<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Yusuf sait Sakoğlu on Medium]]></title>
        <description><![CDATA[Stories by Yusuf sait Sakoğlu on Medium]]></description>
        <link>https://medium.com/@yusufsakoglu57?source=rss-4165cd1413a1------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*iXrcaO7_uyjLIYC3Hq0HGQ.jpeg</url>
            <title>Stories by Yusuf sait Sakoğlu on Medium</title>
            <link>https://medium.com/@yusufsakoglu57?source=rss-4165cd1413a1------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 06:04:21 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@yusufsakoglu57/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Bootcamp’te Ufuk Açan Konu: Kubernetes (K8s) Nedir ve Neden Önemlidir?]]></title>
            <link>https://medium.com/@yusufsakoglu57/bootcampte-ufuk-a%C3%A7an-konu-kubernetes-k8s-nedir-ve-neden-%C3%B6nemlidir-549b2c64f2f9?source=rss-4165cd1413a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/549b2c64f2f9</guid>
            <dc:creator><![CDATA[Yusuf sait Sakoğlu]]></dc:creator>
            <pubDate>Fri, 07 Nov 2025 08:30:38 GMT</pubDate>
            <atom:updated>2025-11-07T08:30:38.732Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese merhaba!</p><p>Yakın zamanda harika bir bulut bilişim bootcamp programına katıldım. Bu süreçte “Cloud” (Bulut Bilişim) dünyasının ne kadar derin olduğunu fark ettim. Sanal makineler, depolama servisleri, ağ yapılandırmaları derken birçok yeni kavramla tanıştım.</p><p>Ancak tüm bu konular arasında bir tanesi vardı ki, hem en çok merak ettiğim hem de dürüst olmak gerekirse ilk başta adıyla bile beni biraz korkutan bir konuydu: <strong>Kubernetes</strong>.</p><p>Eğer siz de bu “K8s” (Kubernetes’in kısaltması) terimini sürekli duyuyor ama tam olarak ne olduğunu merak ediyorsanız, bu yazıda bootcamp’te öğrendiğim en basit haliyle size bunu anlatmak istiyorum.</p><h3>Sorun Neydi? “Ama Benim Bilgisayarımda Çalışıyordu!”</h3><p>Yazılım geliştirirken hepimizin duyduğu o meşhur bir cümle vardır: “Ama benim bilgisayarımda çalışıyordu!”</p><p>Geliştiriciler, uygulamalarını kendi bilgisayarlarında hazırlar. Ancak bu uygulama, test veya canlı ortama (kullanıcıların erişeceği sunucuya) taşındığında, farklı kütüphaneler, farklı ayarlar veya işletim sistemi farkları yüzünden çalışmaz.</p><p>Bu sorunu çözmek için <strong>Container (Konteyner)</strong> teknolojisi (en popüleri Docker) harika bir çözüm sundu. Container, bir uygulamayı tüm kütüphaneleri ve ayarlarıyla birlikte paketleyen küçük, izole bir kutucuktur. Bu kutu, “benim bilgisayarımda” nasıl çalışıyorsa, sunucuda da <em>tam olarak aynı şekilde</em> çalışır.</p><p>Problem çözüldü, değil mi?</p><p>Pek sayılmaz. Ya uygulamamız çok popüler olursa ve tek bir container yetmezse? Ya 100 tane container’a ihtiyacımız olursa? Bu 100 container’dan biri çökerse kim fark edecek? Hangi kullanıcıyı hangi container’a yönlendireceğiz?</p><h3>Çözüm: Orkestra Şefi Kubernetes</h3><p>İşte tam bu noktada <strong>Kubernetes</strong> devreye giriyor.</p><p>Bootcamp’teki eğitmenimizin yaptığı harika bir benzetme vardı ve benim konuyu anında kavramamı sağlamıştı:</p><blockquote><em>“Eğer container’lar (uygulamalarınız) bir orkestradaki müzisyenlerse, Kubernetes o orkestranın şefidir.”