{"id":6935,"date":"2024-12-17T18:30:00","date_gmt":"2024-12-17T17:30:00","guid":{"rendered":"https:\/\/haimagazine.com\/?p=6935"},"modified":"2025-06-26T10:41:50","modified_gmt":"2025-06-26T08:41:50","slug":"yolo-jeden-rzut-oka-wystarczy","status":"publish","type":"post","link":"https:\/\/haimagazine.com\/pl\/hai-magazine\/yolo-jeden-rzut-oka-wystarczy\/","title":{"rendered":"YOLO \u2013 jeden rzut oka wystarczy"},"content":{"rendered":"

To, co nam wydaje si\u0119 naturalne i oczywiste, dla komputer\u00f3w przez d\u0142ugie lata stanowi\u0142o nie lada wyzwanie.<\/p>

\"\"<\/figure>

Detekcja obiekt\u00f3w to proces, w kt\u00f3rym algorytm musi wykona\u0107 dwa kluczowe zadania: zidentyfikowa\u0107 obiekty na obrazie oraz precyzyjnie okre\u015bli\u0107 ich po\u0142o\u017cenie (Rysunek 1). Wyzwanie polega na tym, \u017ce system musi radzi\u0107 sobie z ogromnym zr\u00f3\u017cnicowaniem wizualnej reprezentacji tych samych obiekt\u00f3w \u2013 bo przecie\u017c dom, cz\u0142owiek, pies, garnitur mog\u0105 mie\u0107 tysi\u0105ce r\u00f3\u017cnych wariant\u00f3w. Kolejnym problemem jest zmienno\u015b\u0107 tego samego obiektu, kt\u00f3ra wynika z kilku g\u0142\u00f3wnych czynnik\u00f3w: r\u00f3\u017cnych k\u0105t\u00f3w patrzenia (na przyk\u0142ad pies widziany z r\u00f3\u017cnych stron), zmiennych warunk\u00f3w o\u015bwietleniowych wp\u0142ywaj\u0105cych na rozk\u0142ad cieni, cz\u0119\u015bciowego zas\u0142aniania obiekt\u00f3w (jak dziecko cz\u0119\u015bciowo schowane za drzewem), r\u00f3\u017cnic w rozmiarze obiekt\u00f3w w kadrze oraz zmiennego t\u0142a (przyk\u0142adowo \u0142awka na trawniku versus ta sama \u0142awka na betonowym placu). Co wi\u0119cej, najlepiej, \u017ceby wszystkie te analizy odbywa\u0142y si\u0119 b\u0142yskawicznie, \u017ceby system m\u00f3g\u0142 dzia\u0142a\u0107 w czasie rzeczywistym.<\/p>

W 2015 roku zesp\u00f3\u0142 naukowc\u00f3w z University of Washington przedstawi\u0142 prze\u0142omowe rozwi\u0105zanie tego problemu. Joseph Redmon wraz ze wsp\u00f3\u0142pracownikami opublikowa\u0142 artyku\u0142 opisuj\u0105cy system YOLO (You Only Look Once, \u201epatrzysz tylko raz\u201d), kt\u00f3ry zrewolucjonizowa\u0142 dziedzin\u0119 detekcji obiekt\u00f3w w obrazach. Do tej pory dost\u0119pne modele analizowa\u0142y obraz fragment po fragmencie. Popularnym podej\u015bciem by\u0142o tzw. sliding window (przesuwane okno). Model analizowa\u0142 obraz kawa\u0142ek po kawa\u0142ku, jakby przesuwa\u0142 lup\u0119 po fotografii. To dzia\u0142a\u0142o, ale by\u0142o bardzo czasoch\u0142onne \u2013 trzeba by\u0142o przeanalizowa\u0107 tysi\u0105ce ma\u0142ych fragment\u00f3w obrazu, cz\u0119sto wielokrotnie, w r\u00f3\u017cnych skalach. Inn\u0105 metod\u0105 by\u0142o dwuetapowe podej\u015bcie (modele typu RCNN). Najpierw algorytm proponowa\u0142 potencjalne lokalizacje obiekt\u00f3w (\u201eTu mo\u017ce by\u0107 co\u015b interesuj\u0105cego\u201d). Nast\u0119pnie inny algorytm pr\u00f3bowa\u0142 klasyfikowa\u0107 znalezione obszary (\u201eTo wygl\u0105da jak pies\u201d). Ten proces by\u0142 r\u00f3wnie\u017c powolny i cz\u0119sto zawodny.<\/p>

