Giriş
Nesne tespiti, görüntülerde nesneleri tanımlama gibi görevleri kapsayan bilgisayarla görme alanında kritik bir alandır. Bu, gözetim, sağlık hizmetleri ve otonom araçlar gibi çeşitli sektörlerde pratik uygulamalara sahiptir. Tek Aşamalı Nesne Tespit Cihazları, nesne sınıflarını ve sınırlayıcı kutu koordinatlarını doğrudan tahmin eden nesne tespit modellerinin bir alt kümesidir ve başlangıçta bir bölge öneri aşamasına ihtiyaç duymaz. Bu süreçleri basitleştirir ve özellikle gerçek zamanlı uygulamalar için faydalıdır. Öne çıkan bir örnek, nesne tespitinde verimli tek aşamalı yaklaşımıyla tanınan YOLO (You Only Look Once) model ailesidir; bu modeller hızın kritik olduğu senaryolar için uygun olup doğruluktan ödün vermemektedir.
YOLO
Nesne tespiti alanında devrim yaratan YOLO (You Only Look Once), nesne tespitini tek aşamalı bir regresyon görevi olarak ele alma öncülüğünü getiren bir atılım olarak öne çıkmaktadır. Bu yenilikçi yaklaşım, nesne konumlarını ve bunların karşılık gelen sınıf tanımlarını tahmin etmek için görüntüyü yalnızca bir kez inceleyen bir tespit mimarisi içermektedir.
YOLOv5
YOLOv5 serisi, MS COCO veri setinde önceden eğitilmiş bir dizi nesne tespit mimarisi sunmaktadır. Lansmanından sonra, EfficientDet ve YOLOv4 tanıtılmıştır. Şu anda, YOLOv5 resmi bir en son model olarak öne çıkmakta olup, geniş destek ve üretim senaryolarında geliştirilmiş kullanılabilirlikten faydalanmaktadır.
YOLOv5’in dikkat çekici yönü, Darknet çerçevesinin kısıtlamalarını ele alan PyTorch’taki yerel uygulamasıdır. C programlama dilinde inşa edilen Darknet, üretim odaklı bir bakış açısına sahip değildir. Darknet, araştırma amaçları için değerli olsa da, daha küçük bir topluluğa ve sınırlı desteğe sahiptir.
YOLO’nun PyTorch’a geçişi, mimari değişikliklerini basitleştirir ve çeşitli ortamlarda sorunsuz dağıtım sağlar. Ayrıca, YOLOv5, resmi bir en son model olarak Torch Hub vitrininde yer almaktadır. Bu versiyonun PyTorch uygulaması, Darknet çerçevesinin getirdiği kısıtlamaları ortadan kaldırarak, üretim bağlamları için uygulanabilirliğini optimize etmektedir.
“““html
YOLOv5n
YOLOv5n ve YOLOv5n6 modelleri, Nano modelleri olarak bilinir ve seleflerine kıyasla yaklaşık %75 oranında önemli bir parametre azaltımı sergilemektedir. Parametre sayısı 7.5 milyon dan 1.9 milyona düşerek, mobil cihazlar ve CPU’lar üzerinde dağıtım için uygun hale gelmektedir. Görsel temsil, YOLOv5’in çeşitli EfficientDet sürümlerine kıyasla belirgin şekilde üstün bir performans sergilediğini de vurgulamaktadır.
Özellikle, YOLOv5’in en küçük versiyonu olan YOLOv5n6, hız açısından EfficientDet’i geride bırakarak karşılaştırılabilir bir doğruluk seviyesine ulaşmaktadır. Bu gözlem, YOLOv5’in hızlı bir şekilde doğru sonuçlar sunmadaki verimliliğini vurgulamakta ve performans ile hızlı işlem yapmanın önemli olduğu senaryolar için özellikle tercih edilen bir seçenek haline getirmektedir.
