Objektumdetektálás módszerei: YOLO-tól a Transformerig

Az objektumdetektálás (object detection) a képfelismerés egy speciális ága, amelynek feladata nem csupán a képen látható objektumok azonosítása, hanem azok helyének meghatározása is. Kimenetként minden detektált objektumhoz egy osztálycímkét és egy határoló keretet (bounding box) rendel a rendszer. Ez a kiegészítő térbeli információ számos alkalmazási területen nélkülözhetetlen — az önvezető járművek útközben lévő akadályok azonosításától a biztonsági rendszerek személymeghatározásáig.

A kétlépéses megközelítés: R-CNN és utódai

Az objektumdetektálás korai mélytanulási megközelítései kétlépéses architektúrát alkalmaztak. Az R-CNN (Regions with CNN features, 2014) először jelölt régiókat generált a képen (region proposals), majd ezeket egyenként dolgozta fel egy CNN-nel, és végül osztályozta azokat. Bár ez a módszer pontosabb volt a korábbi megközelítéseknél, lassúsága miatt valós idejű alkalmazásokra nem volt alkalmas.

A Fast R-CNN és a Faster R-CNN architektúrák ezen a két ponton javítottak. A Faster R-CNN egy dedikált Region Proposal Network-öt (RPN) vezet be, amely a jellemzőtérképeken belül generál jelölt régiókat, az RPN súlyait megosztva a főhálózattal. Ez drámaian csökkentette az inferencia idejét, és lehetővé tette, hogy a detektálás egyetlen hálózaton belül, végponttól végpontig (end-to-end) taníthatóvá váljon.

Egylépéses detektálás: YOLO és SSD

Az egylépéses (single-stage) detektáló megközelítések az objektumok helyének és osztályának meghatározását egyetlen hálózati átmeneten (forward pass) végzik el, régiógeneráló lépés nélkül. Ez jelentős sebességnövekedést jelent a kétlépéses megközelítésekhez képest, általában valamelyest kisebb pontossággal.

YOLO (You Only Look Once)

A YOLO (Redmon et al., 2016) a bemeneti képet rácscelllákra osztja, és minden cellához előre meghatározott számú határoló keretet (anchor box) rendel. A hálózat egyetlen átmenetben előállítja az összes keret koordinátáit, konfidenciaértékeit és osztálybecsléseit. A YOLO azóta számos verziót ért meg (YOLOv2-től YOLOv10-ig), amelyek mindegyike pontossági és sebességbeli fejlesztéseket hozott.

SSD (Single Shot MultiBox Detector)

Az SSD (Liu et al., 2016) hasonló egylépéses megközelítést alkalmaz, de több különböző léptékű jellemzőtérképen végez párhuzamos detektálást. Ez lehetővé teszi, hogy a hálózat különböző méretű objektumokat egyforma hatékonysággal kezeljen.

Anchormentés megközelítések

A hagyományos detektáló hálózatok előre definiált anchor box-ok (rögzített méretű és arányú referencia keretek) rendszerét alkalmazzák, amelyek méretét és arányát az adatbázis elemzésével határozzák meg. Az anchor-alapú megközelítések hátrányai az érzékenység az anchor-paraméterekre és a hyperparaméterek gondos hangolásának szükségessége.

Az anchor-mentes (anchor-free) megközelítések, mint a FCOS (Fully Convolutional One-Stage Object Detection) vagy a CornerNet, közvetlenül az objektum karakterisztikus pontjait (pl. sarkok, középpont) becsülik, elkerülve az anchor-rendszer komplexitását.

Transformer-alapú detektálás: DETR

A DETR (Detection Transformer, Carion et al., Facebook AI Research, 2020) az objektumdetektálást szekvencia-szekvencia tanulási feladatként kezeli. A CNN által kivont jellemzőket Encoder–Decoder Transformer dolgozza fel, és a dekóder tanult lekérdezések (learned queries) alapján állítja elő a detektálásokat. A DETR nem igényel anchor-rendszert és az NMS (non-maximum suppression) utófeldolgozási lépést sem, amelyek a hagyományos detektálók összetettségét növelték.

A DETR kiindulópont lett számos továbbfejlesztett architektúra számára (pl. Deformable DETR, DAB-DETR, DN-DETR), amelyek elsősorban a lassú konvergencia és a kis objektumok detektálásának problémáit célozzák meg.

Kiértékelési mérőszámok

Az objektumdetektálás teljesítményét az alábbi mérőszámokkal jellemzik:

• IoU (Intersection over Union): A detektált és a referencia határoló keret átfedési aránya. A 0,5-ös IoU-küszöb az egyik leggyakrabban alkalmazott elfogadási határérték.
• mAP (mean Average Precision): Az átlagos pontosság átlaga az összes osztályra és IoU-küszöbre. Az mAP@0.5 (50%-os IoU) és az mAP@0.5:0.95 (50–95% között léptetett IoU-értékek átlaga) a legelterjedtebb összesített mérőszámok.
• FPS (frames per second): A valós idejű alkalmazásokhoz nélkülözhetetlen sebességmérő. GPU-típustól, batch mérettől és bemeneti felbontástól függően változik.

Benchmark adatbázisok

A legismertebb nyilvánosan elérhető objektumdetektáló benchmark adatbázisok:

• MS COCO (Microsoft Common Objects in Context): Több mint 200 000 kép, 80 kategória, részletes szegmentációs annotációkkal. cocodataset.org
• Pascal VOC: 20 kategória, évente megrendezett kihívás 2005–2012 között. A korai detektáló módszerek benchmark-ja volt.
• Open Images: A Google által kiadott, több mint 9 millió képet tartalmazó adatbázis, 600 kategóriával. storage.googleapis.com/openimages

Kihívások és nyitott kérdések

Az objektumdetektálás területén számos megoldatlan kihívás marad:

• Kis objektumok detektálása: A képen kis területet foglaló objektumok (pl. távolról látható személyek) pontossága elmarad a közepes és nagy objektumokétól.
• Sűrű jelenet: Egymást takaró, egymáshoz közel lévő objektumok szétválasztása és helymeghatározása nehézségeket okoz.
• Domaintranszfer: A szintetikus adatokon vagy más domainen tanított modellek éles körülmények között általában gyengébb teljesítményt mutatnak.
• Valós idejű feldolgozás korlátozott hardveren: Beágyazott rendszereken és peremeszközökön (edge devices) az architektúra és a pontosság egyensúlya kritikus tervezési szempontot jelent.

---