Başla

YOLOv4: Yüksek Hızlı ve Hassas Nesne Algılama

YOLOv4, 2020'de Alexey Bochkovskiy, Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından AlexeyAB/darknet deposunda yayımlanan gerçek zamanlı bir nesne algılayıcısıdır. Hız ve doğruluk arasında ideal bir denge sağlamak üzere tasarlanmıştır.

YOLOv4 mimari diyagramı YOLOv4 mimari diyagramı. Diyagramda YOLOv4'ün omurga, boyun ve başlık bileşenleri ile katmanlarının bağlantıları gösterilir.

Giriş#

YOLOv4, You Only Look Once sürüm 4 anlamına gelir. YOLOv3 gibi önceki YOLO sürümlerinin ve diğer nesne tespiti modellerinin kısıtlamalarını gidermek üzere geliştirilmiş, gerçek zamanlı bir nesne tespiti modelidir. Önceki evrişimli sinir ağı (CNN) tabanlı algılayıcıların çoğu yalnızca öneri sistemlerinde kullanışlıyken, YOLOv4'ün gerçek zamanlı doğruluğu bağımsız süreç yönetimi ve insan girdisini azaltma için de uygundur. Geleneksel bir grafik işlem biriminde (GPU) gerçek zamanlı çalışır ve eğitim için yalnızca tek bir GPU gerektirir; bu da büyük ölçekte kullanım maliyetini düşük tutar.

Mimari#

YOLOv4, performansı artırmak için çeşitli teknikleri bir araya getirir. Bunlar arasında Weighted-Residual-Connections (WRC), Cross-Stage-Partial-connections (CSP), Cross mini-Batch Normalization (CmBN), Self-adversarial-training (SAT), Mish aktivasyonu, Mosaic veri artırma, DropBlock düzenlileştirme ve CIoU kaybı bulunur. Bu teknikler birlikte doğruluğu artırırken çıkarımın hızlı kalmasını sağlar.

Tipik bir nesne algılayıcısı; girdi, omurga, boyun ve başlık dahil çeşitli bileşenlerden oluşur. Omurga, ImageNet üzerinde önceden eğitilir ve girdi görüntüsünden özellikleri çıkarır. Yaygın algılayıcı omurgaları arasında VGG, ResNet, ResNeXt ve DenseNet bulunur; YOLOv4 ise CSPDarknet53 kullanır. Algılayıcının boyun bileşeni, farklı aşamalardaki özellik haritalarını toplar ve genellikle birkaç aşağıdan yukarıya ve yukarıdan aşağıya yol içerir. Başlık, nesnelerin sınıflarını ve sınırlayıcı kutularını tahmin etmek için bu özellikleri kullanır.

Ücretsiz Avantajlar Paketi#

YOLOv4, eğitim sırasında çıkarım maliyetini artırmadan modelin doğruluğunu iyileştiren teknikler olan "bag of freebies" yöntemlerinden de yararlanır. Veri artırma, nesne tespitinde kullanılan yaygın bir bag of freebies tekniğidir ve modelin sağlamlığını iyileştirmek için girdi görüntülerinin çeşitliliğini artırır. Veri artırma örnekleri arasında fotometrik bozulmalar (görüntünün parlaklığını, kontrastını, tonunu, doygunluğunu ve gürültüsünü ayarlama) ve geometrik bozulmalar (rastgele ölçekleme, kırpma, çevirme ve döndürme ekleme) bulunur. Bu teknikler, modelin farklı görüntü türlerine daha iyi genelleme yapmasına yardımcı olur.

Özellikler ve Performans#

YOLOv4, nesne tespitinde en iyi hız ve doğruluğu sağlamak üzere tasarlanmıştır. YOLOv4 mimarisinde omurga olarak CSPDarknet53, boyun olarak PANet ve tespit başlığı olarak YOLOv3 bulunur. Bu tasarım, YOLOv4'ün gerçek zamanlı uygulamalar için yeterince hızlı çalışmasını sağlar; yayımlandığında COCO gibi nesne tespiti kıyaslama testlerinde en gelişmiş doğruluk düzeyine ulaşmıştır.

YOLOv5 ve YOLOv7 gibi YOLO ailesindeki diğer modellerle karşılaştırıldığında YOLOv4, hız ve doğruluk dengesi için bir referans noktası olmayı sürdürür. Daha yeni modeller daha yüksek doğruluk ve daha kolay dağıtım sunarken, YOLOv4'ün mimari yenilikleri gerçek zamanlı performans gerektiren uygulamalar için önemini korur.

Kullanım Örnekleri#

YOLOv4, Darknet tabanlı bir modeldir ve Ultralytics Python paketi tarafından yerel olarak desteklenmez: ultralytics/assets üzerinde yayımlanmış yolov4.pt önceden eğitilmiş ağırlıkları ve ultralytics/cfg/models/v4/ YAML dosyaları yoktur. Bu sayfa, mimari başvuru kaynağı olarak tutulmaktadır. YOLOv4'ü çalıştırmak isteyen kullanıcılar kurulum ve kullanım yönergeleri için doğrudan YOLOv4 GitHub deposuna başvurmalıdır.

YOLOv4'ü kullanmak için izleyebileceğin tipik adımlara kısaca göz atalım:

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

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

  3. Kurulum tamamlandıktan sonra modeli depoda verilen kullanım yönergelerine göre eğitebilir ve kullanabilirsin. Bu işlem genellikle veri kümeni hazırlamayı, model parametrelerini yapılandırmayı, modeli eğitmeyi ve ardından eğitilmiş modeli nesne algılama için kullanmayı içerir.