</em></blockquote><p>Bir orkestra şefi (Kubernetes) ne yapar?</p><ul><li><strong>Hangi Müzisyen Ne Çalacak Bilir:</strong> Hangi container’ın ne zaman ve nerede çalışması gerektiğini yönetir.</li><li><strong>Yorulanı Fark Eder:</strong> Bir müzisyen (container) yorulur veya hata yaparsa (çökerse), şef bunu anında fark eder ve onun yerine hemen sağlıklı bir yedeğini devreye alır. Buna <strong>“kendi kendini onarma”</strong> diyoruz.</li><li><strong>Daha Fazla Sese İhtiyaç Varsa:</strong> Dinleyici sayısı (uygulamaya giren kullanıcı sayısı) artarsa, şef daha fazla müzisyeni (yeni container’ları) sahneye davet eder. Buna <strong>“otomatik ölçeklenme”</strong> diyoruz.</li><li><strong>Sesi Eşit Dağıtır:</strong> Gelen tüm sesi (trafiği) müzisyenler arasında adil bir şekilde dağıtır ki kimse aşırı yüklenmesin. Buna da <strong>“yük dengeleme”</strong> denir.</li></ul><p>Kısacası Kubernetes, yüzlerce container’ı bizim için otomatik olarak yöneten, uygulamalarımızın <em>sürekli ayakta</em>, <em>sağlıklı</em> ve <em>hızlı</em> kalmasını sağlayan bir sistemdir.</p><h3>Neden “Bulut Bilişim” (Cloud) ile Bu Kadar İlişkili?</h3><p>Kubernetes bu kadar güçlüyse neden kendi bilgisayarımıza kurmuyoruz?</p><p>Çünkü bir orkestra şefinin büyük bir sahneye (altyapıya) ihtiyacı vardır. Yüzlerce container’ı çalıştıracak sunucuları kurmak, yönetmek ve bakımını yapmak çok maliyetli ve zordur.</p><p>İşte burada <strong>Bulut Bilişim</strong> (Huawei Cloud, AWS, Google Cloud, Azure vb.) devreye giriyor. Bulut sağlayıcılar, bize bu “sahneyi” (sunucuları) hazır olarak sunar. Biz sadece Kubernetes’i (şefi) bu sahnede görevlendiririz ve altyapının karmaşık detaylarıyla uğraşmak zorunda kalmayız.</p><h3>Bootcamp’ten Çıkarımım</h3><p>Bu bootcamp, bana Kubernetes’in korkulacak bir teknoloji değil, aksine modern yazılımın görünmez kahramanı olduğunu öğretti. Uygulamaların nasıl bu kadar hızlı ölçeklendiğini ve devasa şirketlerin milyonlarca kullanıcıya nasıl kesintisiz hizmet verdiğini artık daha iyi anlıyorum.</p><p>Eğer siz de bulut bilişim dünyasına adım atıyorsanız, bu “orkestra şefini” tanımanızı mutlaka tavsiye ederim!</p><p>Okuduğunuz için teşekkürler.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=549b2c64f2f9" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bilgisayarlı Görü ve Nesne Tespiti]]></title>
            <link>https://medium.com/hsd-ag%C3%BC/bilgisayarl%C4%B1-g%C3%B6r%C3%BC-ve-nesne-tespiti-bbb06dc7bc50?source=rss-4165cd1413a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/bbb06dc7bc50</guid>
            <category><![CDATA[nesne-tespiti]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[object-detection]]></category>
            <category><![CDATA[görüntü-i̇şleme]]></category>
            <dc:creator><![CDATA[Yusuf sait Sakoğlu]]></dc:creator>
            <pubDate>Fri, 29 Aug 2025 10:41:40 GMT</pubDate>
