Azərbaycanca
Беларускі
Dansk
Deutsch
Española
Français
Indonesia
Italiana
日本語
Қазақ
Lietuvos
Nederlands
Português
Русский
සිංහල
แบบไทย
Türkçe
Українська
中國人
United State
Afrikaans
Nesne tespiti, dijital görüntülerde ve videolarda belirli bir sınıftaki (insanlar, binalar veya arabalar gibi) anlamsal nesnelerin örneklerini algılamakla ilgilenen, bilgisayarla görme ve görüntü işleme ile ilgili bir bilgisayar teknolojisidir. Nesne tespiti, bilgisayarla görme ve görüntü işlemeden farklı olarak algılanan nesnenin görüntü üzerinde koordinatlarının bulunmasını içerir. Bulunan koordinatlar ile nesnenin bir çerçeve ile içine alınacağı alan da tespit edilmiş olur. Nesne tespiti, gerçek zamanlı (anlık) ve gerçek zamanlı olmayan olarak ikiye ayrılır. Üzerinde iyi araştırma yapılmış alanlar yüz tespiti, ve . Nesne tespiti, görüntü alma ve video gözetimi dahil olmak üzere bilgisayarla görmenin birçok alanında uygulamaya sahiptir.
Kullanımlar
,,yüz algılama, yüz tanıma, gibi görevlerinde yaygın olarak kullanılmaktadır. Örneğin bir futbol maçı sırasında oyundaki topu takip etmek, bir kriket sopasının hareketini izlemek veya bir videodaki herhangi bir kişiyi veyahut kişileri izlemek gibi durumlarda etmek için kullanılır. Nesne tespiti insansız araçlarda nesnelerin konumlarını takip etmede ve nesnelerin sınıflandırılmasında da kullanılan temel bir yöntemdir. Elde edilen konum ve sınıf verisi ile araçların reaksiyon vermesi ve veriyi değerlendirmesi amaçlanmaktadır.
Konsept
Her nesne sınıfının, sınıfının sınıflandırılmasına yardımcı olan kendine özgü vardır - örneğin, tüm daireler yuvarlaktır, deniz mavidir, ağaçların yaprakları yeşildir vb. Nesnenin sınıfı tespit edilirken, sınıflara ait olan bu özellikler kullanılır. Örneğin, herhangi bir daire ararken, bir noktadan (yani merkezden) belirli bir uzaklıkta bulunan nesneler aranır, merkezden uzaklıkları kabul edilebilir bir aralıkta olan bu noktalar bütünü daire olarak sınıflandırılabilir. Benzer şekilde, kareler ararken , köşelerde dik olan ve kenar uzunlukları eşit olan nesnelere ihtiyaç vardır. Benzer bir yaklaşım, gözlerin, burnun ve dudakların bulunabildiği ve ten rengi ve gözler arasındaki mesafe gibi bulunabildiği yüz tanımlaması için kullanılır. Nesnelerin şekillerinin tespit için kullanılan özelliklerden olmasının yanında aynı nesnelerin renkleri de tespit için kullanılan önemli özelliklerdendir. Bir trafik lambasında yeşil, sarı ve kırmızı renklerin nesnenin tespiti için önemli bir özelliktir. 3'lü, 2'li ve tek olan trafik lambalarında nesnelerin kendine özgü özelliklerinden olan renkleri kullanmak önem arz etmektedir.
Yöntemler
Nesne tespiti yöntemleri genellikle sinir ağı tabanlı veya sinirsel olmayan yaklaşımlara girer. Sinirsel olmayan yaklaşımlar için, önce aşağıdaki yöntemlerden birini kullanarak özellikleri tanımlamak, ardından sınıflandırmayı yapmak için destek vektör makinesi (SVM) gibi bir teknik kullanmak gerekli hale gelir. Öte yandan, sinir teknikleri, özellikleri özel olarak tanımlamadan uçtan uca nesne algılaması yapabilir ve tipik olarak evrişimli sinir ağlarına (CNN) dayanır.