Kesin adımlar kullanım senaryona ve YOLOv4 deposunun mevcut durumuna bağlıdır; bu nedenle YOLOv4 GitHub deposunda verilen talimatları izle.

Ultralytics çerçevesinde eğitim ve çıkarım için YOLO26 veya YOLO11 kullan.

Sonuç#

YOLOv4, hız ve doğruluğu dengeleyen verimli bir nesne tespiti modelidir. Mimari tercihleri ve bag-of-freebies eğitim teknikleri, gerçek zamanlı nesne tespiti görevlerinde iyi performans göstermesini sağlar. Geleneksel bir GPU'su olan herkes YOLOv4'ü eğitip kullanabilir; bu da modeli gözetim sistemleri, otonom araçlar ve endüstriyel otomasyon dahil pek çok uygulama için erişilebilir ve kullanışlı kılar.

Projelerinde nesne tespiti uygulamak isteyenler için YOLOv4, özellikle gerçek zamanlı performans öncelikliyse güçlü bir seçenektir. Ultralytics şu anda YOLO26 ve YOLO11 gibi daha yeni YOLO sürümlerini desteklemeye odaklansa da YOLOv4'te sunulan mimari yenilikler sonraki modellerin gelişimini etkilemiştir.

Atıflar ve Teşekkürler#

Gerçek zamanlı nesne algılama alanına önemli katkılarından dolayı YOLOv4 yazarlarına teşekkür etmek isteriz:

Atıf
@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}
}

YOLOv4 makalesinin aslına arXiv üzerinden ulaşabilirsin. Yazarlar çalışmalarını kamuya açık hâle getirmiştir ve kod tabanına GitHub üzerinden erişilebilir. Alanı ilerletme ve çalışmalarını daha geniş topluluğun erişimine sunma çabalarını takdir ediyoruz.

Sık Sorulan Sorular#

  • "You Only Look Once sürüm 4" anlamına gelen YOLOv4, Alexey Bochkovskiy ve çalışma arkadaşları tarafından 2020'de geliştirilen gerçek zamanlı bir nesne tespiti modelidir. Hız ile doğruluğu dengeleyerek gerçek zamanlı uygulamalar için uygun hâle gelir. YOLOv4 mimarisi; Weighted-Residual-Connections (WRC), Cross-Stage-Partial-connections (CSP) ve Self-adversarial-training (SAT) gibi teknikleri içerir; bu tekniklerin birleşimi, yayımlandığında en gelişmiş sonuçları elde etmesini sağlamıştır. YOLOv4 tek bir geleneksel GPU'da verimli çalışır; Ultralytics paketiyle yerel eğitim ve dağıtım için YOLO26'yı kullan.

  • YOLOv4 mimarisinde birkaç temel bileşen bulunur: omurga, boyun ve başlık. Omurga CSPDarknet53, ImageNet üzerinde önceden eğitilir ve özellikleri çıkarır. PANet kullanan boyun, farklı aşamalardaki özellik haritalarını bir araya getirir. Son olarak YOLOv3'ü temel alan başlık, nesnelerin sınıflarını ve sınırlayıcı kutularını tahmin eder. YOLOv4 ayrıca Mosaic veri artırma ve DropBlock düzenlileştirme gibi "bag of freebies" tekniklerini kullanarak hızını ve doğruluğunu daha da iyileştirir.

  • "Ücretsiz avantajlar paketi", çıkarım maliyetini artırmadan YOLOv4'ün eğitim doğruluğunu iyileştiren yöntemleri ifade eder. Bu teknikler; fotometrik bozulmalar (parlaklığı, kontrastı vb. ayarlama) ve geometrik bozulmalar (ölçekleme, kırpma, çevirme ve döndürme) gibi çeşitli veri artırma biçimlerini içerir. Girdi görüntülerinin çeşitliliğini artıran bu artırmalar, YOLOv4'ün farklı görüntü türlerine daha iyi genelleme yapmasına yardımcı olur; böylece gerçek zamanlı performanstan ödün vermeden sağlamlığı ve doğruluğu iyileşir.

  • YOLOv4, gerçek zamanlı nesne tespitinde hem hızı hem de doğruluğu optimize etmek için tasarlanmıştır. Hem eğitim hem de çıkarım için tek bir geleneksel GPU'da çalışır; bu da donanım maliyetini düşürür ve öneri sistemlerinden bağımsız süreç yönetimine kadar çeşitli uygulamalarda kullanışlı olmasını sağlar.

  • YOLOv4'ü kullanmaya başlamak için resmî YOLOv4 GitHub deposunu ziyaret etmelisin. Depoyu klonlamayı, bağımlılıkları yüklemeyi ve ortam değişkenlerini ayarlamayı içeren README dosyasındaki kurulum yönergelerini izle. Kurulum tamamlandıktan sonra veri kümeni hazırlayıp model parametrelerini yapılandırarak ve verilen kullanım yönergelerini izleyerek modeli eğitebilirsin. Ultralytics şu anda YOLOv4'ü desteklemediğinden, en güncel ve ayrıntılı yönergeler için doğrudan YOLOv4 GitHub deposuna başvurmanı öneririz.

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.