            <atom:updated>2025-11-29T17:40:14.988Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhaba 👋🏻. Bu yazımda bilgisayarlı görü ve derin öğrenme alanındaki nesne tespiti modellerinin incelenmesine değineceğiz. İlk olarak bu kavramların ne anlama geldiğini, bu kavramların uygulamasında kullanılan modelleri ve yazının sonuna geldiğimizde bu modellerin bazı detaylarını öğrenmiş olacağız. <strong>Haydi başlayalım!</strong></p><p>14.08.2025</p><blockquote>Nesne Tespiti</blockquote><p><strong>Bilgisayarlı görü </strong>(computer vision)💻, <strong><em>yapay zekâ</em></strong> ve <strong><em>makine öğreniminin</em></strong> bir alt alanıdır. Temel amacı, bilgisayarların görsel verileri (görüntü, video vb.)<strong> insan benzeri</strong> şekilde algılayıp anlamlandırmasını sağlamaktır.</p><p><strong>Görüntü işleme </strong>bir görüntünün içerisindeki önemli bilgilerin okunması, bu resimlerden anlam çıkartılması ve işlenmesi için kullanılan bir yöntemdir. Görüntüdeki bir nesne hakkında insan görmesi gibi benzer şekilde <strong><em>nitel bilgilerin edinilmesi</em></strong> ve <strong><em>kullanılması</em></strong> görüntü işlemenin temel amaçlarındandır.</p><p>Gerçek zamanlı nesne tespitini yüksek başarı ile yapabilmek birçok model sunulmuştur. Bunlar:</p><p>➔ R-CNN ➔ FAST R-CNN ➔ FASTER R-CNN ➔ SSD ➔ Mask R-CNN</p><p>➔ YOLO AİLESİ ➔RT-DETR</p><blockquote>CNN (Convolutional neural networks)</blockquote><p><strong>CNN (Evrişimsel Sinir Ağı)</strong> 🛜, örüntü tanıma ve sınıflandırma, nesne algılama ve takibi gibi alanlarda kullanılan bir <strong><em>derin öğrenme alt dalıdır</em></strong><em>.</em> Görüntüyü çeşitli katmanlarla işleyerek, görüntünün belirli kategoriler altında sınıflandırılmasını sağlamaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/396/1*17C3te1OyhgCNwJb5PlE9g.png" /></figure><p><strong>Tercih edilmesine sebep olan özellikleri:</strong></p><p>1️⃣ Görseldeki desenleri bir kez öğrendikten sonra farklı yerlerde tanıyabilir.</p><p>2️⃣ Uzamsal hiyerarşileri öğrenerek daha karmaşık yapıları tanıyabilir.</p><p>3️⃣ Görüntüleri katmanlar aracılığıyla işler ve sınıflandırır (örneğin: kedi, köpek).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/224/1*z72DBiSJHzrY0dRxCjI7yg.png" /></figure><blockquote>Temel kavramlar</blockquote><p>· <strong>Convolution (Evrişim)</strong>: Görüntüden filtrelerle bilgi çıkarma işlemi; desenleri tanımayı sağlar.</p><p>· <strong>Padding</strong> <strong>(Dolgu):</strong> Görüntü boyutunu korumak için kenarlara satır/sütun eklenir.</p><p>· <strong>Stride (Adım)</strong>: Filtrenin görüntü üzerinde ne kadar kaydırıldığını belirler; adım arttıkça çıktı boyutu küçülür.</p><p>· <strong>Max-Pooling</strong>: Feature map boyutunu küçültürken en önemli bilgileri korur.</p><p>· <strong>Uzamsal Hiyerarşi</strong>: CNN’ler önce küçük yerel desenleri (kenarlar gibi), sonra bu desenlerden oluşan daha büyük yapıları (şekiller, nesneler) öğrenir. Bu katmanlı öğrenme süreci, görseldeki karmaşık yapıları anlamayı sağlar.</p><blockquote>Özet</blockquote><p><strong>CNN</strong> , görüntü analizi için tasarlanmış derin bir <a href="https://www.sciencedirect.com/topics/chemical-engineering/neural-network">sinir ağıdır</a>. Doğal dil işleme gibi sıralı veri analizinde de <em>mükemmel </em>bir kapasiteye sahiptir. <strong>Evrişim Sinir Ağı (CNN)</strong>, <em>Görüntü sınıflandırma</em>, <em>Nesne algılama</em>, <em>Görüntü tanıma</em> vb .’nin ana kategorisidir. Girdi alır ve çıktıyı sınıflandırır. Girdi olarak Pizza, Burger, Sandwich, Drinks görüntüsünü alıp bu kategoride sınıflandırır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/342/1*W0_5ZFRFa3NcYPa8jz8zNg.png" /></figure><p>Geleneksel çok katmanlı algılayıcı mimarilerinin aksine , bir görüntüyü temel özelliklerine indirgemek için <strong>evrişim(convolution)</strong> ve <strong>havuzlama(pooling)</strong> adı verilen iki işlem kullanır ve bu özellikleri görüntüyü anlamak ve sınıflandırmak için kullanır.