- Sinirsel olmayan yaklaşımlar:
- dayalı
- özellikleri
- Sinir ağı yaklaşımları:
- Bölge Önerileri (R-CNN, Hızlı R-CNN, Daha Hızlı R-CNN, kademeli R-CNN. )
- Tek Atış Çoklu Kutu Dedektörü (SSD)
- Sadece Bir Kez Bakarsın (YOLO)
- Nesne Algılama için Tek Atım İyileştirme Sinir Ağı (RefineDet)
- Retina-Net
- Deforme edilebilir evrişimli ağlar
Gerçek zamanlı (anlık) nesne tespitinde, anlık elde edilen görüntüyü işleyip nesne veyahut nesnelerin tespiti esas olduğu için performansı yüksek, doğru ve kesin sonuç üretebilen algoritmalar kullanılır. YOLO (You Only Look Once) Tek Bir Sefer Bak algoritmaları bu alandaki performans, kesinlik ve doğruluk açısından tatmin edici sonuçlar verebilen önde gelen algoritmalardandır. Sinir ağı yaklaşımını temel alan YOLO algoritmaları farklı nesne tespit yapılarını (framework) kullanmaktadır.
- Darknet Yolov2 9 Mayıs 2021 tarihinde Wayback Machine sitesinde .
- Darknet Yolov3 6 Mayıs 2021 tarihinde Wayback Machine sitesinde .
- Darknet Yolov4 4 Mayıs 2021 tarihinde Wayback Machine sitesinde .
- PyTorch Yolov3 9 Kasım 2020 tarihinde Wayback Machine sitesinde .
- PyTorch Yolov5 28 Nisan 2021 tarihinde Wayback Machine sitesinde .
Kullanılacak olan gerçek zamanlı nesne tespit algoritmalarında, algoritmanın yüksek işlem gereksiniminden dolayı merkezi işlem birimi ile hesaplama yapmak yerine grafik işlemci birimi kullanmak yaygın bir tercihtir. Bu gereksinimden dolayı gerçek zamanlı nesne tespit algoritmaları çalıştırılacakları donanımsal yeterliliklere göre tasarlanır ve kullanılır. Bir akıllı telefondan elde edilecek işlem gücü ile grafik işleme birimine sahip bir bilgisayardan elde edilecek işlem güçleri birbirinden farklı olduğu için her iki sistemde de aynı gerçek zamanlı algoritma çalıştırılamaz.
Ayrıca bakınız
Kaynakça
Genel
- ^ Dasiopoulou, Stamatia, et al. "Knowledge-assisted semantic video object detection 1 Mart 2021 tarihinde Wayback Machine sitesinde .." IEEE Transactions on Circuits and Systems for Video Technology 15.10 (2005): 1210–1224.
- ^ Multimedia Image and Video Processing. CRC Press. 1 Mart 2012. ss. 331-. ISBN . 9 Mayıs 2021 tarihinde kaynağından . Erişim tarihi: 10 Mayıs 2021.
- ^ Wu, Jianxin, et al. "A scalable approach to activity recognition based on object use 22 Şubat 2021 tarihinde Wayback Machine sitesinde .." 2007 IEEE 11th international conference on computer vision. IEEE, 2007.
- ^ a b Bochkovskiy. "Yolov4: Optimal Speed and Accuracy of Object Detection". arXiv:2004.10934 $2.
- ^ Dalal, Navneet (2005). "Histograms of oriented gradients for human detection" (PDF). Computer Vision and Pattern Recognition. 1. 17 Haziran 2019 tarihinde kaynağından (PDF). Erişim tarihi: 10 Mayıs 2021.
- ^ Ross (2014). "Rich feature hierarchies for accurate object detection and semantic segmentation" (PDF). Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE: 580-587. doi:10.1109/CVPR.2014.81. ISBN . 2 Aralık 2019 tarihinde kaynağından (PDF). Erişim tarihi: 10 Mayıs 2021.
