Bilgisayarla görme ve yapay zeka alanında, geliştiriciler şu anda büyük bir zorlukla karşı karşıya: en son modellerin gösterdiği nesne tespiti doğruluğu ile pratik uygulamalarda elde edilen gerçek sonuçlar arasındaki belirgin fark. Bu farklılık, çok sayıda teknik zorluktan kaynaklanmaktadır – Öncelikle, bu modeller genellikle gerçek dünya ortamlarında yeniden oluşturulması zor olan büyük veri setleri ve hesaplama kaynaklarına dayanır. Ayrıca, alan adaptasyonu, ince ayar karmaşıklıkları ve eğitim verilerindeki yerleşik önyargılar gibi sorunlar, yüksek doğruluk arayışını daha da karmaşık hale getirir.
Bu yolculukta, bu sorunu doğrudan ele almak için bir dizi yöntem ve stratejiyi keşfedeceğiz ve geliştiricilerin nesne tespiti sistemlerini bu ileri düzey modellerin belirlediği yüksek standartlara nasıl uyarlayabileceklerine dair içgörüler sunacağız.
Gerçek tespit doğruluğu neden bu kadar umut verici değil?
Daha önce de belirttiğimiz gibi, gerçek senaryolarda umut verici nesne tespiti doğruluğuna ulaşmadaki eksiklik, orijinal eğitim ve test veri setleri ile gerçek dünya dağıtım verileri veya görüntüleri arasındaki farklılıklardan kaynaklanan birkaç karmaşıklığa atfedilebilir.
- Bir tür nesneye dayalı durum kategorisi: (örneğin: taze elma vs. çürük elma) Bu tutarsızlığın birincil kaynaklarından biri, nesne kategorilerindeki yerleşik varyasyondur. COCO veri seti geniş bir nesne kategorisi yelpazesini kapsarken, gerçek dünya senaryoları daha önce görülmemiş veya daha az temsil edilen kategorileri tanıtarak modelin doğru bir şekilde genelleme yapma yeteneğini zorlar.
- Nesne yönleri ve görüntü açıları arasındaki varyasyonlar: dağıtım senaryolarında karşılaşılanlar, eğitim verilerinin kontrollü ortamlarından önemli ölçüde farklılık gösterebilir ve bu da tatmin edici performans elde edilmesini engelleyebilir.
- Işık koşulları: aydınlatma seviyeleri ve ortamlar arasındaki varyasyonlar, başlangıçta iyi aydınlatılmış, standartlaştırılmış görüntülerle eğitilmiş modeller için önemli bir zorluk teşkil eder.
Sonuç olarak, bu tutarsızlıklar topluca istenen tespit doğruluğunu elde etme konusunda teknik bir engel teşkil etmekte ve eğitim verileri ile gerçek dünya dağıtım senaryoları arasındaki boşluğu kapatmak için yenilikçi çözümler ve teknikler gerektirmektedir.
Optimize edebileceğimiz mevcut yöntem
1. Genelleştirmeyi Zenginleştirmek için Veri Setini Genişletme:
Nesne tespiti doğruluğunu artırmanın en etkili ve maliyet açısından verimli stratejilerinden biri veri setini genişletmektir. Bu, dağıtım sahnelerine özel olarak ek veri toplamak anlamına gelir. Böylece, yalnızca eğitim için mevcut veri hacmini artırmakla kalmaz, aynı zamanda modelimizin gerçek dünya senaryolarının sunduğu benzersiz zorluklarla karşılaşmasını sağlarız. Eksik verilerin yönetimi ve etiketleme hassasiyetinin artırılması, bu sürecin temel yönleridir.
2. Geliştirilmiş Anlayış için Özellik Çıkartma:
Mevcut verilerden daha fazla bilgi çıkararak ve yeni özellikler oluşturarak, modelin eğitim verilerinin inceliklerini yorumlama ve anlama yeteneğini artırırız. Değişken çarpıklık ve aykırı değerler gibi sorunları dikkatli özellik mühendisliği ile ele almak, bu zorlukların model performansı üzerindeki etkisini azaltabilir ve nihayetinde daha sağlam ve doğru nesne tespiti ile sonuçlanabilir.
