מהו YOLO?
YOLO (יולו) או You Only Look Once הוא אלגוריתם למידה עמוקה פופולרי המשמש לזיהוי אובייקטים בתמונות ובסרטונים.
הוא ידוע בזכות המהירות והיעילות שלו, מה שהופך אותו למתאים למשימות זיהוי אובייקטים בזמן אמת.
להלן פירוט של איך YOLO עובד ומדוע זה משמעותי:
רשת עצבית יחידה: YOLO מחיל רשת עצבית אחת על התמונה המלאה, מחלק את התמונה לאזורים ומנבא תיבות תוחמות
והסתברויות עבור כל אזור בו זמנית.
גישה זו שונה ממערכות זיהוי אחרות שבהן מערכת מציעה אזורים ולאחר מכן מפעילה מסווג על אזורים אלה.
מהירות: כפי שהשם מרמז, YOLO מסתכל רק פעם אחת על התמונה על ידי עיבוד התמונה כולה במהלך מעבר בודד דרך הרשת העצבית.
זה מאפשר ל-YOLO להשיג מהירויות גבוהות, וזה יעיל מאוד עבור יישומים הדורשים עיבוד בזמן אמת.
זיהוי כבעיית רגרסיה: בניגוד למערכות שמתייחסות לזיהוי כבעיית סיווג, YOLO ממסגרת את זיהוי האובייקטים כבעיית רגרסיה
לתיבות תוחמות מופרדות במרחב ולהסתברויות מחלקות קשורות.
גרסאות ושיפורים: מאז הצגתה, YOLO שופרה באמצעות גרסאות שונות, כולל YOLOv2, YOLOv3, YOLOv4, והגרסאות האחרונות
כגון YOLOv5 ו- YOLOv6, כל אחת מהן מציעה שיפורים במהירות, דיוק ויכולת זיהוי עצמים קטנים יותר.
YOLO נפוץ ביישומים רבים, כגון מעקב וידאו, מכוניות בנהיגה עצמית ותיוג תמונות אוטומטי בפלטפורמות מדיה חברתית,
בשל היעילות והיעילות שלו בזיהוי עצמים בזמן אמת.
שימושים של YOLO
לאלגוריתם זיהוי האובייקטים YOLO (יולו) יש מגוון רחב של יישומים מעשיים בתחומים שונים בשל המהירות והיעילות שלו בזיהוי עצמים
בתמונות ובסרטוני וידאו בזמן אמת.
הנה כמה תחומים מרכזיים שבהם נעשה שימוש נפוץ ב-YOLO:
מעקב ואבטחה: ניתן להפעיל את YOLO במערכות מעקב כדי לזהות פעילויות לא מורשות או חשודות על ידי זיהוי אנשים,
כלי רכב או חפצים אחרים.
יכולתו לפעול בזמן אמת חיונית לתגובה מיידית ולהתרעה בהקשרים ביטחוניים.
כלי רכב אוטונומיים: בתחום הכלי הרכב האוטונומיים והמל”טים, YOLO משמש לזיהוי וזיהוי עצמים כמו הולכי רגל, כלי רכב,
תמרורים ומכשולים.
זה תורם למנגנוני הבטיחות וליכולות הניווט של מערכות אוטונומיות.
אוטומציה תעשייתית: YOLO מסייעת באוטומציה של משימות ויזואליות בתעשיות, כגון זיהוי פגמים בקווי ייצור, מיון פריטים
על סמך קריטריונים ויזואליים ומערכות ניטור הדורשות התבוננות מתמדת בתנאים ובפעולות.
קמעונאות: במגזר הקמעונאי, ניתן להשתמש ב-YOLO לניתוח התנהגות לקוחות, ניטור מלאי וניהול על ידי זיהוי מוצרים על המדפים.
זה יכול גם לעזור בניתוח תעבורת רגל ואופטימיזציה של פריסות חנויות.
שירותי בריאות: YOLO מיושמת בהדמיה רפואית כדי לזהות חריגות כגון גידולים, נגעים או סמנים אחרים שהם קריטיים למטרות אבחון.
העיבוד המהיר שלו מסייע בפיתוח מערכות שיכולות לסייע לרופאים בניתוח בזמן אמת במהלך הליכים.