</p><p><em>“Basit bir deyişle, CNN’in yaptığı şey, görüntünün özelliğini çıkarmak ve özelliklerini kaybetmeden alt boyuta dönüştürmektir.”</em></p><blockquote>R-CNN (Bölgesel Tabanlı CNN/Regions with CNN)</blockquote><p><strong>R-CNN </strong>mimarisi, görüntülerde bulunan objelere ait sınıfları ve bu objelere ait<strong> <em>bounding box’ları (sınırlayıcı kutular)</em></strong> tespit etmek için kullanılmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/401/1*CBCKU9N83FTrQ_ka9DwRsg.png" /></figure><p>R-CNN’de, görüntü yaklaşık 2000 bölge tavsiyesine (bölge teklifleri) bölünür ve her bölgeye sırası ile CNN (ConvNet) uygulanır. Bölgelerin boyutu belirlenir ve yapay sinir ağına doğru bölge yerleştirilir. Resimdeki her bir bölge ayrı olarak CNN uyguladığından, eğitim süresi yaklaşık 84 saat ve tahmin süresi yaklaşık 47 saniyedir.</p><p><strong>R-CNN ile ilgili sorun</strong></p><p>👉 Her görüntünün 2000 bölge önerisini sınıflandırması gerektiği için ağı eğitmek çok zaman alır.</p><p>👉 GPU’daki bir görüntüdeki nesnelerin algılanması <em>49</em> saniye gerektirir</p><p>👉 Çok fazla disk alanı da gereklidir.</p><p>👉 Pahalıdır.</p><blockquote>Fast R-CNN</blockquote><p>R-CNN modelinde 2000 farklı aday bölge çıkarılması ve bu 2000 bölge için, 2000 farklı CNN ağı kullanılması eğitim süreci anlamında çok büyük <strong>maliyete sebep olmakta</strong>. Bunun için Fast R-CNN mimarileri 2000 CNN modelinden kurtulup sadece <em>tek bir model</em> kullanmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/513/1*uLQr9avN1uy2RGmDWUv6Fg.png" /></figure><p>Fast R-CNN’de odaklanılması gereken en büyük geliştirme R-CNN’de kullanılan CNN, SVM ve Regressor’u kombinlemesidir. Bu kombinleme ile muazzam bir performans üstünlüğü elde etmektedir.</p><h4><strong>Fast R-CNN’de:</strong></h4><p>1️⃣ Tüm görsel CNN ile işlenir ve <strong>feature map</strong>’ler (öznitelik haritaları) çıkarılır</p><p>2️⃣ Her bölge önerisi için gerekli öznitelikler toplanır. Bunlara <strong>region proposal feature map</strong> denir. Ardından bu haritalar <strong>max pooling (maksimum havuzlama)</strong> ile belirli boyutlara indirgenir. Bu havuzlama katmanına ise RoI (Region of Interest) pooling layer adı verilir.</p><p>3️⃣Ardından bu öznitelik haritaları tek boyutlu vektör haline indirgenir.</p><p>4️⃣Bu vektörler sinir ağına sokulur ve softmax ile bölgedeki objeye ait sınıf, bounding box regressor ile de objenin sınırlayıcı kutusu belirlenir.</p><p><em>Fast R-CNN mimarisinin eğitim süresi yaklaşık olarak 8.75 saat ve tahmin süresi yaklaşık olarak 2.3 saniye sürmektedir.</em></p><blockquote>Faster R-CNN</blockquote><p>Faster R-CNN, Fast R-CNN’e kıyasla maliyet açısından yük olan selective search yerine daha kullanışlı olan <strong>Region Proposal Network (RPN) </strong>kullanmaktadır.</p><p>Faster R-CNN mimarisi iki temel aşamadan oluşmaktadır.