Demo
Kaynak kısıtlı cihazlar, örneğin Raspberry Pi üzerinde bir modeli dağıtmadan önce, genellikle optimal performansı sağlamak için model dönüştürme ve kuantizasyon işlemleri gerçekleştirmek önemlidir. Bu, bir PyTorch modelini (.pt formatında) TensorFlow Lite (TFLite) modeline dönüştürmeyi ve özellikle uint8 veri tipine kuantizasyon yapmayı içermektedir.
Elbette, eğitim amaçları için kendi özel veri setinizi kullanma esnekliğine sahip olduğunuzu belirtmek gerekir. Endüstriyel uygulamalar için tasarlanmış Raspberry Pi CM4 ile güçlendirilmiş reTerminal DM, yeteneklerini pratik bir gösterimle sergilemekte oldukça yeteneklidir. Bu özel gösterimde, inşaat alanında nesne tespiti örneklenmekte ve özellikle Kişisel Koruyucu Ekipman (PPE) setlerini tanımlama konusundaki etkinliği vurgulanmaktadır—bu endüstride güvenliğin kritik bir yönüdür.
Modeli reTerminal’ınıza klonlamak ve oynamak için bu referans sitelerini ziyaret edebilirsiniz.
“`
- https://github.com/KasunThushara/yoloV5n_RPI
- https://github.com/ultralytics/yolov5
Sonuç
Sonuç olarak, reTerminal DM içindeki son teknoloji nesne algılama yeteneklerinin entegrasyonu, çok sayıda endüstriyel uygulama için önemli bir ilerlemeyi temsil etmektedir. YOLOv5n’in hassas ve gerçek zamanlı nesne algılama gücünden yararlanarak, bu uyumlu cihaz, endüstrilerin operasyonları yönetme şeklini yeniden tanımlamakta, verimlilik, güvenlik ve üretkenliği artırmaktadır. Kalite kontrolünü geliştirmek, işçileri korumak, varlık yönetimini optimize etmek veya öngörücü bakımda devrim yaratmak olsun, reTerminal DM’in yenilikçi özelliklerinin sağlam nesne algılama ile birleşimi, endüstriyel cihaz yönetimi ve veri akışı için akıllı, entegre ve verimli yaklaşımlara zemin hazırlamaktadır. Olasılıklar geniştir ve bu iş birliği, endüstrileri akıllı ve proaktif karar verme çağının yeni bir dönemine taşımayı vaat etmektedir; burada her nesne ve varlık, eşi benzeri görülmemiş bir doğruluk ve içgörü ile izlenebilir ve kullanılabilir.
Seeed Studio’nun Raspberry Pi Ekosistemi
Seeed Studio, 2013 yılından beri Raspberry Pi kullanıcı topluluğuna hizmet vermekte ve onaylı bir satıcı ve tasarım ortağı olma konusunda öncülük etmektedir. 2021 yılında reTerminal’ın ilk versiyonundan bu yana, yaratıcılar, yapımcılar, meraklılar, öğrenciler, mühendisler, işletmeler ve her Raspberry Pi’ye ihtiyaç duyan senaryo için reRouter, kenar kontrol cihazı serisi ve bu yıl reTerminal DM dahil olmak üzere bir dizi ürün sunmaktayız.
“`html
Daha Fazla Kaynak
- Daha fazla ürün, tam sistem cihazları, özelleştirme hizmetleri ve kullanım senaryolarını Seeed Raspberry Pi sayfasında keşfedin.
- Seeed ve Seeed’in Raspberry Pi destekli ürün ve çözümlerinin gerçek dünya zorluklarını nasıl aştığını öğrenmek için en son Raspberry Pi başarı hikayeleri broşürümüzü indirin. Raspberry Pi’ye dayalı herhangi bir özelleştirme ihtiyacınız varsa, lütfen özelleştirme hizmetlerimizi kontrol edin.
- İhtiyaçlarınıza uygun olanları bulmak için en son ürün kataloğumuzu indirin.
- Daha fazla özelleştirme olasılıklarını tartışmak isterseniz, lütfen özelleştirme hizmetlerimizi kontrol edin ve daha derin bir tartışma ve değerlendirme için inquiry@seeed.cc adresine talebinizi gönderin.