YOLO (You Only Look Once)
YOLO: You Only Look Once — Unified, Real-Time Object Detection · Ayrıca şöyle bilinir: You Only Look Once, YOLO detector, YOLOv1, single-shot detector, real-time object detection
YOLO (You Only Look Once), CVPR 2016'da Redmon, Divvala, Girshick ve Farhadi tarafından tanıtılan tek aşamalı, uçtan uca bir evrişimsel nesne dedektörüdür. Nesne tespitini tek bir regresyon problemi olarak yeniden çerçeveler — bir görüntüyü tek bir ileri geçişte doğrudan tahmin ederek sınırlayıcı kutu koordinatlarını ve sınıf olasılıklarını tahmin eder — bu da R-CNN gibi önceki iki aşamalı yöntemlerin ulaşamadığı gerçek zamanlı tespit hızları elde eder. Orijinal makale, uygulamalı nesne tespit ölçütlerinde hakimiyetini sürdüren yaygın olarak benimsenmiş bir ardıl ailesini (YOLOv2'den v11'e kadar) doğurdu.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
YOLO ve ardılları, tespit hızı zorlu bir kısıtlama olduğunda — canlı video gözetimi, otonom sürüş, drone görüntüleri, robotik algılama — veya tek bir ağın birden fazla nesne kategorisini eş zamanlı olarak yerleştirmesi ve sınıflandırması gerektiğinde uygundur. Yöntem, ilgi nesnelerinin ızgara çözünürlüğü tarafından yakalanacak kadar büyük olduğunu varsayar; çok küçük veya yoğun kümelenmiş nesnelerde daha az iyi performans gösterir. Gerçek zamanlı verim için bir GPU gereklidir. Tespit gecikmesinin kritik olmadığı ve maksimum doğruluğun öncelikli olduğu görevler için, Faster R-CNN gibi iki aşamalı dedektörler rekabetçi kalır.
Güçlü yönler & sınırlılıklar
- Tüm görüntüyü tek bir ileri geçişte işler, gerçek zamanlı tespit hızları sağlar (CVPR 2016'da 45 fps; modern sürümler daha da hızlıdır).
- Tespit kaybı üzerinde uçtan uca eğitim, modelin vekil bir görev yerine tam tespit hedefi için optimize edildiği anlamına gelir.
- Küresel görüntü bağlamı örtük olarak kodlanır, bu da kayan pencere yöntemlerine kıyasla yerel doku desenlerinden kaynaklanan yanlış pozitifleri azaltır.
- Yüksek düzeyde genişletilebilir: YOLO mimarisi sürekli olarak revize edilmiştir (v2–v11), sonraki sürümlerde çapalar, çok ölçekli tahmin, dikkat modülleri ve transformatör başlıkları eklenmiştir.
- Basit dağıtım: Ayrı bir öneri aşaması olmayan tek bir ağ, yerleşik ve kenar sistemlerine entegrasyonu pratik hale getirir.
- Sabit S×S ızgara, hücre başına tespit edilebilen nesne sayısı üzerinde sabit bir sınır uygular; YOLOv1 hücre başına en fazla B nesne tahmin edebilir, bu da tek bir bölgede çok sayıda küçük nesne kümelendiğinde kaçırmalara neden olur.
- Sınırlayıcı kutu boyutları ve en boy oranları, sonraki dedektörlerde kullanılan çapraz kutu öncelikleri olmadan tamamen regresyonla elde edilir, bu da alışılmadık nesne şekillerini uyarlamayı zorlaştırır.
- Yerelleştirme doğruluğu, özellikle küçük nesneler için, PASCAL VOC ve COCO gibi standart ölçütlerde Faster R-CNN gibi iki aşamalı dedektörlerden daha düşüktür.
- Eğitim, sınırlayıcı kutu etiketleriyle büyük bir etiketlenmiş veri kümesi gerektirir; etiketlenmiş verilerin az olduğu durumlarda performans önemli ölçüde düşer.
SSS
YOLO, Faster R-CNN'den nasıl farklıdır?
Faster R-CNN iki aşamalı bir işlem hattı kullanır: bir Bölge Öneri Ağı önce aday nesne bölgeleri oluşturur, ardından ikinci bir ağ tarafından sınıflandırılır ve iyileştirilir. YOLO, her iki aşamayı da bir ızgara üzerinde tek bir ileri geçişte birleştirir, önemli ölçüde daha yüksek verim için bazı yerleştirme doğruluğundan ödün verir. PASCAL VOC üzerinde YOLOv1, Faster R-CNN'den yaklaşık 6 kat daha hızlı çalıştı ancak daha düşük mAP ile; sonraki YOLO sürümleri bu doğruluk farkının çoğunu kapatıyor.
Yeni bir proje için hangi YOLO sürümünü kullanmalıyım?
Çoğu pratik uygulama için, aktif olarak bakımı yapılan bir depodan gelen yakın tarihli bir sürüm (v8 veya sonrası) önerilir, çünkü bunlar YOLOv1'i doğruluk ve sağlamlık açısından önemli ölçüde aşan geliştirilmiş omurgalar, çaprazsız başlıklar ve veri artırma stratejileri içerir. Orijinal YOLOv1 öncelikle tarihsel ve eğitsel ilgi alanıdır.
YOLO eğitimi hangi veri kümesi ve etiketleme formatını gerektirir?
YOLO eğitimi, (sınıf, x_merkez, y_merkez, genişlik, yükseklik) formatında sınırlayıcı kutu etiketleriyle eşleştirilmiş görüntüleri [0, 1] aralığında normalleştirilmiş olarak gerektirir. Popüler eğitim kümeleri arasında PASCAL VOC ve MS COCO bulunur. Etiketlenmiş verilerin sınırlı olduğu durumlarda COCO ile önceden eğitilmiş bir kontrol noktasından aktarım öğrenmesi standart uygulamadır.
Tespit performansı nasıl ölçülür?
Standart metrik, nesne sınıfları üzerinden ortalanan hassasiyet-geri çağırma eğrisi altındaki alan olarak hesaplanan ortalama Ortalama Hassasiyet (mAP)'dir. COCO ölçütü, PASCAL VOC metriğinden (mAP@0.5) daha zorlu olan 0.50 ila 0.95 IoU eşikleri üzerinden ortalanan mAP'yi (mAP@[0.5:0.95]) bildirir. Çıkarım hızı, belirtilen bir GPU üzerinde saniye başına kare (fps) olarak raporlanır.
Kaynaklar
- 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 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. ISBN: 978-0-262-03561-3
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). YOLO: You Only Look Once — Unified, Real-Time Object Detection. ScholarGate. https://scholargate.app/tr/deep-learning/yolo
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Artık Ağ (ResNet)Derin öğrenme↔ karşılaştır