YOLOv4: Yüksek Hızlı ve Hassas Nesne Algılama#

Alexey Bochkovskiy tarafından 2020 yılında https://github.com/AlexeyAB/darknet adresinde yayınlanan son teknoloji ürünü gerçek zamanlı nesne dedektörü YOLOv4 için Ultralytics dokümantasyon sayfasına hoş geldin. YOLOv4, hız ile doğruluk arasında en uygun dengeyi sağlamak üzere tasarlanmıştır ve bu da onu pek çok uygulama için mükemmel bir seçim haline getirir.

YOLOv4 mimari şeması. En iyi gerçek zamanlı nesne tespiti için omurga (backbone), boyun (neck) ve baş (head) bileşenleri ile bunların birbirine bağlı katmanları dahil olmak üzere YOLOv4'ün karmaşık ağ tasarımını sergiler.

Giriş#

YOLOv4, You Only Look Once version 4 anlamına gelir. YOLOv3 gibi önceki YOLO sürümlerinin ve diğer nesne tespiti modellerinin kısıtlamalarını ele almak için geliştirilmiş gerçek zamanlı bir nesne tespiti modelidir. Diğer evrişimli sinir ağı (CNN) tabanlı nesne dedektörlerinden farklı olarak YOLOv4, yalnızca öneri sistemleri için değil, aynı zamanda bağımsız süreç yönetimi ve insan girdisinin azaltılması için de uygundur. Konvansiyonel grafik işleme birimleri (GPU'lar) üzerindeki çalışması uygun bir fiyata toplu kullanım sağlar ve eğitim için yalnızca tek bir GPU gerektirirken konvansiyonel bir GPU üzerinde gerçek zamanlı olarak çalışmak üzere tasarlanmıştır.

Mimari#

YOLOv4, performansını optimize etmek için birlikte çalışan birkaç yenilikçi özellikten yararlanır. Bunlar arasında Ağırlıklı Artık Bağlantılar (WRC), Aşamalar Arası Kısmi Bağlantılar (CSP), Çapraz mini-Toplu Normalizasyon (CmBN), Öz-çekişmeli eğitim (SAT), Mish aktivasyonu, Mozaik veri artırma, DropBlock düzenlileştirme ve CIoU kaybı yer alır. Bu özellikler, en son teknoloji sonuçlarına ulaşmak için birleştirilir.

Tipik bir nesne dedektörü girdi, omurga, boyun ve baştan oluşan birkaç parçadan meydana gelir. YOLOv4'ün omurgası ImageNet üzerinde önceden eğitilmiştir ve nesnelerin sınıflarını ve sınırlayıcı kutularını tahmin etmek için kullanılır. Omurga; VGG, ResNet, ResNeXt veya DenseNet dahil olmak üzere çeşitli modellerden gelebilir. Dedektörün boyun kısmı, farklı aşamalardan öznitelik haritalarını toplamak için kullanılır ve genellikle birkaç aşağıdan yukarıya yol ile birkaç yukarıdan aşağıya yol içerir. Baş kısmı ise son nesne tespitlerini ve sınıflandırmalarını yapmak için kullanılan kısımdır.

Ücretsiz Araçlar Çantası (Bag of Freebies)#

YOLOv4 ayrıca çıkarım maliyetini artırmadan eğitim sırasında modelin doğruluğunu artıran teknikler olan "ücretsizler torbası" (bag of freebies) olarak bilinen yöntemlerden de yararlanır. Veri artırma, modelin sağlamlığını artırmak için girdi görüntülerinin değişkenliğini artıran, nesne tespitinde kullanılan yaygın bir ücretsizler torbası tekniğidir. Veri artırmaya bazı örnekler arasında fotometrik bozulmalar (bir görüntünün parlaklığını, kontrastını, tonunu, doygunluğunu ve gürültüsünü ayarlama) ve geometrik bozulmalar (rastgele ölçekleme, kırpma, döndürme ve çevirme ekleme) yer alır. Bu teknikler modelin farklı görüntü türlerine daha iyi genelleme yapmasına yardımcı olur.