- ^ Girschick (2015). "Fast R-CNN" (PDF). Proceedings of the IEEE International Conference on Computer Vision: 1440-1448. 31 Ekim 2019 tarihinde kaynağından (PDF). Erişim tarihi: 10 Mayıs 2021.
- ^ Shaoqing (2015). "Faster R-CNN". Advances in Neural Information Processing Systems.
- ^ "SSD: Single shot multibox detector". Computer Vision – ECCV 2016. European Conference on Computer Vision. Lecture Notes in Computer Science. 9905. October 2016. ss. 21-37. doi:10.1007/978-3-319-46448-0_2. ISBN .
- ^ Redmon (2016). "You only look once: Unified, real-time object detection". Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.
- ^ Joseph Redmon. "YOLO9000: better, faster, stronger". arXiv:1612.08242 $2.
- ^ Joseph Redmon. "Yolov3: An incremental improvement". arXiv:1804.02767 $2.
- ^ Zhang (2018). "Single-Shot Refinement Neural Network for Object Detection". Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition: 4203-4212.
- ^ Lin (2020). "Focal Loss for Dense Object Detection". IEEE Transactions on Pattern Analysis and Machine Intelligence. 42 (2): 318-327. doi:10.1109/TPAMI.2018.2858826. (PMID) 30040631.
- ^ Jiangmiao Pang. "Libra R-CNN: Towards Balanced Learning for Object Detection". arXiv:1904.02701 $2.
- ^ Xizhou Zhu. "Deformable ConvNets v2: More Deformable, Better Results". arXiv:1811.11168 $2.
- ^ Jifeng Dai. "Deformable Convolutional Networks". arXiv:1703.06211 $2.
Özel
- . Vision.eecs.ucf.edu. 14 Temmuz 2013 tarihinde kaynağından arşivlendi. Erişim tarihi: 9 Ekim 2013.
- . Vision.ee.ethz.ch. 3 Haziran 2013 tarihinde kaynağından arşivlendi. Erişim tarihi: 9 Ekim 2013.
Dış bağlantılar
- Mekansal-zamansal eylem yerelleştirme 1 Mart 2021 tarihinde Wayback Machine sitesinde .
- Video nesnesi algılama ve birlikte bölümleme 7 Eylül 2018 tarihinde Wayback Machine sitesinde .
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
Nesne tespiti dijital goruntulerde ve videolarda belirli bir siniftaki insanlar binalar veya arabalar gibi anlamsal nesnelerin orneklerini algilamakla ilgilenen bilgisayarla gorme ve goruntu isleme ile ilgili bir bilgisayar teknolojisidir Nesne tespiti bilgisayarla gorme ve goruntu islemeden farkli olarak algilanan nesnenin goruntu uzerinde koordinatlarinin bulunmasini icerir Bulunan koordinatlar ile nesnenin bir cerceve ile icine alinacagi alan da tespit edilmis olur Nesne tespiti gercek zamanli anlik ve gercek zamanli olmayan olarak ikiye ayrilir Uzerinde iyi arastirma yapilmis alanlar yuz tespiti ve Nesne tespiti goruntu alma ve video gozetimi dahil olmak uzere bilgisayarla gormenin bircok alaninda uygulamaya sahiptir OpenCV nin Derin Sinir Agi modulu dnn ile 80 ortak siniftaki nesneleri algilayabilen COCO veri kumesi uzerinde egitilmis bir YOLOv3 modeli kullanilarak tespit edilen nesneler KullanimlarYol uzerindeki nesnelerin algilanmasi yuz algilama yuz tanima gibi gorevlerinde yaygin olarak kullanilmaktadir Ornegin bir futbol maci sirasinda oyundaki topu takip etmek bir kriket sopasinin hareketini izlemek veya bir videodaki herhangi bir kisiyi veyahut kisileri izlemek gibi durumlarda etmek icin kullanilir Nesne tespiti insansiz araclarda nesnelerin konumlarini takip etmede ve nesnelerin siniflandirilmasinda da kullanilan temel bir yontemdir Elde