Nesne Tespiti
Object Detection (Region-Based and Anchor-Free Deep Neural Network Models) · Ayrıca şöyle bilinir: visual object detection, image object localization, region-based object detection, bounding-box detection
Nesne tespiti, derin bir sinir ağının bir görüntüdeki bir veya daha fazla nesne kategorisinin her bir örneğini eşzamanlı olarak konumlandırdığı ve sınıflandırdığı, tespit edilen her nesne için bir sınırlayıcı kutu ve bir sınıf etiketi ürettiği bir bilgisayar görüşü görevidir. R-CNN ailesinden YOLO ve DETR'ye kadar modern dedektörler, standart karşılaştırmalarda gerçek zamanlı hızlarda insan benzeri doğruluğa ulaşmaktadır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+6 tane daha
Ne zaman kullanılır
Araştırmanız veya uygulamanız, görüntülerdeki birden çok nesne örneğini konumlandırmayı ve sınıflandırmayı gerektirdiğinde nesne tespitini kullanın — örneğin, mikroskopide hücre sayma, videoda yayaları tespit etme veya raflardaki ürünleri tanımlama. Sınırlayıcı kutularla etiketlenmiş eğitim görüntüleri gerektirir, bu da üretilmesi zahmetlidir; eğer etiketleme bütçesi çok sınırlıysa (birkaç yüz görüntüden az), önceden eğitilmiş bir dedektörden transfer öğrenmeyi şiddetle düşünün. Yalnızca uzamsal konumlandırma olmaksızın görüntü düzeyinde etiketlere ihtiyacınız varsa (bunun yerine görüntü sınıflandırması kullanın) veya piksel düzeyinde sınırlara ihtiyacınız varsa (bunun yerine örnek bölümleme kullanın) nesne tespitini kullanmayın.
Güçlü yönler & sınırlılıklar
- Karşılaştırma veri kümelerinde en son teknoloji doğruluk, belirli kategorilerde insan performansını genellikle yakalar veya aşar.
- Modern tek aşamalı dedektörlerle tek bir ileri geçişte eşzamanlı konumlandırma ve sınıflandırma.
- Küçük alan veri kümeleriyle etkili transfer öğrenmeyi sağlayan zengin önceden eğitilmiş model ekosistemi (COCO, Open Images).
- YOLOv8 gibi optimize edilmiş mimarilerle video akışlarına ve gerçek zamanlı uygulamalara ölçeklenebilir.
- Esnek: görüntü başına değişen sayıda nesneyi ve özellik piramidi ağları aracılığıyla birden çok ölçekteki nesneleri işler.
- Ölçekli olarak üretilmesi pahalı ve zaman alıcı olan sınırlayıcı kutu etiketli eğitim verileri gerektirir.
- Hesaplama açısından yoğun — büyük dedektörleri eğitmek çoklu GPU donanımı ve önemli bellek gerektirir.
- Yoğun şekilde örtüşen nesnelerde, çok küçük nesnelerde ve yoğun paketlenmiş sahnelerde performans düşer.
- Hiperparametre duyarlılığı: çapa boyutları, güven eşikleri ve NMS parametrelerinin tümü alana özgü ayarlama gerektirir.
SSS
Hangi dedektörü seçmeliyim — Faster R-CNN, YOLO veya DETR?
Faster R-CNN genellikle daha yüksek doğruluk elde eder ancak daha yavaştır; hızdan çok hassasiyetin önemli olduğu durumlarda iyi bir seçimdir. YOLO varyantları (v5, v8) gerçek zamanlı çıkarım için optimize edilmiştir ve kenar donanımına dağıtılması daha kolaydır. DETR ve ardılları, NMS olmadan rekabetçi doğruluk sunar ancak daha fazla eğitim verisi ve daha uzun eğitim süreleri gerektirir.
Bir dedektörü eğitmek için kaç adet etiketli görüntüye ihtiyacım var?
Sıfırdan başlarken genellikle sınıf başına binlerce etiketli görüntüye ihtiyacınız vardır. COCO önceden eğitilmiş ağırlıklardan transfer öğrenme ile, sınıf başına birkaç yüz görüntü ile bazen faydalı sonuçlar elde edilebilir, ancak performans veri kümesine ve göreve oldukça bağlıdır; her zaman ayrılmış bir test kümesinde doğrulayın.
mAP nedir ve neden standart metriktir?
Ortalama Hassasiyet (mAP), belirli bir IoU eşiğinde her sınıf için hassasiyet-geri çağırma eğrisini özetler ve tüm sınıflar üzerinden ortalamasını alır. Doğruluktan farklı olarak, hem konumlandırma kalitesini (IoU aracılığıyla) hem de sınıflandırma güvenini hesaba katar, bu da onu sınıf dengesiz, çok nesneli tespit görevi için çok daha bilgilendirici hale getirir.
Nesne tespiti videoda çalışabilir mi?
Evet. YOLO gibi hızlı bir modelle kare kare tespit yaygındır, genellikle kareler arasında nesnelere tutarlı kimlikler atamak ve titreyen tespitleri azaltmak için bir izleyici (örneğin, SORT, DeepSORT) ile birleştirilir.
Bunun yerine ne zaman örnek bölümleme kullanmalıyım?
Piksel hassasiyetinde nesne maskelerine ihtiyacınız olduğunda — örneğin, tam nesne sınırlarını ölçmek, alanları hesaplamak veya oldukça düzensiz şekilleri işlemek için — örnek bölümleme (örneğin, Mask R-CNN) kullanın. Yaklaşık konum ve sayının araştırma hedefi olduğu durumlarda sınırlayıcı kutularla nesne tespiti yeterlidir.
Kaynaklar
- Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 580–587. DOI: 10.1109/CVPR.2014.81 ↗
- Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788. DOI: 10.1109/CVPR.2016.91 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Object Detection (Region-Based and Anchor-Free Deep Neural Network Models). ScholarGate. https://scholargate.app/tr/deep-learning/object-detection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Görüntü SınıflandırmaDerin öğrenme↔ karşılaştır
- Örnek BölütlemeDerin öğrenme↔ karşılaştır
- Semantik SegmentasyonDerin öğrenme↔ karşılaştır