Özellikler ve Performans#

YOLOv4, nesne tespitinde en yüksek hız ve doğruluk için tasarlanmıştır. YOLOv4'ün mimarisi omurga olarak CSPDarknet53'ü, boyun olarak PANet'i ve tespit başlığı olarak YOLOv3'ü içerir. Bu tasarım, YOLOv4'ün etkileyici bir hızda nesne tespiti gerçekleştirmesine olanak tanıyarak onu gerçek zamanlı uygulamalar için uygun hale getirir. YOLOv4 ayrıca doğruluk konusunda da başarılıdır ve COCO gibi nesne tespiti kıyaslamalarında en son teknoloji sonuçlarına ulaşır.

YOLOv5 ve YOLOv7 gibi YOLO ailesindeki diğer modellerle karşılaştırıldığında YOLOv4, hız ve doğruluk arasındaki dengede güçlü konumunu korur. Daha yeni modeller bazı avantajlar sunabilse de YOLOv4'ün mimari yenilikleri, onu gerçek zamanlı performans gerektiren birçok uygulama için hala geçerli kılmaktadır.

Kullanım Örnekleri#

YOLOv4, Darknet tabanlı bir modeldir ve Ultralytics Python paketi tarafından yerel olarak desteklenmemektedir: ultralytics/assets adresinde yayınlanmış yolov4.pt ön eğitimli ağırlıkları ve ultralytics/cfg/models/v4/ YAML dosyaları bulunmamaktadır. Bu sayfa mimari bir referans olarak tutulmaktadır. YOLOv4 çalıştırmakla ilgilenen kullanıcılar, kurulum ve kullanım talimatları için doğrudan YOLOv4 GitHub deposuna başvurmalıdır.

İşte YOLOv4'ü kullanmak için atabileceğin tipik adımlara kısa bir genel bakış:

1. YOLOv4 GitHub deposunu ziyaret et: https://github.com/AlexeyAB/darknet.

2. Kurulum için README dosyasında verilen talimatları izle. Bu genellikle depoyu klonlamayı, gerekli bağımlılıkları yüklemeyi ve gerekli ortam değişkenlerini ayarlamayı içerir.

3. Kurulum tamamlandığında, depoda sağlanan kullanım talimatlarına göre modeli eğitebilir ve kullanabilirsin. Bu genellikle veri setini hazırlamayı, model parametrelerini yapılandırmayı, modeli eğitmeyi ve ardından eğitilmiş modeli nesne algılama gerçekleştirmek için kullanmayı içerir.

Belirli adımların kullanım durumuna ve YOLOv4 deposunun mevcut durumuna bağlı olarak değişebileceğini lütfen unutma. Bu nedenle, doğrudan YOLOv4 GitHub deposunda sağlanan talimatlara başvurman önemle tavsiye edilir.

Ultralytics çerçevesi içinde eğitim ve çıkarım için YOLO11 veya YOLO26 sayfalarına göz at.

Sonuç#

YOLOv4, hız ile doğruluk arasında bir denge kuran güçlü ve verimli bir nesne tespiti modelidir. Eğitim sırasında benzersiz özellikler ve ücretsizler torbası teknikleri kullanması, gerçek zamanlı nesne tespiti görevlerinde mükemmel performans göstermesini sağlar. YOLOv4, konvansiyonel bir GPU'su olan herkes tarafından eğitilebilir ve kullanılabilir; bu da onu gözetim sistemleri, otonom araçlar ve endüstriyel otomasyon dahil olmak üzere çok çeşitli uygulamalar için erişilebilir ve pratik hale getirir.

Projelerinde nesne tespiti uygulamak isteyenler için YOLOv4, özellikle gerçek zamanlı performans bir öncelik olduğunda güçlü bir aday olmaya devam etmektedir. Ultralytics şu anda YOLO11 ve YOLO26 gibi daha yeni YOLO sürümlerini desteklemeye odaklansa da YOLOv4'te sunulan mimari yenilikler bu sonraki modellerin geliştirilmesini etkilemiştir.

Alıntılar ve Teşekkür#

Gerçek zamanlı nesne algılama alanına yaptıkları önemli katkılardan dolayı YOLOv4 yazarlarına teşekkür ederiz:

@misc{bochkovskiy2020yolov4,
      title={YOLOv4: Optimal Speed and Accuracy of Object Detection},
      author={Alexey Bochkovskiy and Chien-Yao Wang and Hong-Yuan Mark Liao},
      year={2020},
      eprint={2004.10934},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Orijinal YOLOv4 makalesi arXiv üzerinde bulunabilir. Yazarlar çalışmalarını kamuoyuna açık hale getirmişlerdir ve kod tabanına GitHub üzerinden erişilebilir. Alanı ilerlettikleri ve çalışmalarını daha geniş topluluğun erişimine sundukları için çabalarını takdir ediyoruz.

