvenilirlikli otomatik destek sağlar.
• Yüksek Hassasiyetli Endüstriyel Denetim: Akıllı üretimde, otomatik görsel denetim sistemleri montaj hatlarındaki mikroskobik kusurları tanımlamak için bu modelleri kullanır. Örneğin, bir türbin kanadındaki kılcal çatlağı tespit etmek, iki aşamalı dedektörlerin sağladığı yüksek Birleşim Üzerinde Kesişim (IoU) doğruluğunu gerektirir ve yalnızca kusursuz bileşenlerin üretimin bir sonraki aşamasına geçmesini sağlar.

Link to this sectionModern Algılamayı Uygulama#

İki aşamalı dedektörler yüksek doğruluklu görüşün temelini atmış olsa da, modern geliştiriciler genellikle çok daha kolay dağıtım iş akışlarıyla benzer performans sunan gelişmiş tek aşamalı modelleri kullanırlar. Ultralytics Platform, bu modellerin eğitimini ve dağıtımını basitleştirerek veri kümelerini ve bilgi işlem kaynaklarını verimli bir şekilde yönetir.

Aşağıdaki Python örneği, geleneksel iki aşamalı yaklaşımlara benzer yüksek doğruluklu sonuçlar elde eden ancak daha fazla verimlilik sunan, ultralytics ile modern bir nesne algılama iş akışının nasıl yükleneceğini ve çıkarım çalıştırılacağını göstermektedir:

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