YOLO zaproponowa\u0142o zupe\u0142nie inne podej\u015bcie \u2013 spojrzenie na ca\u0142o\u015b\u0107 obrazu jednym rzutem oka, podobnie jak robi to cz\u0142owiek. Wcze\u015bniejsze systemy detekcji obiekt\u00f3w potrzebowa\u0142y kilku, a nawet kilkunastu sekund na przeanalizowanie pojedynczego zdj\u0119cia. YOLO potrafi\u0142o to zrobi\u0107 w czasie rzeczywistym, analizuj\u0105c a\u017c 45 klatek na sekund\u0119. To w\u0142a\u015bnie ta szybko\u015b\u0107, w po\u0142\u0105czeniu z wysok\u0105 skuteczno\u015bci\u0105, sprawi\u0142a, \u017ce architektura YOLO sta\u0142a si\u0119 tak popularna i jej udoskonalone wersje znajdziemy w autonomicznych pojazdach, systemach do monitoringu czy w aplikacjach na smartfony.<\/p>

Jak dzia\u0142a YOLO?<\/h2>

YOLO najpierw dzieli obraz na regularn\u0105 siatk\u0119 (np. 4 \u00d7 4 kom\u00f3rki, tak jak na Rysunku 2). Zadaniem ka\u017cdej kom\u00f3rki w siatce jest wykrycie obiekt\u00f3w, kt\u00f3rych \u015brodek znajduje si\u0119 w jej obszarze. Dla ka\u017cdego wykrytego obiektu kom\u00f3rka musi ustali\u0107 3 rzeczy:<\/p>

  1. Jakie jest po\u0142o\u017cenie obiektu?<\/strong>\u00a0W tym celu ustala po\u0142o\u017cenie ramki ograniczaj\u0105cej obiekt (ang.\u00a0bounding box<\/em>). Po\u0142o\u017cenie ramki okre\u015blane jest przy pomocy czterech parametr\u00f3w: wsp\u00f3\u0142rz\u0119dnych \u015brodka ramki\u00a0(x, y)<\/em>\u00a0wzgl\u0119dem kom\u00f3rki siatki oraz szeroko\u015bci i wysoko\u015bci wzgl\u0119dem ca\u0142ego obrazu.<\/li>\n\n
  2. Do jakiej klasy nale\u017cy wykryty obiekt?<\/strong>\u00a0Typy dost\u0119pnych klas musz\u0105 by\u0107 jasno okre\u015blone (np. samoch\u00f3d, rower, pieszy). Przynale\u017cno\u015b\u0107 do ka\u017cdej klasy jest oceniana osobno.<\/li>\n\n
  3. Jak bardzo prawdopodobne jest, \u017ce w ramce faktycznie znajduje si\u0119 jaki\u015b obiekt?<\/strong>\u00a0Wynik podawany jest jako liczba z przedzia\u0142u 0\u20131. Od okre\u015blonej warto\u015bci progowej uznajemy, \u017ce wykryto obiekt, np. wi\u0119kszej ni\u017c 0,5.<\/li><\/ol>
    \"\"<\/figure>

    Przyk\u0142adowo, je\u015bli na zdj\u0119ciu znajduje si\u0119 samoch\u00f3d, kt\u00f3rego \u015brodek wypada w konkretnej kom\u00f3rce siatki, algorytm dla tej kom\u00f3rki powinien: wyznaczy\u0107 ramk\u0119 obejmuj\u0105c\u0105 ca\u0142y samoch\u00f3d, przypisa\u0107 wysokie prawdopodobie\u0144stwo dla klasy samoch\u00f3d<\/em> i niskie dla pozosta\u0142ych klas (np. pieszy<\/em> czy rower<\/em>), oraz wskaza\u0107 wysok\u0105 pewno\u015b\u0107 wykrycia obiektu.<\/p>