ספורט ובידור: לניתוחי ספורט, YOLO יכולה לעקוב אחר שחקנים וחפצים כמו כדורים בזמן אמת, ולספק ניתוחים על תנועות שחקנים,
מערכים וטקטיקות משחק.
זה גם יכול לשפר חוויות אינטראקטיביות ומציאות רבודה בבידור.
חקלאות: בחקלאות, YOLO מסייעת בניטור יבולים ובעלי חיים, איתור מזיקים ומחלות ואוטומציה של משימות כמו קטיף
ומיון פירות על סמך גודל ובשלות.
ניטור חיות בר: ניתן לשלב את YOLO במערכות המנטרות פעילויות של חיות בר, ומסייעות במחקרים הקשורים להתנהגות בעלי חיים,
ספירת אוכלוסיה וגילוי צייד לא חוקי.
סוגי אלגוריתמים של YOLO
מערכת זיהוי האובייקטים YOLO התפתחה באמצעות גרסאות שונות, שכל אחת מהן משפרת את המהירות, הדיוק והיעילות של האלגוריתם.
להלן הסוגים או הגרסאות העיקריות של YOLO שפותחו:
YOLOv1
הגרסה המקורית הציגה את הרעיון של שימוש ברשת עצבית אחת כדי לחזות מספר תיבות תוחמות והסתברויות מחלקות עבור אותן
תיבות בו-זמנית על פני כל התמונה.
זה היה מהפכני בגלל המהירות שלו אבל היה חסר מעט דיוק בהשוואה למערכות מורכבות יותר.
YOLOv2 (YOLO9000)
שיפר את הדיוק בצורה משמעותית מבלי לוותר על המהירות.
הציג מושגים כמו נורמליזציה של אצווה, מסווגים ברזולוציה גבוהה ותיבות עוגן כדי לחזות תיבות תוחמות מדויקות יותר.
זה יכול גם לזהות למעלה מ-9000 קטגוריות אובייקטים על ידי הכשרה משותפת הן על סיווג תמונות והן על מערכי נתונים של זיהוי אובייקטים.
YOLOv3
עדכון מצטבר ששיפר את הזיהוי בהיקפים שונים והשתמש בגרסה עמוקה ומורכבת יותר של ארכיטקטורת Darknet.
זה היה טוב יותר בזיהוי עצמים קטנים יותר ויישם תחזיות בקנה מידה רב.
YOLOv4
התמקד בשיפור המהירות והדיוק עוד יותר, מה שהופך אותו למתאים לייצור עם משאבים מוגבלים כמו אלה שנמצאים במכשירי מחשוב קצה.
הוא כלל שיפורים כמו שימוש בהפעלת מיש (mish activation), נורמליזציה בין מיני-אצווה, אימון יריבים עצמי והגדלת נתוני פסיפס.
YOLOv5
לא גרסה רשמית מהיוצר המקורי אלא שפותחה ומתוחזקת על ידי צד שלישי, היא הציג מספר שיפורים מעשיים.
זה ידוע בקלות השימוש שלו, מיושם ב- PyTorch, ויש לו גרסאות מותאמות למהירות, דיוק או איזון של שניהם.
הוא כולל גם שגרת אימון משופרת, קנה מידה של מודלים ותמיכה בייצוא לפלטפורמות שונות.
YOLOv6
גם לא מהמחבר המקורי, גרסה זו ממשיכה להתמקד בשיפור הביצועים והיעילות עבור יישומים בעולם האמיתי.
הוא תוכנן לעבוד היטב על מגוון מכשירים, החל ממעבדי גרפי גרפי גבוהים ועד למכשירי קצה בעלי הספק נמוך.
YOLOv7
אבולוציה עצמאית של סדרת YOLO, שמטרתה לחדד את תהליך האימון וארכיטקטורת המודל לביצועים טובים יותר
ופריסה קלה יותר על פני פלטפורמות שונות.
כל גרסה של YOLO מתבססת על האיטרציות הקודמות, ומציגה שיפורים שהופכים את האלגוריתם למהיר יותר,
מדויק יותר ומותאם יותר לסביבות ויישומים שונים.
הפיתוח והתחזוקה של גרסאות חדשות יותר על ידי קבוצות שונות מדגישים את העניין המתמשך של הקהילה בחידוד ויישום YOLO
למשימות זיהוי אובייקטים בזמן אמת.
