Two-Stage Object Detectors

İki aşamalı nesne dedektörleri, bir görüntüdeki öğeleri belirlemek ve konumlandırmak için bilgisayarlı görüde kullanılan gelişmiş bir derin öğrenme (DL) mimarileri sınıfıdır. Tespiti tek geçişte gerçekleştiren tek aşamalı muadillerinin aksine bu modeller, görevi iki ayrı aşamaya böler: bölge önerisi ve nesne sınıflandırması. Bu iki parçalı yaklaşım, yüksek konumlandırma doğruluğuna öncelik vermek amacıyla geliştirilmiş ve bu dedektörleri yapay zekânın (AI) evriminde tarihsel açıdan önemli hâle getirmiştir. "Nerede" sorusunu "ne" sorusundan ayıran iki aşamalı dedektörler, özellikle küçük veya örtülmüş nesnelerde çoğu zaman daha yüksek kesinlik elde eder; ancak bu genellikle daha fazla hesaplama kaynağı ve daha yavaş çıkarım gecikmesi pahasına gerçekleşir.

İki Aşamalı Süreç#

İki aşamalı bir dedektörün mimarisi, bir insanın bir sahneyi dikkatle inceleme biçimini taklit eden sıralı bir iş akışına dayanır.

1. Bölge Önerisi: İlk aşamada model, nesnelerin bulunabileceği olası alanları belirlemek için giriş görüntüsünü tarar. Bölge Öneri Ağı (RPN) olarak bilinen bir bileşen, genellikle İlgi Bölgeleri (RoIs) olarak adlandırılan seyrek bir aday kutu kümesi oluşturur. Bu aşama arka planın büyük bölümünü filtreleyerek ağın işlem gücünü ilgili alanlara odaklamasını sağlar.

2. Sınıflandırma ve İyileştirme: İkinci aşamada model, bu aday bölgelerden Evrişimli Sinir Ağları (CNNs) kullanarak özellikler çıkarır. Ardından her bölgeye belirli bir sınıf etiketi (ör. "kişi", "araç") atar ve nesneyi sıkı biçimde çevreleyecek şekilde sınırlayıcı kutunun koordinatlarını iyileştirir.

Bu mimarinin öne çıkan örnekleri arasında, birkaç yıl boyunca akademik kıyaslamalar için standardı belirleyen R-CNN ailesi, özellikle de Faster R-CNN ve Mask R-CNN bulunur.

Tek Aşamalı Dedektörlerle Karşılaştırma#

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

Tarihsel olarak bu durum bir ödünleşim oluşturuyordu: İki aşamalı modeller daha doğru ancak daha yavaştı; tek aşamalı modeller ise daha hızlı ancak daha az hassastı. Ancak modern gelişmeler bu ayrımı bulanıklaştırdı. YOLO26 gibi en gelişmiş modeller, artık iki aşamalı dedektörlerin doğruluğuyla yarışan uçtan uca mimariler kullanırken gerçek zamanlı çıkarım için gereken hızı koruyor.

Gerçek Dünya Uygulamaları#

Kesinlik ve duyarlılığa verdikleri önem nedeniyle iki aşamalı dedektörler, ham işlem hızından ziyade güvenliğin ve ayrıntının daha kritik olduğu senaryolarda sıklıkla tercih edilir.

• Tıbbi Tanısal Görüntüleme: Sağlık hizmetlerinde yapay zekâ alanında bir tanının gözden kaçırılması kritik sonuçlar doğurabilir. İki aşamalı mimariler, röntgen veya MRI taramalarında tümör gibi anomalileri tespit etmek için tıbbi görüntü analizinde sıklıkla kullanılır. Çok aşamalı süreç, karmaşık doku arka planlarında küçük lezyonların gözden kaçırılmamasına yardımcı olarak radyologlara yüksek güvenilirlikli otomatik destek sunar.
• Yüksek Hassasiyetli Endüstriyel Denetim: Akıllı üretimde otomatik görsel denetim sistemleri, montaj hatlarındaki mikroskobik kusurları belirlemek için bu modelleri kullanır. Örneğin, bir türbin kanadındaki kılcal çatlağı tespit etmek, iki aşamalı dedektörlerin sağladığı yüksek Kesişim-Birleşim (IoU) doğruluğunu gerektirir; böylece yalnızca kusursuz bileşenlerin üretimin bir sonraki aşamasına geçmesi sağlanır.

Modern Tespiti Uygulama#

İki aşamalı dedektörler yüksek doğruluklu bilgisayarlı görünün temelini oluşturmuş olsa da modern geliştiriciler, benzer performansı çok daha kolay dağıtım iş akışlarıyla sunan gelişmiş tek aşamalı modelleri sıklıkla kullanır. Ultralytics Platformu, veri kümelerini ve hesaplama kaynaklarını verimli biçimde yöneterek bu modellerin eğitilmesini ve dağıtılmasını kolaylaştırır.

Aşağıdaki Python örneği, ultralytics kullanarak modern bir nesne tespit iş akışıyla çıkarımın nasıl yükleneceğini ve çalıştırılacağını gösterir; geleneksel iki aşamalı yaklaşımlara benzer yüksek doğruluklu sonuçları daha yüksek verimlilikle elde eder:

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