</p><ul><li><strong>Region Proposal Network (RPN)</strong>: İlk aşama olan RPN, bölge önermeye yarayan derin, evrişimli bir sinir ağıdır. Girdi olarak herhangi bir boyutta girdiyi almakta ve obje skoruna göre bir dizi nesnelere ait olabilecek dikdörtgen teklifi ortaya çıkarmaktadır. Bu öneriyi, evrişimli katman tarafından oluşturulan feature map üzerinde küçük bir ağı kaydırarak yapmaktadır.</li><li><strong>Fast R-CNN:</strong> RPN tarafından üretilen hesaplamaların Fast R-CNN mimarisine sokulmakta ve bir sınıflandırıcı ile objenin sınıfı, regressor ile de bounding box’un tahmin edilmektedir</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/627/1*qY91sP6sUINM5deHgVyrdw.jpeg" /></figure><p><em>Faster R-CNN mimarisinin eğitim süresi yaklaşık olarak 8.75 saat ve tahmin süresi yaklaşık olarak 0.3 saniye sürmektedir.</em></p><blockquote>R-CNN, Fast R-CNN, Faster R-CNN karşılaştırması</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/928/1*QgIwI-Ex9uMHFZE6OPkO4g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/496/1*JIrmlF5PEcT25l99b_yRUw.png" /></figure><blockquote>SSD (single-shot detector)</blockquote><p><strong>SSD</strong>, gerçek zamanlı nesne tespiti için geliştirilmiş bir algoritmadır. Faster R-CNN gibi önce bölge önerisi yapıp sonra sınıflandırma yerine, SSD tek adımda hem sınıflandırma hem de konum tahmini yapar. Bu sayede çok daha hızlıdır (örneğin 59 FPS) ve düşük çözünürlüklü görüntülerle bile yüksek doğruluk sağlar.</p><p><strong>Nesne tespit Modelleri karşılaştırması</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/470/1*ji-peqMJWn-MNQiC2HKUPA.png" /></figure><p>Tabloda gösterildiği gibi, daha hızlı <strong>R-CNN</strong> doğrulukla mükemmeldir, ancak karmaşık mimarileri nedeniyle daha yavaş ve daha az verimlidir. <strong>Yolo</strong> modelleri daha hızlı çıkarım süreleri sunar, ancak biraz doğruluktan fedakarlık yapabilir. <strong>SSD</strong>, hız ve doğruluk arasında etkili bir denge sağlar ve bu da onu birçok uygulama için çok yönlü bir seçim haline getirir.</p><p>Faster R-CNN, sınırlayıcı kutular oluşturmak için bir bölge öneri ağı kullanır ve bu kutuları nesneleri sınıflandırmak için değerlendirir. Doğruluk açısından en gelişmiş yöntem olarak kabul edilse de, tüm bu süreç saniyede 7 kare hızında çalışır, bu da gerçek zamanlı işlem ihtiyacının oldukça altındadır. SSD, bölge öneri ağına olan ihtiyacı ortadan kaldırarak bu süreci hızlandırır. Doğrulukta meydana gelebilecek düşüşü telafi etmek için SSD, çok ölçekli özellikler ve varsayılan kutular gibi birkaç iyileştirme uygular. Bu iyileştirmeler, SSD’nin daha düşük çözünürlüklü görüntüler kullanarak bile Faster R-CNN’in doğruluğuna erişmesini sağlar ve bu da hızı daha da artırır. Yukardaki karşılaştırmaya göre, gerçek zamanlı işlem hızına ulaşır ve hatta Faster R-CNN’in doğruluğunu bile geçer. (Doğruluk, tahminlerin ortalama duyarlılığı olan <strong>mAP</strong> (mean average precision) ile ölçülür.)</p><blockquote>Avantajları ve Dezavantajları</blockquote><p><strong>Avantajları</strong></p><ul><li><strong>Hız:</strong> Tek aşamalı yapısı sayesinde, Faster R-CNN gibi iki aşamalı modellere göre çok daha hızlıdır. Gerçek zamanlı uygulamalar için idealdir.</li><li><strong>İyi Performans Dengesi:</strong> Yüksek hızına rağmen, R-CNN tabanlı modellerle rekabet edebilecek kadar iyi bir doğruluk (accuracy) seviyesi sunar.