3. Daha İyi Performans için Birden Fazla Algoritmayı Kullanma:
Birden fazla algoritmanın birleştirilmesi, nesne tespiti doğruluğunda önemli iyileştirmeler sağlayabilir. Önemli bir örnek, çok ölçekli özellik etkileşimi için tasarlanmış devrim niteliğindeki YOLO-ReT modülünün tanıtılmasıdır. Bu yenilikçi yaklaşım, en son yöntemlerdeki çeşitli özellik ölçekleri arasındaki daha önce keşfedilmemiş kombinatoryal bağlantıları kullanır. YOLO-ReT, MobileNetV2×0.75 omurgası ile eşleştirildiğinde, yalnızca 68.75 mAP ile Pascal VOC ve 34.91 mAP ile COCO üzerinde dikkate değer bir doğruluk elde etmekle kalmaz, aynı zamanda 3.05 mAP ve 0.91 mAP ile rakiplerini geride bırakarak üstün hız sunar; tüm bunlar NVIDIA Jetson Nano gibi platformlarda gerçek zamanlı olarak çalışırken gerçekleşir. Bu yenilikçi yaklaşım, nesne tespitinde bir paradigma değişimini temsil ederek hem hassasiyet hem de verimlilik sunmaktadır.
Sonraki adım – kendi veri setinizle modeli eğitme egzersizi yapmak
Uygulama mühendisimiz Lakshantha’nın Roboflow aracılığıyla veri setinizi daha iyi nasıl etiketleyeceğinizi öğrenmek için wiki rehberini takip edin ve ardından kendi veri setinizle YOLOv8 kullanarak modelinizi nasıl eğiteceğinizi öğrenin:
1. Roboflow’u kullanarak modelinizi çalışma alanına getirin, ardından özel Roboflow API’sini kopyalayın
2. Roboflow çalışma alanını Ultralytics HUB’a ekleyin
3. Model mimarisi olarak YOLOv8s ile modeli eğitin, Roboflow çalışma alanınızda gezinebildiğiniz veri setini kullanarak
4. Eğitim sürecine kolayca başlamak ve eğitim ilerlemesini gerçek zamanlı olarak görüntülemek için Google Colab defterini Ultralytics HUB ile bağlayın
5. Model performansını kontrol etmek için Ultralytics HUB Önizleme sekmesinde bir test görüntüsü yükleyin ve sonunda YOLOv8 ile çıkarım yapmak için tercih ettiğiniz formatta eğitilmiş modeli indirin
Seeed NVIDIA Jetson Ekosistemi
Seeed, NVIDIA Partner Network‘deki kenar AI için bir Elite ortaktır. Daha fazla taşıyıcı kart, tam sistem cihazları, özelleştirme hizmetleri, kullanım durumları ve geliştirici araçları için Seeed’in NVIDIA Jetson ekosistemi sayfasını keşfedin.
Bizimle AI inovasyonunun ön saflarında yer alın! Keskin donanım ve teknolojinin gücünü kullanarak makine öğreniminin gerçek dünyada farklı sektörlerdeki dağıtımını devrim niteliğinde değiştirin. Geliştiricilere ve işletmelere mevcut en iyi ML çözümlerini sunma misyonumuzun bir parçası olun. Daha fazla edge AI olasılığını keşfetmek için başarılı vakalar kataloğumuzu göz atın!
İlk adımı atın ve bu heyecan verici yolculuğun bir parçası olmak için bize bir e-posta gönderin: edgeai@seeed.cc !
Size uygun bir seçenek bulmak için en son Jetson Kataloğumuzu indirin. İhtiyaçlarınıza uygun hazır Jetson donanım çözümünü bulamazsanız, lütfen özelleştirme hizmetlerimizi kontrol edin ve değerlendirme için bize yeni bir ürün talebi gönderin: odm@seeed.cc.