    Ka\u017cda kom\u00f3rka mo\u017ce wykry\u0107 z g\u00f3ry okre\u015blon\u0105 liczb\u0119 obiekt\u00f3w, np. tylko dwa. Mo\u017ce to stanowi\u0107 problem przy analizie zat\u0142oczonych scen. Ponadto skuteczno\u015b\u0107 detekcji zale\u017cy od tego, jak dobrze obiekt wpasowuje si\u0119 w regularn\u0105 siatk\u0119, wi\u0119c obiekty znajduj\u0105ce si\u0119 na granicy kom\u00f3rek mog\u0105 by\u0107 trudniejsze do wykrycia.<\/p>

    Nazwa \u201eYou Only Look Once\u201d doskonale oddaje g\u0142\u00f3wn\u0105 zalet\u0119 tego algorytmu. Ka\u017cda kom\u00f3rka wykrywa obiekty niezale\u017cnie od pozosta\u0142ych, w zwi\u0105zku z tym wszystkie predykcje mog\u0105 si\u0119 odbywa\u0107 w tym samym czasie. Przek\u0142ada si\u0119 to na jego wyj\u0105tkow\u0105 szybko\u015b\u0107 dzia\u0142ania.<\/p>

    Co si\u0119 stanie, gdy ten sam obiekt zostanie wykryty przez kilka s\u0105siaduj\u0105cych kom\u00f3rek siatki? Na przyk\u0142ad, je\u015bli mamy samoch\u00f3d, kt\u00f3rego \u015brodek wypada na granicy dw\u00f3ch kom\u00f3rek? Obie mog\u0105 zg\u0142osi\u0107 jego wykrycie, tworz\u0105c niemal identyczne ramki. W celu unikni\u0119cia wielokrotnego wykrywania tych samych obiekt\u00f3w YOLO wykorzystuje technik\u0119 zwan\u0105 \u201enon-maximum suppression\u201d<\/em> (eliminacja nie-maksim\u00f3w, Rysunek 3). Dzia\u0142a ona w ten spos\u00f3b, \u017ce spo\u015br\u00f3d nak\u0142adaj\u0105cych si\u0119 ramek wybiera t\u0119 najlepsz\u0105 (o najwy\u017cszym wsp\u00f3\u0142czynniku pewno\u015bci), a pozosta\u0142e usuwa. Aby ustali\u0107, czy ramki faktycznie dotycz\u0105 tego samego obiektu, algorytm oblicza dla ka\u017cdej pary ramek tzw. wsp\u00f3\u0142czynnik nak\u0142adania si\u0119 (IoU \u2013 Intersection over Union<\/em>). Jest to stosunek pola cz\u0119\u015bci wsp\u00f3lnej obu ramek do pola powierzchni ich sumy.<\/p>

    \"\"<\/figure>

    Im wy\u017cszy wsp\u00f3\u0142czynnik IoU (bli\u017cszy 1), tym wi\u0119ksze prawdopodobie\u0144stwo, \u017ce ramki opisuj\u0105 ten sam obiekt. Je\u015bli wsp\u00f3\u0142czynnik IoU przekracza ustalony pr\u00f3g (np. 0,5), algorytm zachowuje tylko ramk\u0119 o wy\u017cszym wsp\u00f3\u0142czynniku pewno\u015bci.<\/p>

    Od pierwszej wersji algorytmu powsta\u0142o wiele jego udoskonale\u0144 (YOLOv2, YOLOv3, itd.), kt\u00f3re zwi\u0119kszy\u0142y dok\u0142adno\u015b\u0107 detekcji przy zachowaniu wysokiej szybko\u015bci dzia\u0142ania. Kolejne wersje wprowadzi\u0142y mi\u0119dzy innymi lepsze metody przewidywania ramek ograniczaj\u0105cych czy skuteczniejsze strategie wykrywania obiekt\u00f3w o r\u00f3\u017cnych rozmiarach.<\/p>