</li><li><strong>Basit Mimari:</strong> YOLO’ya göre daha basit bir mimariye sahiptir ve anlaşılması daha kolaydır.</li><li><strong>Uçtan Uca Eğitim:</strong> Tüm ağ tek seferde eğitilebilir, bu da optimizasyon sürecini kolaylaştırır.</li></ul><p><strong>Dezavantajları</strong></p><ul><li><strong>Küçük Nesne Tespiti Zayıflığı:</strong> Yüksek çözünürlüklü özellik haritaları daha düşük seviyeli özellikler içerdiği için, SSD küçük nesnelerin tespitinde Faster R-CNN’e kıyasla daha zayıf kalır.</li><li><strong>Varsayılan Kutulara Bağımlılık:</strong> Varsayılan kutuların boyutu ve en-boy oranları, modelin performansı üzerinde büyük etkiye sahiptir. Yanlış tasarlanmış kutular, modelin etkinliğini düşürebilir.</li><li><strong>Sınıflandırma Hatası:</strong> YOLO’ya göre benzer nesneleri sınıflandırmada daha fazla hata yapma eğilimi gösterebilir.</li></ul><blockquote>Mask R-CNN</blockquote><p>Mask R-CNN, Faster R-CNN algoritmasının var olan mimarisi ile sınırlayıcı kutu (bounding box) çizmesine ek olarak bir nesnenin maskesini tahmin etmek amacıyla Faster R-CNN mimarisine bir dal eklenmiş halidir.</p><p><strong>Görüntü Segmentasyonu (Image Segmentation): </strong>Görüntü segmentasyonu her piksel için, belirli özellikleri paylaşan piksellere aynı etiketin tanımlanması işlemidir. Amaç bir görüntüyü parçalara ayırarak basitleştirmek, anlaşılır olmasını sağlamaktır. Ssemantic segmentasyon ve instance segmentasyon olmak üzere iki grubu ayrılmaktadır.</p><p>· <strong>Semantic Segmentasyon: </strong>Tüm pikseller için nesnenin sınıfını tanımlayan segmentasyondur. Bir görüntüdeki aynı sınıfa ait nesnelerin hepsini bir olarak tanımlar.</p><p>· <strong>Instance Segmentasyon:</strong> Her bir nesneye ait tüm pikseller için bir sınıf tanımlar. Bir görüntüde aynı sınıfa ait birden fazla nesne için ayrı ayrı tanımlama yapar. Semantic segmentasyona göre daha detaylı bir tanımlama söz konusudur. Bu sebeple, Mask R-CNN’de bu segmentasyon tercih edilmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/393/1*W93xh5qFug6V00ywE110ww.png" /></figure><p>Maske R-CNN (r egional evrişimli sinir ağı) iki aşamalı bir çerçevedir: ilk aşama görüntüyü tarar ve öneriler üretir (bir nesneyi içerme olasılığı yüksek alanlar). İkinci aşama ise önerileri sınıflandırır ve sınırlayıcı kutular ve maskeler oluşturur. Her iki aşama da backbone(omurga) yapısına bağlıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/260/1*BIg-v0KizqHCZliq-vW7Sw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/652/1*F2lP8gvcMyw8FzbkJPYqow.jpeg" /></figure><p>Backbone (omurga) nedir? Bu, özellik çıkarıcı olarak görev yapan standart bir evrişimli sinir ağıdır (tipik olarak ResNet50 veya ResNet101). İlk katmanlar düşük seviyeli özellikleri (kenarlar ve köşeler) algılar ve sonraki katmanlar art arda daha yüksek seviyeli özellikleri (araba, kişi, gökyüzü) algılar.