Gerçek Zamanlı Nesne Tespiti: CNN Modelleri Sahada Nasıl Çalışır?
Gerçek zamanlı nesne tespiti için CNN mimarileri: tek geçişli tespit, çoklu nesne takibi ve endüstriyel sahada model optimizasyonu.
Yazar: CX Teknoloji Uzman Ekibi
Gerçek zamanlı nesne tespiti, video karesini tek ileri geçişte işleyen evrişimli sinir ağlarıyla (CNN) yapılır: model karedeki her nesne için sınıf, konum kutusu ve güven skoru döndürür, ardından bir takip algoritması bu tespitleri kareler arasında birleştirir. YOLO ailesi gibi tek geçişli mimariler, sahada edge GPU üzerinde birden çok kamerayı aynı anda işlemenin temelidir.
Endüstriyel görüntü analitiğinin kalbinde tek geçişli (single-shot) evrişimli sinir ağları yatar. Bu mimariler bir kareyi tek ileri geçişte işleyip tüm nesneleri sınıf ve konum bilgisiyle döndürür — gerçek zamanlı çalışmanın önkoşulu budur. Sahada kişi, araç, KKD ve ürün gibi onlarca sınıf aynı modelde tespit edilir.
Tek geçişli tespit nasıl çalışır?
Modelin üç parçası vardır. Omurga (backbone) kareden kenar, doku ve biçim gibi özellikleri çıkarır. Boyun (neck) bu özellikleri farklı ölçeklerde birleştirir; böylece kameraya yakın bir forklift ile uzaktaki bir baret aynı karede yakalanabilir. Baş (head) ise görüntüyü bir ızgaraya bölerek her hücre için kutu, sınıf ve güven skoru tahmin eder. Aynı nesneye ait üst üste binen kutular, çakışmayı bastırma (non-maximum suppression) adımıyla teke indirilir.
İki aşamalı dedektörler önce aday bölge önerip sonra bunları sınıflandırır; tek geçişli modeller bu iki işi aynı ağda yapar. Sahada belirleyici olan fark hızdır: onlarca kamerayı aynı sunucuda işlemek, her kare için ayrı bir öneri aşaması çalıştırmayı kaldırmaz. Küçük nesnelerde ise sınır modelden çok görüntüdedir. Kişi kadrajda birkaç piksellik bir leke olarak görünüyorsa ne model büyütmek ne de ince ayar bunu telafi eder; kamera açısı ve mesafesi keşifte bu yüzden tek tek değerlendirilir.
Tespitten takibe
Tespit tek karelik bir fotoğraftır; sahada anlam, nesnenin zaman içindeki izinden çıkar. Çoklu nesne takibi (MOT), kareler arasında kimlik eşleştirmesi yaparak her kişiye ve araca kalıcı bir iz numarası verir. Hız, yön, kalış süresi ve bölge geçişleri bu izden hesaplanır.
Takipçi her yeni karede, önceki izlerin nereye gitmiş olabileceğini hareket modeliyle tahmin eder ve yeni tespitleri bu tahminlere en uygun biçimde eşler. Zorluk, iki kişinin yan yana geçtiği ya da bir kolonun arkasında kaybolduğu anlardadır; iz numaralarının yer değiştirmesi (ID switch) kalış süresi ve sayım gibi ölçüleri doğrudan bozar. Bu yüzden görünüm benzerliği de hesaba katılır. İz numarası geçicidir ve kişiyi tanımlamaz: yüz tanıma kullanılmaz, kişi kadrajdan çıktığında iz kapanır.
Tek karelik tespit neden alarm için yetmez?
Tek bir karede baretsiz görünen kişi, o an başını çeviren ya da kısa süre kolonun arkasında kalan bir çalışan olabilir. Her kareye alarm bağlamak yanlış alarmı katlar ve operatörün sisteme güvenini hızla bitirir. Pratikte kural iz üzerinde kurulur: ihlal belirli bir süre boyunca ve yeterli sayıda karede tutarlıysa olay oluşur. Birden çok karedeki güven skorlarının tek bir olay puanına nasıl dönüştüğünü olay güven skoru yazısında ayrıntılı anlattık. Aynı mantık bölge kurallarında da geçerlidir: kutunun tamamı değil ayak noktası yasak poligonun içine girdiğinde ihlal sayılır, böylece bölgenin önünden geçen ama içine girmeyen kişi alarm üretmez. Kural parametreleri, yani süre, poligon ve sınıf, kamera bazında sahayla birlikte çizilir.
Saha optimizasyonu
Genel veri kümeleriyle eğitilmiş model, sahanızın ışığına ve kamera açısına uyarlanmadan tam performans veremez. Kurulum sonrası ilk haftalarda toplanan örneklerle ince ayar yapılır; TensorRT ile nicemlenen model, edge GPU üzerinde iki katına kadar hızlanır. Çözüm sayfalarında verilen, sahada ölçülmüş %90–99 aralığındaki doğruluk bu döngünün ürünüdür.
