💫
Derin Öğrenme
  • 💫Derin Öğrenme Notları
  • 🚀English Version
  • 🦋Projeye Katkıda Bulunma
  • 💼Kullanışlı Araçlar
  • 💎Yapay Sinir Ağları Kavramları
    • 🌱Giriş
    • 🔎Esas Problem
    • 👷‍♀️ Yapay Sinir Ağlarının Uygulanması Üzerine Notlar
    • 📚Yapay Sinir Ağlarının Kavramları
    • 💥Yapay Sinir Ağlarında Aktivasyon Fonksiyonları
    • 🎈NN Uygulama İp Uçları
    • 👩‍🔧 NN Düzenlileştirme (Regularization)
    • ✨Optimizasyon Algoritmaları
    • 🎨Softmax Regression
    • 🏃‍♀️ Tensorflow'a Hızlı Giriş
    • 👩‍💻 Yapay Sinir Ağlarıyla ilgili Pyhton Kod Parçaları
  • 🙋‍♀️ Yapay Sinir Ağları ile Derin Öğrenme'nin Hello World'u
    • 🌱Giriş
    • 🌐Tarayıcıda CNNler
  • 🚪Bilgisayar Görüşüne Giriş
    • 🌱Giriş
  • 🚩Evrişimli Sinir Ağları Kavramları
    • 🌱Giriş
    • 📌Evrişimli Sinir Ağları ile İlgili Genel Kavramlar
    • 🌟Evrişimli Sinir Ağları Gelişmiş Kavramları
    • 👀Evrişimli Sinir Ağlarının Görselleştirilmesi
    • 👵Klasik Evrişimli Sinir Ağları
    • ✨CNN'leri Kurmak İçin Diğer Yaklaşımlar
    • 🕸️CNN'lerin Popüler Uygulamaları
  • 👩‍💻 CNN'ler Üzerinde Kodlar ve Notlar
    • 🌱Giriş
  • 💄Derin Öğrenmenin Popüler Stratejileri
    • 🌱Giriş
    • 🚙Öğrenme Aktarması (Transfer Learning)
    • 📚Derin Öğrenmede Diğer Stratejiler
  • 🤡Resim Artırma (Image Augmentation)
    • 🌱Giriş
  • 🤸‍♀️ Uygulamalı Makine Öğrenmesi Üzerine Notlar
    • 🌱Giriş
    • 👩‍🔧 Makine Öğrenimi Projelerinin Yapılandırılması Üzerine Notlar
    • 👩‍🏫 Uygulama Talimatları
  • 🕵️‍♀️ Obje Algılama Temelleri
    • 🌱Giriş
    • ⭕Bölge Tabanlı (Region-Based) CNN'ler
    • 🤳SSD ve YOLO
    • 🤖TensorFlow Object Detection API
  • ➰Derin Öğrenmede Dizi Modelleri
    • 🌱Giriş
    • 📚Dizi Modellerinin Genel Kavramları
    • 🔄Tekrarlayan Sinir Ağları (RNN)
    • 🌌RNN'deki Vanishing Gradients
    • 🌚Kelime Gösterimi
    • 💬NLP Hakkında Karışık Bilgiler
  • 📕Proje Sözlüğü
  • 📚Faydalı PDF'ler
  • 👀Hızlı Görsel Bilgiler
Powered by GitBook
On this page
  • 😉 You Only Look Once
  • 🎀 Avantajlar
  • 🙄 Dezavantajlar
  • 🤸‍♀️ SSD
  • 👩‍🏫 Detaylar
  • 🤓 Uzun Lafın Kısası
  • 🕵️‍♀️ Değerlendirme
  • 👀 Görselleştirme
  • 🚫 SSD vs YOLO
  • 🌞 Yazının Aslı
  • 🧐 Referanslar

Was this helpful?

Export as PDF
  1. 🕵️‍♀️ Obje Algılama Temelleri

SSD ve YOLO

😉 You Only Look Once

  • 💥 End to end yaklaşımıyla eğitilmiş tek bir sinir ağı içerir

    • Bir görüntüyü girdi olarak alır ve bounding boxes ve her box için sınıf etiketlerini (label) direkt tahmin eder

  • 😕 Bu teknik daha düşük tahmin doğruluğu sunar (örneğin, daha fazla yerelleştirme (localization) hatası) Bölge tabanlı modellere göre

  • ➗ YOLO giriş görüntüsünü bir S × S grid'e böler. Her hücre yalnızca bir objeyi tahmin eder

👷‍♀️ Uzun lafın kısası: Sistem giriş görüntüsünü S × S grid'e böler. Bir objenin merkezi bir hücreye düşerse, bu hücre bu objeyi algılar.

🎀 Avantajlar

  • 🚀 Hız

  • 🤸‍♀️ Gerçek zamanlı (real time) uygulamalar için uygundur

🙄 Dezavantajlar

  • 😕 Küçük boyutlu nesnelerde düşük performans

    • Kesin olmayan obje konumları verebilir

TODO: Compare versions of YOLO

🤸‍♀️ SSD

  • 💥 Tek bir derin sinir ağını kullanarak görüntüdeki objeleri tahmin eder.

  • 🤓 Ağ, feature map'lara uygulanan küçük convolutional filtreleri kullanarak her bir obje kategorisinin varlığı için puanlar oluşturur.

  • ✌ Bu yaklaşım, belirli objelerin varlığı için bounding boxes ve scores üreten bir feed-forward CNN kullanır.

  • ❗ Bu modelde, her feature map hücresi bir dizi varsayılan bounding boxe'a bağlanır

👩‍🏫 Detaylar

  • Feature extraction için belirli bir convolution'dan geçtikten sonra, mxn boyutunda bir feature layer elde ediyoruz (Konumların sayısı) ve p kanala sahip , aşağıdaki 8×8 ve 4×4 gib

    • Ve bu m×n×p özellik katmanına 3 × 3 convolution uygulanır

  • Her konum için, k tane bounding boxes elde ediyoruz. Bu kutular farklı boyutlara ve en boy oranlarına sahiptir.

    • Olay, belki dikey bir dikdörtgen insan sığdırabilirken yatay bir dikdörtgen araba için sığdırabilir.

  • Kutuların her biri için, orijinal varsayılan kutu şekline göre c sınıfı skorları ve 4 ofsetleri hesaplayacağız.

🤓 Uzun Lafın Kısası

SSD obje algılama algoritması 2 bölümden oluşur:

  • Feature map'leri çıkarma

  • convolution filtrelerini tespit edilen objelere uygulama.

🕵️‍♀️ Değerlendirme

  • YOLO'ya göre daha iyi doğruluk

  • Bölge tabanlı algoritmalara göre daha iyi hız

👀 Görselleştirme

🚫 SSD vs YOLO

🌞 Yazının Aslı

🧐 Referanslar

PreviousBölge Tabanlı (Region-Based) CNN'lerNextTensorFlow Object Detection API

Last updated 4 years ago

Was this helpful?

🤳
Burada 🐾
A 2019 Guide to Object Detection
Review: SSD — Single Shot Detector (Object Detection) ✨
More on YOLO