</p><blockquote>YOLO-NAS</blockquote><p>Deci AI tarafından Mayıs 2023&#39;de yayınlanan YOLO-NAS, Yolo sürümlerinin bazı sınırlamalarını aşmak için <strong>Sinir Ağı Mimarisi Arama (Neural Architecture Search — NAS)</strong> adı verilen ileri bir teknoloji kullanılarak tasarlanmıştır., dünyanın en iyi doğruluk-gecikme (accuracy-latency) performansını sunan yeni bir nesne tespit mimarisidir. En son teknoloji (state-of-the-art) performansıyla gerçek zamanlı (real-time) nesne tespiti yapabilen model, Deci AI’ın geliştirdiği super-gradients paketiyle kullanıma sunulmuştur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/627/1*sNX5ijhev7vofKIm2dE6LA.png" /></figure><p>YOLO-NAS (You Only Look Once Neural Architecture Search), COCO veri seti üzerinde değerlendirildiğinde, YOLOv6 ve YOLOv8 gibi önceki sürümlere göre daha düşük gecikme (latency) ile daha yüksek mAP (mean average precision) değeri elde etmiştir. Deci AI’ın YOLO-NAS performans ölçümlerini içeren aşağıdaki grafik, YOLO-NAS’ın YOLOv5, YOLOv6, YOLOv7 ve YOLOv8 modellerini kesin bir şekilde geride bıraktığını göstermektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/627/1*m7GQiCg6NrGnawp5esx-6w.png" /></figure><blockquote>RT-DETR</blockquote><p>Baidu tarafından geliştirilen Gerçek Zamanlı Algılama Dönüştürücüsü (RT-DETR), yüksek doğruluğu korurken gerçek zamanlı performans sağlayan son teknoloji ürünü, uçtan uca bir nesne tespit aracıdır. DETR (NMS’siz çerçeve) fikrine dayanırken, gerçek zamanlı hız kazanmak için konv tabanlı bir backbone ve verimli bir hibrit kodlayıcı sunar. RT-DETR, ölçek içi etkileşim ve çapraz ölçekli füzyonu ayırarak çok ölçekli özellikleri verimli bir şekilde işler. Model, yeniden eğitim yapmadan farklı kod çözücü katmanları kullanılarak çıkarım hızının esnek bir şekilde ayarlanmasını destekleyerek son derece uyarlanabilirdir. RT-DETR, CUDA ve TensorRT gibi hızlandırılmış arka uçlarda mükemmeldir ve diğer birçok gerçek zamanlı nesne tespit aracından daha iyi performans gösterir.</p><p>RT-DETR modelleri (L, X, R50 varyantları), aynı ölçekli YOLO modellerine göre hem <strong>daha hızlı</strong> hem de <strong>daha yüksek doğruluk</strong> sunar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/685/1*r_AlSZ__2luYaqOcirnpMA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/592/1*YxuKO6UJe6pj3Sl5ACCkdw.png" /></figure><p><strong>Tablodan çıkarılması gereken ana sonuç nedir?</strong></p><p>Tablonun temel amacı, RT-DETR modellerinin (özellikle RT-DETR-R50 ve RT-DETR-R101) rakiplerini geride bıraktığını göstermektir.</p><ul><li><strong>YOLO modelleriyle karşılaştırıldığında:</strong> Tablo, RT-DETR modellerinin, benzer veya biraz daha fazla parametreye sahip olmalarına rağmen, listelenen tüm YOLO modellerinden daha yüksek doğruluk (AP puanları) ve daha iyi hız (daha yüksek FPS ve daha düşük gecikme) elde ettiğini gösterir.</li><li><strong>Diğer DETR modelleriyle karşılaştırıldığında:</strong> Tablo, RT-DETR’nin hızda önemli bir avantaja sahip olduğunu vurgular. Örneğin, RT-DETR-R50 modeli, DINO-Deformable-DETR-R50&#39;den çok daha yüksek bir FPS’e (yaklaşık 21 kat daha hızlı) ulaşırken aynı zamanda daha yüksek bir AP’yi korur. Bu, diğer Transformer tabanlı dedektörlerdeki yüksek hesaplama maliyeti sorununu RT-DETR’nin aştığını gösteren önemli bir noktadır.</li></ul><p><strong>Özetle; </strong>Tablo , RT-DETR’nin Transformer tabanlı modellerin yüksek doğruluğunu, YOLO gibi gerçek zamanlı modellerin yüksek hızıyla etkili bir şekilde birleştirebilen ilk gerçek zamanlı uçtan uca nesne dedektörü olduğunu kanıtlayan nicel veriler sunar. Bu, iki dedektör sınıfı arasındaki boşluğu etkili bir şekilde doldurur.