غیرفعال کردن Autoanchor برای بهبود دقت مدل

در این مقاله به بررسی نحوه غیرفعال کردن autoanchor و اهمیت آن در بهبود دقت مدل‌های تشخیص اشیا می‌پردازیم.

غیرفعال کردن Autoanchor برای بهبود دقت مدل
غیرفعال کردن Autoanchor برای بهبود دقت مدل

تشخیص اشیا یکی از مهم‌ترین حوزه‌های هوش مصنوعی و بینایی ماشین است که کاربردهای فراوانی در صنایع مختلف دارد. الگوریتم‌های مختلفی برای تشخیص اشیا توسعه یافته‌اند که از جمله معروف‌ترین آن‌ها می‌توان به YOLO (You Only Look Once) و Detectron2 اشاره کرد. یکی از اجزای کلیدی این الگوریتم‌ها جعبه‌های لنگر (anchor boxes) هستند که به مدل کمک می‌کنند تا موقعیت و اندازه اشیا را در تصاویر به درستی شناسایی کند. در این مقاله به بررسی نحوه غیرفعال کردن autoanchor و اهمیت آن در بهبود دقت مدل‌های تشخیص اشیا می‌پردازیم.

اهمیت جعبه‌های لنگر (anchor boxes)  
اهمیت جعبه‌های لنگر (anchor boxes)

جعبه‌های لنگر (anchor boxes)  و اهمیت آن‌ها

جعبه‌های لنگر جعبه‌های فرضی با اندازه و نسبت ابعادی مشخص هستند که به عنوان نقطه شروعی برای پیش‌بینی جعبه‌های محدودکننده (bounding boxes) اشیا در تصاویر استفاده می‌شوند. این جعبه‌ها به مدل کمک می‌کنند تا بهبود دقت پیش‌بینی‌های خود را از طریق فراهم کردن اطلاعات اولیه در مورد شکل و اندازه اشیا فراهم کند.

anchor boxes
anchor boxes

چرا باید Autoanchor را غیرفعال کنیم؟

در بسیاری از موارد، جعبه‌های لنگر پیش‌فرض که توسط الگوریتم‌های تشخیص اشیا تولید می‌شوند، برای مجموعه داده‌های سفارشی مناسب نیستند. این عدم تناسب می‌تواند به کاهش دقت مدل منجر شود. به همین دلیل، در برخی موارد نیاز است که بررسی autoanchor غیرفعال شود و جعبه‌های لنگر به صورت دستی پیکربندی شوند. این کار به مدل اجازه می‌دهد تا بهینه‌ترین جعبه‌های لنگر را برای مجموعه داده خاص شما استفاده کند.

روش‌های غیرفعال کردن Autoanchor

YOLOv5

در YOLOv5، شما می‌توانید بررسی autoanchor را با تنظیم پارامتر autoanchor به False در فایل پیکربندی مدل YAML غیرفعال کنید. این کار به مدل اجازه می‌دهد تا از جعبه‌های لنگر تعریف شده توسط کاربر استفاده کند:

غیر فعال کردن  Autoanchor
غیر فعال کردن Autoanchor

 

YOLOv4

در YOLOv4، گزینه‌ای برای غیرفعال کردن autoanchor به صورت پیش‌فرض وجود ندارد، اما شما می‌توانید جعبه‌های لنگر را به صورت دستی پیکربندی کنید. برای این کار، باید یک فایل پیکربندی سفارشی ایجاد کرده و اندازه‌های جعبه‌های لنگر را به صورت دستی در این فایل مشخص کنید.

Detectron2

در Detectron2، شما می‌توانید اندازه‌ها و نسبت‌های ابعادی جعبه‌های لنگر را در فایل پیکربندی مدل YAML تحت پارامترهای MODEL.ANCHOR_GENERATOR.SIZES و MODEL.ANCHOR_GENERATOR.ASPECT_RATIOS مشخص کنید. این کار به شما اجازه می‌دهد تا به طور دستی جعبه‌های لنگر مورد نیاز خود را تعریف کنید و autoanchor را غیرفعال کنید.

پیاده‌سازی‌های سفارشی

اگر از یک پیاده‌سازی سفارشی از الگوریتم تشخیص اشیا استفاده می‌کنید، باید کدی را که مسئول تولید جعبه‌های لنگر است تغییر دهید. این کار ممکن است شامل کامنت کردن یا حذف کردن کدهای مربوط به تولید خودکار جعبه‌های لنگر باشد. این فرآیند نیازمند درک عمیق‌تری از کد و ساختار الگوریتم مورد استفاده شما است.

نکات مهم در غیرفعال کردن Autoanchor

 

شناخت دقیق مجموعه داده: قبل از غیرفعال کردن autoanchor، باید مجموعه داده خود را به خوبی بشناسید. این شامل اندازه‌ها و نسبت‌های ابعادی اشیایی است که قصد تشخیص آن‌ها را دارید.

 

پیکربندی دستی: تنظیم جعبه‌های لنگر به صورت دستی نیازمند آزمایش و تنظیم‌های متعددی است تا به بهترین نتایج برسید. این فرآیند ممکن است زمان‌بر باشد، اما نتایج به دست آمده ارزش آن را دارد.

 

بهینه‌سازی مدل: پس از تنظیم جعبه‌های لنگر به صورت دستی، باید مدل خود را بهینه‌سازی کنید تا مطمئن شوید که به دقت مطلوب رسیده‌اید. این کار شامل تنظیم پارامترهای دیگر مدل نیز می‌شود.

 

نتیجه‌گیری

غیرفعال کردن autoanchor و تنظیم دستی جعبه‌های لنگر یکی از اقدامات مهم در سفارشی‌سازی الگوریتم‌های تشخیص اشیا است. این کار به مدل اجازه می‌دهد تا با بهترین پیکربندی ممکن اجرا شود و نتایج دقیقی را برای مجموعه داده خاص شما فراهم کند. با توجه به اهمیت این موضوع، توصیه می‌شود که مهندسان و محققان حوزه هوش مصنوعی و بینایی ماشین به تنظیمات جعبه‌های لنگر توجه ویژه‌ای داشته باشند و از این ابزار قدرتمند برای بهبود دقت مدل‌های خود بهره‌برداری کنند.

پی‌نوشت

اگر تجربه‌ای در زمینه غیرفعال کردن  autoanchor یا تنظیم دستی جعبه‌های لنگر دارید، لطفاً نظرات و تجربیات خود را با ما در میان بگذارید. همچنین، اگر سوالی در مورد هر یک از مراحل ذکر شده در این پست دارید، خوشحال می‌شویم به شما کمک کنیم.

برای کسب اطلاعات بیشتر، شروع به کار و آشنایی با اجزای بینایی کامپیوتر موجود در پلتفرم بینا اکسپرتز، به لینک زیر مراجعه کنید.

بینا اکسپرتز

 

مرکز داده‌ها (ویترین)

مرکز داده‌ها

با کاوش در مجموعه‌ای گسترده از داده‌ها، پروژه‌ها و تحقیقات خود را ارتقاء دهید.

پلتفرم بینایی ماشین بینااکسپرتز

ورود به برنامه ثبت نام در برنامه