edilen konum ve sinif verisi ile araclarin reaksiyon vermesi ve veriyi degerlendirmesi amaclanmaktadir KonseptHer nesne sinifinin sinifinin siniflandirilmasina yardimci olan kendine ozgu vardir ornegin tum daireler yuvarlaktir deniz mavidir agaclarin yapraklari yesildir vb Nesnenin sinifi tespit edilirken siniflara ait olan bu ozellikler kullanilir Ornegin herhangi bir daire ararken bir noktadan yani merkezden belirli bir uzaklikta bulunan nesneler aranir merkezden uzakliklari kabul edilebilir bir aralikta olan bu noktalar butunu daire olarak siniflandirilabilir Benzer sekilde kareler ararken koselerde dik olan ve kenar uzunluklari esit olan nesnelere ihtiyac vardir Benzer bir yaklasim gozlerin burnun ve dudaklarin bulunabildigi ve ten rengi ve gozler arasindaki mesafe gibi bulunabildigi yuz tanimlamasi icin kullanilir Nesnelerin sekillerinin tespit icin kullanilan ozelliklerden olmasinin yaninda ayni nesnelerin renkleri de tespit icin kullanilan onemli ozelliklerdendir Bir trafik lambasinda yesil sari ve kirmizi renklerin nesnenin tespiti icin onemli bir ozelliktir 3 lu 2 li ve tek olan trafik lambalarinda nesnelerin kendine ozgu ozelliklerinden olan renkleri kullanmak onem arz etmektedir YontemlerMicrosoft COCO testdev veri setinde http mscoco org 19 Kasim 2020 tarihinde Wayback Machine sitesinde hiz ve dogrulugunun karsilastirilmasi Tum degerler bu algoritmalarin yazarlari tarafindan https arxiv org 26 Ocak 2017 tarihinde Wayback Machine sitesinde makalelerinde bulunur Nesne tespiti yontemleri genellikle sinir agi tabanli veya sinirsel olmayan yaklasimlara girer Sinirsel olmayan yaklasimlar icin once asagidaki yontemlerden birini kullanarak ozellikleri tanimlamak ardindan siniflandirmayi yapmak icin destek vektor makinesi SVM gibi bir teknik kullanmak gerekli hale gelir Ote yandan sinir teknikleri ozellikleri ozel olarak tanimlamadan uctan uca nesne algilamasi yapabilir ve tipik olarak evrisimli sinir aglarina CNN dayanir Sinirsel olmayan yaklasimlar dayali ozellikleri Sinir agi yaklasimlari Bolge Onerileri R CNN Hizli R CNN Daha Hizli R CNN kademeli R CNN Tek Atis Coklu Kutu Dedektoru SSD Sadece Bir Kez Bakarsin YOLO Nesne Algilama icin Tek Atim Iyilestirme Sinir Agi RefineDet Retina Net Deforme edilebilir evrisimli aglar Gercek zamanli anlik nesne tespitinde anlik elde edilen goruntuyu isleyip nesne veyahut nesnelerin tespiti esas oldugu icin performansi yuksek dogru ve kesin sonuc uretebilen algoritmalar kullanilir YOLO You Only Look Once Tek Bir Sefer Bak algoritmalari bu alandaki performans kesinlik ve dogruluk acisindan tatmin edici sonuclar verebilen onde gelen algoritmalardandir Sinir agi yaklasimini temel alan YOLO algoritmalari farkli nesne tespit yapilarini framework kullanmaktadir Darknet Yolov2 9 Mayis 2021 tarihinde Wayback Machine sitesinde Darknet Yolov3 6 Mayis 2021 tarihinde Wayback Machine sitesinde Darknet Yolov4 4 Mayis 2021 tarihinde Wayback Machine sitesinde PyTorch Yolov3 9 Kasim 2020 tarihinde Wayback Machine sitesinde PyTorch Yolov5 28 Nisan 2021 tarihinde Wayback Machine sitesinde Kullanilacak olan gercek zamanli nesne tespit algoritmalarinda algoritmanin yuksek islem gereksiniminden dolayi merkezi islem birimi ile hesaplama yapmak yerine grafik