</p><h3>Kaynakça</h3><p>1. <a href="https://medium.com/@elifbeyzaozkan/derin-%C3%B6%C4%9Frenmede-bilgisayarl%C4%B1-g%C3%B6r%C3%BC-8679ddd7fb1e">Derin Öğrenmede Bilgisayarlı Görü | by Elif Beyza Ozkan | Medium</a></p><p>2. <a href="https://merveelifsarac.medium.com/cnn-r-cnn-fast-r-cnn-mask-r-cnn-c90a1a4d76fb">CNN , R-CNN , Fast R-CNN , Mask R-CNN | by Merve Elif Saraç | Medium | Medium</a></p><p>3. <a href="https://medium.com/augelab-crew/nesne-tespiti-nedir-6dc286134a80">Nesne Tespiti Nedir?. Görüntü işleme bir görüntünün… | by Sinem Ağar | AugeLab Crew | Medium</a></p><p>4. <a href="https://www.mathworks.com/help/vision/ug/getting-started-with-r-cnn-fast-r-cnn-and-faster-r-cnn.html">Getting Started with R-CNN, Fast R-CNN, and Faster R-CNN — MATLAB &amp; Simulink</a></p><p>5. <a href="https://medium.com/@elifbeyzaozkan/r-cnn-fast-r-cnn-ve-faster-r-cnn-mimarileri-f0b720ab931c">R-CNN, Fast R-CNN ve Faster R-CNN Mimarileri | by Elif Beyza Ozkan | Medium</a></p><p>6. <a href="https://medium.com/@elifbeyzaozkan/mask-r-cnn-y%C3%B6ntemi-ve-%C3%B6rnek-uygulama-b2ae2b2b847a">Mask R-CNN Yöntemi ve Örnek Uygulama | by Elif Beyza Ozkan | Medium</a></p><p>7. <a href="https://medium.com/deep-learning-turkiye/makineler-g%C3%B6r%C3%BCyor-1-nesne-tespit-modelleri-db036f6e1db6">Makineler Görüyor 1 — Nesne Tespit Modelleri | by Onur Akköse | Deep Learning Türkiye | Medium</a></p><p>8. <a href="https://www.teknoloji.org/nesne-tanima-algoritmalari-r-cnn-fast-r-cnn-ve-faster-r-cnn-nedir/">Nesne Tanıma Algoritmaları: R-CNN, Fast R-CNN ve Faster R-CNN Nedir?</a></p><p>9. <a href="https://keylabs.ai/blog/yolov8-vs-ssd-choosing-the-right-object-detection-model/">YOLOv8 vs SSD: Choosing the Right Object Detection Model | Keylabs</a></p><p>10. <a href="https://jonathan-hui.medium.com/ssd-object-detection-single-shot-multibox-detector-for-real-time-processing-9bd8deac0e06">SSD object detection: Single Shot MultiBox Detector for real-time processing | by Jonathan Hui | Medium</a></p><p>11. <a href="https://medium.com/@elifbeyzaozkan/mask-r-cnn-y%C3%B6ntemi-ve-%C3%B6rnek-uygulama-b2ae2b2b847a">Mask R-CNN Yöntemi ve Örnek Uygulama | by Elif Beyza Ozkan | Medium</a></p><p>12. <a href="https://docs.ultralytics.com/tr/models/yolo-nas/#overview">YOLO-NAS — Ultralytics YOLO Belgeleri</a></p><p>13. <a href="https://github.com/Deci-AI/super-gradients/blob/master/YOLONAS.md">super-gradients/YOLONAS.md at master · Deci-AI/super-gradients</a></p><p>14. <a href="https://huggingface.co/docs/transformers/main/model_doc/rt_detr">RT-DETR</a></p><p>15. <a href="https://docs.ultralytics.com/tr/models/rtdetr/#pre-trained-models">Baidu’nun RT-DETR’si: Bir Vision Transformer Tabanlı Gerçek Zamanlı Nesne Algılayıcısı</a></p><p>16. Zhao, Y., Lv, W., Xu, S., Wei, J., Wang, G., Dang, Q., … &amp; Chen, J. (2024). Detrs beat yolos on real-time object detection. In <em>Proceedings of the IEEE/CVF conference on computer vision and pattern recognition</em> (pp. 16965–16974).</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bbb06dc7bc50" width="1" height="1" alt=""><hr><p><a href="https://medium.com/hsd-ag%C3%BC/bilgisayarl%C4%B1-g%C3%B6r%C3%BC-ve-nesne-tespiti-bbb06dc7bc50">Bilgisayarlı Görü ve Nesne Tespiti</a> was originally published in <a href="https://medium.com/hsd-ag%C3%BC">HSD AGÜ</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>