YOLO ve DETR modellerinde bounding box eşlemesi nasıl çalışır?

Nesne tespiti modellerinde, YOLO ve DETR gibi, bounding box eşleştirmesi, tahminleri gerçek (ground truth) ile eşleştirme sürecidir ve eğitim ile değerlendirme için kullanılır.

YOLO:

• Önceden belirlenmiş bir ızgara ve anchor kutuları kullanır.
• Her anchor kutusu için, maksimum IoU (Kesişim Üzerine Birlik) ile ground truth seçilir.
• Eşleştirme, IoU eşiğine dayanır: tahmin edilen ve gerçek kutu arasındaki IoU eşiğin üzerindeyse, bunlar eşleştirilmiş sayılır.
• Bu, modelin nesnelerin koordinatlarını ve sınıflarını doğru şekilde tahmin etmesine olanak tanır.

DETR:

• Bir dönüştürücü (transformer) ve anchor olmadan tahminler kümesi kullanır.
• Eşleştirme, Hungar algoritmasıyla yapılır.
• Her çift (tahmin, ground truth) için, şu faktörleri dikkate alan bir maliyet hesaplanır:
  • Kutu koordinatları arasındaki mesafe (örneğin, L1 kaybı)
  • IoU (veya genelleştirilmiş IoU)
  • Sınıf hatası
• Hungar algoritması, toplam maliyeti minimize eden en uygun eşleştirmeyi bulur.
• Bu yaklaşım, tahminleri nesnelerle verimli şekilde eşleştirmeye olanak tanır, hatta sayıları farklı olsa bile.

Bu şekilde, YOLO katı kurallara ve anchorlara dayanırken, DETR dinamik eşleştirme için bir optimizasyon algoritması kullanır.