islemci birimi kullanmak yaygin bir tercihtir Bu gereksinimden dolayi gercek zamanli nesne tespit algoritmalari calistirilacaklari donanimsal yeterliliklere gore tasarlanir ve kullanilir Bir akilli telefondan elde edilecek islem gucu ile grafik isleme birimine sahip bir bilgisayardan elde edilecek islem gucleri birbirinden farkli oldugu icin her iki sistemde de ayni gercek zamanli algoritma calistirilamaz Ayrica bakinizDerin ogrenme Makine ogrenmesiKaynakcaGenel Dasiopoulou Stamatia et al Knowledge assisted semantic video object detection 1 Mart 2021 tarihinde Wayback Machine sitesinde IEEE Transactions on Circuits and Systems for Video Technology 15 10 2005 1210 1224 Multimedia Image and Video Processing CRC Press 1 Mart 2012 ss 331 ISBN 978 1 4398 3087 1 9 Mayis 2021 tarihinde kaynagindan Erisim tarihi 10 Mayis 2021 Wu Jianxin et al A scalable approach to activity recognition based on object use 22 Subat 2021 tarihinde Wayback Machine sitesinde 2007 IEEE 11th international conference on computer vision IEEE 2007 a b Bochkovskiy Yolov4 Optimal Speed and Accuracy of Object Detection arXiv 2004 10934 2 Dalal Navneet 2005 Histograms of oriented gradients for human detection PDF Computer Vision and Pattern Recognition 1 17 Haziran 2019 tarihinde kaynagindan PDF Erisim tarihi 10 Mayis 2021 Ross 2014 Rich feature hierarchies for accurate object detection and semantic segmentation PDF Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition IEEE 580 587 doi 10 1109 CVPR 2014 81 ISBN 978 1 4799 5118 5 2 Aralik 2019 tarihinde kaynagindan PDF Erisim tarihi 10 Mayis 2021 Girschick 2015 Fast R CNN PDF Proceedings of the IEEE International Conference on Computer Vision 1440 1448 31 Ekim 2019 tarihinde kaynagindan PDF Erisim tarihi 10 Mayis 2021 Shaoqing 2015 Faster R CNN Advances in Neural Information Processing Systems SSD Single shot multibox detector Computer Vision ECCV 2016 European Conference on Computer Vision Lecture Notes in Computer Science 9905 October 2016 ss 21 37 doi 10 1007 978 3 319 46448 0 2 ISBN 978 3 319 46447 3 Redmon 2016 You only look once Unified real time object detection Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Joseph Redmon YOLO9000 better faster stronger arXiv 1612 08242 2 Joseph Redmon Yolov3 An incremental improvement arXiv 1804 02767 2 Zhang 2018 Single Shot Refinement Neural Network for Object Detection Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 4203 4212 Lin 2020 Focal Loss for Dense Object Detection IEEE Transactions on Pattern Analysis and Machine Intelligence 42 2 318 327 doi 10 1109 TPAMI 2018 2858826 PMID 30040631 Jiangmiao Pang Libra R CNN Towards Balanced Learning for Object Detection arXiv 1904 02701 2 Xizhou Zhu Deformable ConvNets v2 More Deformable Better Results arXiv 1811 11168 2 Jifeng Dai Deformable Convolutional Networks arXiv 1703 06211 2 Ozel Vision eecs ucf edu 14 Temmuz 2013 tarihinde kaynagindan arsivlendi Erisim tarihi 9 Ekim 2013 Vision ee ethz ch 3 Haziran 2013 tarihinde kaynagindan arsivlendi Erisim tarihi 9 Ekim 2013 Dis baglantilarMekansal zamansal eylem yerellestirme 1 Mart 2021 tarihinde Wayback Machine sitesinde Video nesnesi algilama ve birlikte bolumleme 7 Eylul 2018 tarihinde Wayback Machine sitesinde