İnce ayarın en değerli verisi modelin sahada yaptığı hatalardır. Parlayan zemin yansıması kişi sanılıyorsa, gece kızılötesi görüntüde yelek rengi ayırt edilemiyorsa, bu kareler etiketlenip eğitim verisine katılır ve eşikler yeniden ayarlanır. Nadir görülen durumlar için sahadan yeterli örnek çıkmadığında sentetik veriyle tamamlama seçeneği vardır; yöntemini model eğitimi ve sentetik veri yazısında tartıştık. Nicemleme tarafında ise ağırlıklar daha düşük hassasiyetli sayılara indirilir; hızlanma karşılığında doğrulukta kayıp olup olmadığı sahadan alınan test kümesinde ayrıca kontrol edilir.
Sahada en sık karşılaşılan hata kaynakları
Pilotlarda tespit hatalarının büyük kısmı modelden değil görüntü koşullarından gelir. Ters ışık altında kalan yükleme kapısı, gün içinde yön değiştiren güneş, lensteki toz ve örümcek ağı, gece kızılötesine geçişte kaybolan renk bilgisi ve rüzgârda sallanan direk kamerası bunların başında gelir. Bir kısmı sahada çözülür: kamera birkaç derece çevrilir, lens temizlik planına alınır, kritik bölgeye ek aydınlatma konur. Kalan kısmı için ilgili koşulların kareleri ayrıca toplanıp eğitim verisine eklenir. Kamera sabotajı, yani görüntünün kapatılması ya da açının çevrilmesi de ayrı bir olay olarak izlenir; çünkü görmeyen kamera, hatalı tespitten daha büyük bir risktir.
CNN mi, transformer mı?
Transformer tabanlı görüntü modelleri, karenin uzak bölgeleri arasındaki ilişkiyi kurmakta güçlüdür ve bazı görevlerde öne geçer. Buna karşılık hesaplama maliyetleri genellikle daha yüksektir ve edge donanımda kamera başına düşen bütçeyi zorlayabilir. Sahada seçim, tek bir mimariye bağlılıkla değil, hedef görev, kamera sayısı ve donanımla yapılır; kimi projede ikisi birlikte kullanılır. Karşılaştırmayı transformer görüntü modelleri yazısında bulabilirsiniz.
Hazır model mi, projeye özel model mi?
Kişi, araç ve KKD gibi yaygın sınıflarda hazır modeller sahaya ince ayarla uyarlanır. Yalnız o hatta görülen bir kusur tipi ya da o tesise özgü bir hareket söz konusuysa projeye özel video analitik devreye girer: fizibilite, veri toplama ve etiketleme, eğitim, saha testi ve devreye alma adımlarıyla tipik bir özel proje 12–14 hafta içinde canlıya alınır. Bu sürenin en büyük kalemi model değil veridir. Hangi durumun doğru tespit sayılacağı ve hangi yanlış alarm düzeyinin kabul edileceği baştan yazılı olarak tanımlanır.
Sık sorulan sorular
Mevcut IP kameralarımızla gerçek zamanlı nesne tespiti yapılabilir mi?
Çoğu durumda evet. RTSP akışı veren ya da ONVIF destekli IP kameraların görüntüsü varsayılan kurulumda tesis içindeki edge sunucuda işlenir; kamera değişimi gerekmez. Belirleyici olan kamera açısı, çözünürlük ve aydınlatmadır: nesne kadrajda çok küçük görünüyorsa model bunu telafi edemez. Keşifte her kamera için uygunluk değerlendirmesi yapılır ve gerekiyorsa yön değişikliği ya da ek kamera önerilir.
Model sahamıza nasıl uyarlanıyor?
Hazır modeller kurulum sonrası ilk haftalarda sahadan toplanan örneklerle ince ayardan geçirilir. Modelin sahada yaptığı hatalı tespitler etiketlenip eğitim verisine katılır, eşikler kamera bazında yeniden ayarlanır. Hazır modelde olmayan bir sınıf gerekiyorsa projeye özel model geliştirilir; bu tür projelerde tipik takvim 12–14 haftadır ve en büyük kalem veri toplama ile etiketlemedir.
Nesne tespitinin doğruluğu nasıl ölçülüyor?
Doğruluk pilot boyunca kendi sahanızda ölçülür: sistemin yakaladığı, kaçırdığı ve yanlış ürettiği olaylar saha ekibinin tuttuğu kayıtla karşılaştırılır. Hangi durumun doğru tespit sayılacağı, kabul edilebilir yanlış alarm düzeyi ve testin hangi veri kümesinde yapılacağı baştan yazılı olarak belirlenir. Böylece doğruluk bir vaat değil, ölçülmüş bir değer olarak raporlanır.
Nesne tespiti ve takip KVKK açısından nasıl kurgulanıyor?
Varsayılan kurulumda görüntü tesis içindeki edge sunucuda işlenir, ham video buluta gönderilmez (istenirse işleme bulutta da yapılabilir). Yüz tanıma kullanılmaz; takipte verilen iz numarası geçicidir ve kişiyi tanımlamaz, analitik çıktılar anonimdir. Olay klipleri tanımlı saklama süresi sonunda silinir. Aydınlatma, saklama süresi ve hukuki sebep gibi yükümlülükler veri sorumlusu olarak tesiste kalır; bu bilgiler hukuki danışmanlık yerine geçmez.