Sınırlama Kutusu

Nesne Tespitindeki Önemi

Sınırlayıcı kutular, nesne algılama modellerinin hem eğitimi hem de değerlendirilmesi için çok önemlidir. gibi modeller tarafından ele alınan görevlerde Ultralytics YOLOsınırlayıcı kutular, eğitim sürecinde"temel gerçek" olarak hizmet eder. Bu, eğitim verilerindeki nesnelerin doğru konumunu ve boyutunu temsil ettikleri ve modele nesneleri tam olarak bulmayı öğrettikleri anlamına gelir. Bu süreç genellikle insanların veya otomatik araçların görüntülerdeki nesnelerin etrafına bu kutuları çizdiği, sıklıkla CVAT gibi platformları kullanan veya veri kümesi yönetimi için Ultralytics HUB gibi platformlarla entegre olan dikkatli veri açıklamasıyla başlar. Çıkarım sırasında, eğitilen model, sınıf etiketleri ve güven puanlarıyla birlikte tespit edilen nesnelerin etrafındaki sınırlayıcı kutuları tahmin eder. Bu yerelleştirme yeteneği, yalnızca nesne tanımlama değil, aynı zamanda tam konumlarını da gerektiren uygulamalar için hayati önem taşır.

Sınırlayıcı Kutularla İlgili Temel Kavramlar

Çeşitli ölçütler ve teknikler, makine öğrenimi modellerinde sınırlayıcı kutuların kullanımı ve değerlendirilmesiyle yakından ilişkilidir:

• Birlik Üzerinde Kavşak (IoU): Tahmin edilen sınırlayıcı kutu ile temel gerçek sınırlayıcı kutu arasındaki örtüşmeyi ölçmek için kullanılan bir metriktir. Yerelleştirmenin doğruluğunu ölçer.
• Maksimum Olmayan Bastırma (NMS): Aynı nesne için gereksiz, örtüşen sınırlayıcı kutuları ortadan kaldırmak için kullanılan ve yalnızca en güvenilir tahmini koruyan bir işlem sonrası tekniği.
• Ortalama Ortalama Hassasiyet (mAP): Nesne algılama modellerinin performansını değerlendirmek için hem sınıflandırma doğruluğunu hem de yerelleştirme doğruluğunu (genellikle bir IoU eşiğine dayalı olarak) dikkate alan standart bir metrik. Ayrıntılı YOLO performans ölçümlerine bakın.
• Çapa Kutuları: Sınırlayıcı kutuları daha etkili bir şekilde tahmin etmeye yardımcı olmak için bazı dedektörlerde (eski YOLO sürümleri gibi) kullanılan çeşitli boyutlarda ve en boy oranlarında önceden tanımlanmış kutular. Aşağıdakiler dahil daha yeni modeller YOLO11genellikle çapasızdır ve tespit kafasını basitleştirir.
• COCO Veri Seti: Nesne algılama modellerini kıyaslamak için yaygın olarak kullanılan büyük ölçekli bir nesne algılama, segmentasyon ve altyazı veri kümesi. Ultralytics , COCO ve diğer algılama veri kümelerine kolay erişim sağlar.

Sınırlayıcı Kutular ve İlgili Terimler

Standart (eksen hizalı) sınırlayıcı kutular nesneleri basit dikdörtgenlerle konumlandırırken, diğer bilgisayarla görme teknikleri farklı ayrıntı düzeyleri sunar veya farklı senaryoları ele alır:

• Görüntü Segmentasyonu: Bir görüntüdeki her piksele bir sınıf etiketi atar. Kaba yerelleştirme sağlayan sınırlayıcı kutuların aksine, segmentasyon ince taneli yerelleştirme sunar.
• Anlamsal Segmentasyon: Her pikseli bir kategoriye atar (örneğin, 'araba', 'yol', 'gökyüzü') ancak aynı nesne sınıfının farklı örnekleri arasında ayrım yapmaz.
• Örnek Segmentasyonu: Piksel düzeyinde her kategorideki ayrı nesne örneklerini tanımlayarak semantik segmentasyondan bir adım daha ileri gider. Ultralytics YOLO modelleri örnek segmentasyon görevlerini destekler.
• Yönlendirilmiş Sınırlayıcı Kutular (OBB): Döndürülmüş dikdörtgenler, hava görüntülerinde(DOTA veri kümesi) veya metin algılamada yaygın olan görüntü eksenleriyle hizalanmamış nesneleri daha sıkı bir şekilde çevrelemek için kullanılır. Ultralytics YOLO11 OBB algılamayı destekler.

Gerçek Dünya Senaryolarındaki Uygulamalar

Sınırlayıcı kutular çok sayıda pratik yapay zeka uygulamasının ayrılmaz bir parçasıdır:

1. Otonom Araçlar: Sürücüsüz araçlar, yayaları, diğer araçları, trafik ışıklarını ve engelleri sınırlayıcı kutular kullanarak tanımlamak ve bulmak için büyük ölçüde nesne algılamaya güvenir. Genellikle derin öğrenme modelleri aracılığıyla elde edilen bu uzamsal farkındalık, güvenli navigasyon ve karar verme için kritik öneme sahiptir. Waymo gibi şirketler bu teknolojiyi kapsamlı bir şekilde sergilemektedir. Ultralytics , sürücüsüz araçlarda yapay zeka hakkında içgörüler sunuyor.
2. Perakende Analitiği: Perakendede sınırlayıcı kutular, raflardaki ürünleri tespit ederek, stok seviyelerini izleyerek ve raf etkileşimi veya yaya trafiği modelleri(nesne sayma) aracılığıyla müşteri davranışını analiz ederek yapay zeka odaklı envanter yönetimine yardımcı olur.
3. Güvenlik ve Gözetim: Sınırlayıcı kutular, otomatik izleme sistemlerinin ilgili kişileri veya nesneleri gerçek zamanlı olarak tespit etmesini ve izlemesini sağlayarak yetkisiz erişim veya şüpheli faaliyetler için uyarıları tetikler. Bu, güvenlik alarm sistemleri gibi bina uygulamaları için temeldir.
4. Tıbbi Görüntü Analizi: Sağlık hizmetlerinde sınırlayıcı kutular, taramalarda (X-ışınları, CT, MRI) tümörler veya lezyonlar gibi potansiyel anormallikleri vurgulayarak radyologlara ve klinisyenlere yardımcı olur, daha hızlı ve daha doğru tanıya yardımcı olur. Radyoloji bölümündeki örneklere bakın : Yapay Zeka ve Ultralytics'in tıbbi görüntü analizine genel bakışı.
5. Tarım: Sınırlayıcı kutular hassas tarımda hasat için meyveleri tanımlama(meyve tespiti), mahsul sağlığını izleme veya zararlıları tespit etme gibi görevler için kullanılır.