    YOLO znajduje szerokie zastosowanie w wielu dziedzinach \u017cycia i przemys\u0142u (Rysunek 4). Najbardziej znanym przyk\u0142adem jest analiza ruchu drogowego, podczas kt\u00f3rej w czasie rzeczywistym analizuje otoczenie pojazdu, wykrywaj\u0105c innych uczestnik\u00f3w ruchu, znaki drogowe czy potencjalne przeszkody na drodze. W przemy\u015ble budowlanym YOLO monitoruje bezpiecze\u0144stwo pracy. Sprawdza, czy pracownicy stosuj\u0105 si\u0119 do zasad BHP \u2013 nosz\u0105 wymagane \u015brodki ochrony osobistej, takie jak kaski, kamizelki odblaskowe czy szelki bezpiecze\u0144stwa. Kolejnym obszarem zastosowa\u0144 s\u0105 nowoczesne magazyny i centra logistyczne. Tutaj YOLO wspomaga procesy kontroli jako\u015bci i kompletno\u015bci zam\u00f3wie\u0144, automatycznie sprawdzaj\u0105c zawarto\u015b\u0107 paczek czy palet. System potrafi nie tylko policzy\u0107 produkty, ale tak\u017ce zweryfikowa\u0107 ich prawid\u0142owe u\u0142o\u017cenie i stan opakowania. Mo\u017cemy te\u017c wykorzysta\u0107 YOLO w sporcie do analizy ruchu zawodnik\u00f3w na boisku i pomiaru statystyk meczowych.<\/p>

    \"\"<\/figure>

    Wszechstronno\u015b\u0107 zastosowa\u0144 YOLO rodzi jednak powa\u017cne pytania etyczne. W lutym 2020 roku Joseph Redmon, tw\u00f3rca algorytmu, og\u0142osi\u0142 na Twitterze zaskakuj\u0105c\u0105 decyzj\u0119 o rezygnacji z dalszych bada\u0144 nad wizj\u0105 komputerow\u0105. Cho\u0107 wymienione wcze\u015bniej przyk\u0142ady pokazuj\u0105, jak ta technologia mo\u017ce s\u0142u\u017cy\u0107 bezpiecze\u0144stwu i efektywno\u015bci, Redmona niepokoi\u0142o jej potencjalne wykorzystanie w celach militarnych oraz wp\u0142yw na prywatno\u015b\u0107 obywateli. W kontek\u015bcie zastosowa\u0144 wojskowych sama nazwa modelu \u2013 \u201eYou Only Look Once\u201d \u2013 nabiera niepokoj\u0105cego wyd\u017awi\u0119ku. Redmon przyzna\u0142, \u017ce jego wcze\u015bniejsze przekonania o nauce znacz\u0105co si\u0119 zmieni\u0142y. Dorastaj\u0105c, wierzy\u0142, \u017ce nauka jest niezale\u017cna od pogl\u0105d\u00f3w politycznych, a samo prowadzenie bada\u0144 jest z natury korzystne dla spo\u0142ecze\u0144stwa. Jego decyzja wywo\u0142a\u0142a wa\u017cn\u0105 dyskusj\u0119 w \u015brodowisku naukowym o odpowiedzialno\u015bci badaczy za spos\u00f3b wykorzystania ich odkry\u0107.<\/p>

    W tym momencie jednak rozw\u00f3j YOLO by\u0142 ju\u017c nie do zatrzymania i praca nad kolejnymi wersjami YOLO by\u0142a kontynuowana przez innych naukowc\u00f3w (Rysunek 5). Obecnie najnowsz\u0105 wersj\u0105 YOLO jest YOLOv11<\/strong>, kt\u00f3ra wysz\u0142a miesi\u0105c temu.<\/p>