SSS#

YOLOv4 nedir ve nesne tespiti için neden kullanmalıyım?#

"You Only Look Once version 4" anlamına gelen YOLOv4, 2020 yılında Alexey Bochkovskiy tarafından geliştirilmiş, en son teknoloji ürünü gerçek zamanlı bir nesne tespiti modelidir. Hız ile doğruluk arasında en uygun dengeyi sağlayarak onu gerçek zamanlı uygulamalar için son derece uygun hale getirir. YOLOv4'ün mimarisi, en son teknoloji sonuçlarına ulaşmak için Ağırlıklı Artık Bağlantılar (WRC), Aşamalar Arası Kısmi Bağlantılar (CSP) ve Öz-çekişmeli eğitim (SAT) gibi birkaç yenilikçi özelliği bünyesinde barındırır. Konvansiyonel GPU'larda verimli bir şekilde çalışan yüksek performanslı bir model arıyorsan YOLOv4 mükemmel bir seçenektir.

YOLOv4'ün mimarisi performansını nasıl artırıyor?#

YOLOv4'ün mimarisi birkaç temel bileşeni içerir: omurga, boyun ve baş. VGG, ResNet veya CSPDarknet53 gibi modeller olabilen omurga, sınıfları ve sınırlayıcı kutuları tahmin etmek için önceden eğitilmiştir. PANet kullanan boyun, kapsamlı veri çıkarma için farklı aşamalardaki öznitelik haritalarını birbirine bağlar. Son olarak, YOLOv3'ün yapılandırmalarını kullanan baş kısmı son nesne tespitlerini gerçekleştirir. YOLOv4 ayrıca mozaik veri artırma ve DropBlock düzenlileştirmesi gibi "ücretsizler torbası" teknikleri kullanarak hız ve doğruluğunu daha da optimize eder.

YOLOv4 bağlamında "bag of freebies" nedir?#

"Bag of freebies" (ücretsiz araçlar çantası), çıkarım maliyetini artırmadan YOLOv4'ün eğitim doğruluğunu artıran yöntemleri ifade eder. Bu teknikler, fotometrik bozulmalar (parlaklık, kontrast vb. ayarlama) ve geometrik bozulmalar (ölçeklendirme, kırpma, çevirme, döndürme) gibi çeşitli veri artırma biçimlerini içerir. Giriş görüntülerinin değişkenliğini artırarak, bu artırmalar YOLOv4'ün farklı görüntü türlerine daha iyi genelleme yapmasına yardımcı olur, böylece gerçek zamanlı performansından ödün vermeden dayanıklılığını ve doğruluğunu artırır.

YOLOv4 neden geleneksel GPU'larda gerçek zamanlı nesne algılama için uygun kabul edilir?#

YOLOv4, hem hızı hem de doğruluğu optimize etmek için tasarlanmıştır; bu da onu hızlı ve güvenilir performans gerektiren gerçek zamanlı nesne tespiti görevleri için ideal kılar. Hem eğitim hem de çıkarım için yalnızca bir tane gerektirerek konvansiyonel GPU'lar üzerinde verimli bir şekilde çalışır. Bu, onu öneri sistemlerinden bağımsız süreç yönetimine kadar çeşitli uygulamalar için erişilebilir ve pratik hale getirerek kapsamlı donanım kurulumlarına olan ihtiyacı azaltır ve gerçek zamanlı nesne tespiti için uygun maliyetli bir çözüm sunar.

Ultralytics şu anda desteklemiyorsa YOLOv4 ile nasıl başlayabilirim?#

YOLOv4 ile başlamak için resmi YOLOv4 GitHub deposunu ziyaret etmelisin. Tipik olarak depoyu klonlamayı, bağımlılıkları yüklemeyi ve ortam değişkenlerini ayarlamayı içeren README dosyasında sağlanan kurulum talimatlarını takip et. Kurulum tamamlandıktan sonra veri setini hazırlayarak, model parametrelerini yapılandırarak ve sağlanan kullanım talimatlarını takip ederek modeli eğitebilirsin. Ultralytics şu anda YOLOv4'ü desteklemediğinden, en güncel ve ayrıntılı rehberlik için doğrudan YOLOv4 GitHub sayfasına başvurman önerilir.