انواع مدل های هوش مصنوعی در بینا اکسپرتز-YOLO

YOLO که مخفف "You Only Look Once" است، یک الگوریتم تشخیص اشیاء در زمان واقعی است که اشیاء خاصی را در تصاویر یا ویدئوها شناسایی می کند.

انواع مدل های هوش مصنوعی در بینا اکسپرتز-YOLO
انواع مدل های هوش مصنوعی در بینا اکسپرتز-YOLO

انواع مدل های هوش مصنوعی در بینا اکسپرتز

در BinaExperts از مدل های مختلفی استفاده می شود که عناوین آن­ها در زیر آمده است. در ادامه  طی این مقاله به معرفی YOLO ودر بخش های بعدی مدل های دیگر هر کدام به تفصیل شرح داده شده است.

·         YOLO

·         CenterNet

·         EfficientNet

·         Faster R-CNN

·         Single Shot Multibox Detector (SSD)

·         DETR

·         DETECTRON2 FASTER RCNN

·         RETINANET

انواع مدل های هوش مصنوعی در بینا اکسپرتز-یولو
انواع مدل های هوش مصنوعی در بینا اکسپرتز-یولو

YOLO

YOLO که مخفف "You Only Look Once" است، یک الگوریتم تشخیص اشیاء در زمان واقعی است که اشیاء خاصی را در تصاویر یا ویدئوها شناسایی می کند.

YOLO در بینا اکسپرتز
یولو در بینا اکسپرتز

 بر خلاف الگوریتم‌های سنتی تشخیص اشیا که بر چندین مرحله یا مناطق مورد علاقه تکیه می‌کنند، YOLO یک شبکه عصبی واحد را روی کل تصویر در یک مرحله اعمال می‌کند. این امر YOLO را توانمند کرده تا به استنتاج بلادرنگ و سریع دست یابد و آن را برای کاربردهایی مانند نظارت، وسایل نقلیه خودران و تجزیه و تحلیل ویدیویی مناسب ساخته است.

تشخیص اشیا با یولو در یک مرحله اعمال می شود.
تشخیص اشیا با یولو با بینا اکسپرتز در یک مرحله اعمال می شود.

ویژگی های کلیدی YOLO عبارتند از:

1.  تشخیص تک گذر(Single Pass Detection): YOLO تصویر ورودی را به یک شبکه تقسیم می‌کند و جعبه‌های محدود و احتمالات کلاس را مستقیماً از سلول‌های شبکه پیش‌بینی می‌کند. این به YOLO اجازه می‌دهد چندین شی را در یک گذر از شبکه عصبی شناسایی کند و در نتیجه سرعت استنتاج سریعی به دست می‌آید.

تشخیص تک گذر(Single Pass Detection)
تشخیص تک گذر(Single Pass Detection)

2.  چارچوب یکپارچه(Unified Framework): YOLO یک چارچوب یکپارچه است که هم محلی سازی و هم طبقه بندی اشیاء را به طور همزمان انجام می دهد. به جای تفکیک این وظایف به مراحل مختلف، YOLO جعبه‌های محدود و احتمالات کلاس را مستقیماً از تصویر ورودی پیش‌بینی می‌کند که منجر به تشخیص دقیق و کارآمد شی می‌شود.

همزمانی طبقه بندی اشیا و محلی سازی با یولو
همزمانی طبقه بندی اشیا و محلی سازی با یولو
  1. جعبه های لنگر(Anchor Boxes): YOLO از جعبه های لنگر برای بهبود دقت محلی سازی اشیا استفاده می کند. جعبه های لنگر اشکال از پیش تعریف شده ای هستند که نسبت های مختلف و مقیاس های اشیاء را نشان می دهند. با پیش‌بینی افست‌ها نسبت به این جعبه‌های لنگر، YOLO می‌تواند اشیاء با اندازه‌ها و شکل‌های مختلف را به‌طور دقیق بومی‌سازی کند.
Anchor Boxes
Anchor Boxes

4.  هرم ویژگی(Feature Pyramid): YOLO از یک شبکه هرمی ویژگی برای گرفتن ویژگی های چند مقیاسی از تصویر ورودی استفاده می کند. این امر یولو را قادر می‌سازد تا اشیا را در مقیاس‌ها و وضوح‌های مختلف شناسایی کند و عملکرد آن را بر روی اجسام با اندازه‌های مختلف بهبود بخشد.

ویژگی های چند مقیاسی تصویر با هرم ویژگی در یولو
ویژگی های چند مقیاسی تصویر با هرم ویژگی در یولو

5.  تطبیق پذیری(Versatility): YOLO یک الگوریتم همه کاره است که می تواند برای کارهای مختلف از جمله تشخیص عمومی اشیا، تشخیص عابر پیاده، تشخیص وسیله نقلیه و غیره استفاده شود. قابلیت های بلادرنگ آن را برای طیف وسیعی از کاربردها در بینایی کامپیوتر مناسب می کند.

تشخیص همزمان چند شی در تصویر با یولو
تشخیص همزمان چند شی در تصویر با یولو

به طور کلی، YOLO یک الگوریتم تشخیص اشیاء قدرتمند و کارآمد است که عملکرد بلادرنگ و دقت بالایی را ارائه می‌دهد و باعث می‌شود از آن در تحقیقات و صنعت برای انواع وظایف بینایی کامپیوتری استفاده شود.