    \"\"<\/figure>

    Jak zacz\u0105\u0107 prac\u0119 z YOLO?<\/h2>

    Rozpocz\u0119cie pracy z YOLO jest prostsze, ni\u017c mog\u0142oby si\u0119 wydawa\u0107. Naj\u0142atwiej jest skorzysta\u0107 z implementacji dost\u0119pnej w ramach biblioteki Ultralytics<\/strong>. Dost\u0119pne wersje modeli mo\u017cna wykorzysta\u0107 na trzy sposoby: u\u017cywaj\u0105c gotowego modelu wytrenowanego na standardowym zbiorze danych (np. na zbiorze COCO<\/strong>), dostosowuj\u0105c istniej\u0105cy model do w\u0142asnych potrzeb poprzez douczenie (tzw. fine-tuning<\/em>), lub trenuj\u0105c w\u0142asny model od podstaw na swoim zbiorze danych.<\/p>

    Do przygotowania w\u0142asnego zbioru danych \u015bwietnie sprawdza si\u0119 narz\u0119dzie Label Studio<\/strong>. Jest to darmowa, open-source\u2019owa platforma, kt\u00f3ra pozwala na sprawne oznaczanie obiekt\u00f3w na zdj\u0119ciach. Wystarczy utworzy\u0107 projekt, zaimportowa\u0107 zdj\u0119cia i rozpocz\u0105\u0107 oznaczanie. Dla ka\u017cdego zdj\u0119cia rysujemy prostok\u0105tne ramki wok\u00f3\u0142 interesuj\u0105cych nas obiekt\u00f3w i przypisujemy im odpowiednie etykiety. Label Studio automatycznie zapisuje adnotacje w formacie, kt\u00f3ry mo\u017cna \u0142atwo przekonwertowa\u0107 do formatu YOLO.<\/p>","protected":false},"excerpt":{"rendered":"

    Wygl\u0105daj\u0105c ze znudzenia przez okno, w u\u0142amku sekundy nasz m\u00f3zg zidentyfikuje przeje\u017cd\u017caj\u0105cego na hulajnodze biznesmena w garniturze, pani\u0105 wyprowadzaj\u0105c\u0105 na smyczy pudelka czy sfrustrowanego kuriera, kt\u00f3ry nie mo\u017ce znale\u017a\u0107 adresu zam\u00f3wienia.<\/p>\n","protected":false},"author":91,"featured_media":7518,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"rank_math_lock_modified_date":false,"footnotes":""},"categories":[402,763,754,405],"tags":[83,480],"popular":[],"difficulty-level":[38],"ppma_author":[386],"class_list":["post-6935","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-hai-magazine","category-ai_praktyka","category-hai_premium","category-hai-magazine-3","tag-ai","tag-yolo","difficulty-level-medium"],"acf":[],"authors":[{"term_id":386,"user_id":91,"is_guest":0,"slug":"barbara-klaudel","display_name":"Barbara Klaudel","avatar_url":{"url":"https:\/\/haimagazine.com\/wp-content\/uploads\/2024\/09\/barbara-klaudel.jpg","url2x":"https:\/\/haimagazine.com\/wp-content\/uploads\/2024\/09\/barbara-klaudel.jpg"},"first_name":"Barbara","last_name":"Klaudel","user_url":"","job_title":"","description":"Wsp\u00f3\u0142za\u0142o\u017cycielka TheLion.ai, grupy badawczej tworz\u0105cej rozwi\u0105zania AI. Specjalizuje si\u0119 w zastosowaniach sztucznej inteligencji w medycynie, \u0142\u0105cz\u0105c prac\u0119 in\u017cynier\u00f3w i specjalist\u00f3w ochrony zdrowia oraz prowadz\u0105c zaj\u0119cia z deep learningu na Politechnice Gda\u0144skiej."}],"_links":{"self":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts\/6935","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/users\/91"}],"replies":[{"embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/comments?post=6935"}],"version-history":[{"count":3,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts\/6935\/revisions"}],"predecessor-version":[{"id":7520,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts\/6935\/revisions\/7520"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/media\/7518"}],"wp:attachment":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/media?parent=6935"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/categories?post=6935"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/tags?post=6935"},{"taxonomy":"popular","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/popular?post=6935"},{"taxonomy":"difficulty-level","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/difficulty-level?post=6935"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/ppma_author?post=6935"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}